B站把 AI 测评做成“电竞榜”了：100+ 模型同场，GPT-6 Astra 暂居第一

B站终于把：

AI 模型测评

做成排行榜了。

这个新东西叫：

AI 无限竞技场。

玩法非常 B 站。

不是给所有模型发一套固定卷子。

也不是只看：

MMLU；

SWE-bench；

数学；

推理

这些标准 Benchmark。

而是直接把不同领域 UP 主平时那些：

奇奇怪怪但又特别真实的 AI 实测

全部汇总起来。

让：

GPT；

Claude；

DeepSeek；

GLM；

Kimi；

千问；

豆包；

混元；

MiniMax；

Gemini

等模型一起：

上擂台。

然后看谁拿第一最多。

目前暂时坐在头把交椅的是：

GPT-6 Astra。

一、现在已经不只是“十几个模型比一下”

B站刚公布首期榜单时：

主要来自 10 项 UP 主测评。

但整个竞技场本身是：

持续更新的。

截至目前，官方页面已经收录：

43+ 测评主题。

参战：

100+ 大模型版本。

相关测评累计观看：

1687 万+。

所以这里并不是一张：

发布以后就不变的排行榜。

UP 主继续投稿。

新模型继续上线。

榜单也会：

实时变化。

有点像 AI 模型自己的：

联赛积分榜。

二、GPT-6 Astra目前拿了12次第一

按照当前实时榜单：

第1名

GPT-6 Astra

参测：

22 次

拿下榜首：

12 次

榜首率：

54.55%。

第2名

Claude Fable 5.1

参测：

12 次

榜首：

6 次

榜首率：

50%。

第3名

目前包括：

GLM-5.3

以及：

GPT-5.6 Sol

两款模型都拿到：

3 次榜首。

所以现阶段：

GPT-6 Astra 的领先优势还是比较明显。

不过需要注意：

这是动态榜单。

过几天新测评继续加入：

排名完全可能继续变化。

三、这个榜单不是看“总分”，而是看你拿过多少次第一

AI 无限竞技场有一个特别重要的规则：

按照模型在各测评主题中获得榜首的次数排名。

比如：

一个模型参加 20 个测评。

其中 8 个第一。

那它的：

榜首次数就是 8。

另一款模型只参加 5 个测评。

即使赢了 4 次：

最终排名依然可能在前者后面。

所以这个榜单并不是传统意义上的：

统一综合能力分数。

而更像：

冠军数量排行榜。

官方同时还会展示：

参测次数；

榜首次数；

榜首率。

这三个数据放在一起看：

才更有参考价值。

四、最有意思的是：UP主自己出题

传统 Benchmark 最大的问题之一就是：

题越来越固定。

模型厂商知道大家都在测：

代码；

数学；

推理；

知识。

甚至某些 Benchmark 本身可能已经进入训练数据。

B站这套玩法则完全不一样。

它没有规定：

必须测什么。

UP 主根据自己的专业方向：

自己出题。

所以现在竞技场里面已经出现很多：

非常“不标准”的 Benchmark。

五、有人直接拿祖传屎山代码拷打模型

比如编程区。

现在已经有：

屎山论剑·模型擂台战

祖传BUG挑战赛

程序员上岗实测

GTA5 19.8亿次 if 循环修复

AI复刻游戏

各种测试。

有 UP 主甚至直接拿：

真实项目；

历史 BUG；

复杂代码仓库

让多个模型一起修。

最终不是看：

模型说得多专业。

而是：

代码到底能不能跑。

这类测试其实很符合现在 Coding Agent 的真实用法。

毕竟用户真正关心的是：

我把仓库交给你，你到底能不能把 Bug 修掉？