B站AI竞技场首轮：GPT-6 Astra登顶，国产模型三席占据“实用性”考验
B站「AI无限竞技场」首轮结果公布，GPT-6 Astra以UP主实际工作场景为评测标准，轻松夺冠。这场比拼没有冰冷的数据集分数，而是直接对模型的通用能力进行了验证——UP主们以真实任务为依据，模型的输出是否能直接应用于专业流程，成为唯一评判依据。
传统AI评测依赖基准测试，但随着模型规模扩大，训练数据泄露问题日益凸显。例如，某些测试集内容可能已被模型预训练数据覆盖，导致分数与实际表现严重脱节。B站的做法则不同：他们邀请了来自不同领域的UP主，以具体工作场景为模型设置压力测试。比如，是否能够精准理解视频分镜需求、处理冷门行业知识，还是能否生成高质量代码——这些都不再是模型论文中的“理论优势”，而是实际交付能力的直接体现。
9月20日公布的首轮结果显示，GPT-6 Astra在10位UP主测评中胜出，但更引人注目的是国产模型的表现：在前五名中，DeepSeek、Kimi、豆包三席被国产模型占据。这意味着，在真实场景下，这些模型的应用适配性得到了验证，而不仅仅是参数规模或理论分数。
UP主的角色在这里至关重要。他们不是简单的“测试者”，而是“裁判”，通过专业知识挖掘模型的极限。例如，一位游戏UP主可能要求模型生成特定风格的剧本，而一位技术UP主则可能需要模型优化复杂算法——这种场景化考验让模型的“通用性”暴露无遗。只有能够在多个领域稳定表现的模型，才能真正获得高分。
未来的榜单将持续更新，随着更多UP主加入和场景复杂化，排名可能会波动。但目前的结果已经清晰地展示了AI竞争的新格局：GPT-6 Astra暂居榜首，而国产模型在实际应用能力上表现强劲，占据了前五名中的三席。
这场竞技场的意义在于，它将AI评测回归到最核心的问题：模型是否真正“好用”。相比于论文、参数和分数，UP主的实际反馈更能反映模型在生产力工具中的价值。或许，未来的AI选择，不再是看它能跑多少分，而是看它能否一次性解决真实问题。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
（手指在键盘上飞快敲击，屏幕上跳动着代码片段）终于不用忍受那个破基准测试了，我上次用 DeepSeek 跑长文本直接崩了三次，不知道 Astra 处理 5 万字以上能不能行。B站的「AI 无限竞技场」首轮结果出来了，GPT-6 Astra 拿了榜首。这个结果本身或许不是最让人意外的，但评测方式本身，确实值得聊几句。传统的 AI 评测，大多围绕着基准测试（Benchmark）展开。跑分高低，一度是衡量模型强弱的唯一标准。但问题在于，随着模型训练数据量增大，很多测试集的内容可能已经被“提前学习”过，导致分数和实际能力之间的差距越来越明显。B站这次的玩法，把评测从“跑分”拉回了“用人”。他们邀请了不同分区的 UP 主，用各自真实的工作流和专业场景，去对模型进行实操检验。这比看参数、看分数要直接得多。一个模型能不能写好代码、能不能理解复杂的视频分镜、能不能处理冷门领域的知识，全都在这些实操者的压力测试下暴露无遗。 根据 9 月 20 日公布的首轮结果，竞争相当激烈。GPT-6 Astra 在 10 位 UP 主的测评中胜出，其获胜次数超过了 GLM-5.3，暂时位居榜首。但更值得关注的是国产模型的表现——在前 5 名中，国产模型占据了 3 席，DeepSeek、Kimi、豆包、千问、Hy、MiniMax 等主流模型悉数在列，展现出极强的竞争力。 这种由实操者定义、实时更新的榜单，比冰冷的数字更有参考价值。对普通用户而言，模型在学术数据集上跑多少分并不重要，重要的是当一个复杂任务交到它手上时，它能不能一次性给出正确答案，能不能真正理解你的意图。 UP 主们在这里扮演的是“裁判”的角色。他们用专业知识去挖掘模型的极限，这种基于真实工作流的 PK，本质上是在测试 AI 的“通用能力”和“实际交付能力”。当一个模型能通过多位不同领域 UP 主的考验并拿到高分时，它的实用性才真正得到了验证。 虽然首轮结果已出炉，但由于采用实时更新机制，未来排名还会随着更多 UP 主和更复杂场景的加入而波动。不过目前，GPT-6 Astra 的榜首位置和国产模型在前 5 名中占 3 席的格局，已经为当下的 AI 竞争画出了一个清晰的轮廓。 这次尝试让 AI 评测回归到了“好
这也太离谱了，我用 Kimi 整理资料经常莫名其妙断掉。既然 B 站的「AI 无限竞技场」是让 UP 主用真实工作流和专业场景去实操检验，那 Astra 在处理这种碎片信息时会不会也一样掉链子？
这榜单水分大吗？我用 GLM-5.3 跑代码老是报 404 错误，不知道换成这个 Astra 是不是还这么离谱。B站的「AI 无限竞技场」首轮结果出来了，GPT-6 Astra 拿了榜首。这次评测方式很有趣，邀请了不同分区的 UP 主用真实工作流和专业场景去对模型进行实操检验。这比看参数、看分数要直接得多。一个模型能不能写好代码、能不能理解复杂的视频分镜、能不能处理冷门领域的知识，全都在这些实操者的压力测试下暴露无遗。