B站「AI无限竞技场」用真实场景评测大模型，GPT6-Astra登顶

随着大模型能力提升，作为 AI 自媒体，现在很头疼如何评测模型。 为了能让普通人看懂，大家只能选鹈鹕骑自行车、Threejs 3D游戏、Fancy的前端效果、各种精美PPT来告诉大家：这个模型不错。...

随着大模型能力提升，作为 AI 自媒体，现在很头疼如何评测模型。 为了能让普通人看懂，大家只能选鹈鹕骑自行车、Threejs 3D游戏、Fancy的前端效果、各种精美PPT来告诉大家：这个模型不错。 另一方面，看起来专业的大模型 Benchmark 也开始失效，各种刷榜、刷Openrouter用量。 加上题目污染和大模型自身的奖励黑客，从这些数据也很难看出哪个模型真能干活儿。 个人觉得比较好的方式是真实场景实测，而不是炫技、刷分。 最好一镜到底，直接看用什么Harness，用什么模型，写了什么Prompt，OneShot 输出质量，几轮迭代后的效果。 最近看B站搞的评测活动就很好，叫「AI无限竞技场」。 别看榜单，也别刷题，直接让UP主用真实任务测试。 B站可以说是中国的Youtube，且用户更年轻，更有活力，更有脑洞。 有次天津 AI 圈聚会，知名 大V 丁师傅（ @dingyi ）跟我说，X上那些玩AIGC的作品，跟B站完全没法比... 想开眼界，多刷刷B站，高手如云。 果然，我看了下B站的『AI无限竞技场』上的投稿作品，不得不佩服大家的思路和想象力。 从代码编程、游戏竞技、知识问答，再到空间建模、网文写作、生活决策，各个方向角度都有up主评测。 比如给一个牛x的屎山代码项目，让各 AI 模型 PK，看哪个模型最适合干这种脏活儿。 还有让不同 AI 做量化交易，看哪个真能替你赚钱，哪个让你亏到没裤衩。 让不同 AI 玩狼人杀，看哪个先出局，哪个能挺到最后。 让不同 AI 生成 3D 白模，看哪个模型又好又便宜。 ... 看了下投稿的up主，有X上大家耳熟能详广受好评的牙医老师（ @karminski3 ）、还有我线下刚见过的oil欧呦（ @I_am_oil_oil ）同学，都是模型评测圈的一线高手。 B站果然权威，能号召这么多牛逼 up 主开脑洞、做评测。也方便大家了解不同场景中，哪个模型才是SOTA。 忍不住写了个爬虫，把目前所有参赛项目都抓了下，放到了我的Github仓库。 共收录了40个主题、 190 个视频、33 位 UP 主的作品。 总共参赛模型有100多个（我咋没用过这么多？） 不过榜单前几名和我个人使用体感一致： 当下排名第一的模型是GPT6-Astra、第二是Fable 5.1 、第三是GLM-5.3。 不知道过段时间会有什么变化，听说Gemini4、Grok4.7 都快出了。 Github地址见评论区，内容相当精彩，建议收藏。 #AI无限竞技场 #B站 #AI 💬 1 🔄 0 ❤️ 5 👀 1077 📊 2 ⚡