网吧里的AI大考：30个野路子Bench揭示模型真实力

在网吧的喧嚣中，一场别开生面的AI评测悄然展开。懂模帝Bench黑客松汇聚了一群脑洞大开的选手，他们边畅饮边打造出30个独特的Bench，旨在拷问大模型的真实能力。这场活动不仅产出了一份另类的模型评测报告，更暴露出主流Bench过度聚焦编程和长程任务、忽视非编程领域的盲区。现场无人问津传统编程题，创意反而集中在模拟经营（如北漂模拟器、偶像出道模拟器）、真实环境测试（如网吧渗透导致电脑全黑）和垂直领域（如医疗器械立项决策）等方向，凸显了让普通人定义模型能力的独特价值。

嵌入式底层驱动：细节见真章

仙五基于真实工作设计的嵌入式底层驱动开发Bench，要求模型编写驱动、处理寄存器与中断。结果显示，Qwen3.8-Max功能完成度最高，测试和逆向深度均拔得头筹；DeepSeek虽简单题全过，却在复杂DMA场景中遭遇“写了但未接通”的尴尬；Opus 5.0代码质量最佳，但隐藏压力场景S5表现不佳，40轮中出现5次初始化失败和15次操作失败；GPT虽跑通任务却选择静默修复，质量分仅11；SD3则因参数和错误契约不精确而败北。作者坦言，实际手册上千页，题目仅为玩具级，但已足以窥见模型在真实工程中的差距。

物理世界：无全知全能者

具身选手张振尧提供的物理理解Bench覆盖无人机巡逻、机械臂抓取、切割、布料覆盖等场景。无人机巡航中，仅Qwen完成全部航点（RMS误差0.16米），其余模型“全军覆没”；材质抓取K3表现最佳（3/3无失误）；吸盘搬运GPT完胜（误差2.7-2.9厘米），DeepSeek后两轮恢复至0.5厘米；切割题Qwen、GPT、DeepSeek稳定满分；布料题则无模型稳定攻克，DeepSeek首轮75%覆盖为最高。总分Qwen居首，K3物理直觉强但交付纪律弱，Claude恢复能力突出但首轮可靠性差。结论清晰：物理场景无全知全能模型。

破壁者：德州扑克中的策略博弈

灵感源自《三体》的破壁者Bench，用德州扑克测试模型在有限条件下的最优解能力，分文本和视频两种输入。K3判断最佳，善用行为线索且不盲目跟注；Claude牌理清晰，但抽帧信息导致误判；Qwen打法保守，加入视频后胜率反降；GPT同样保守，而DeepSeek过于激进常跟错牌。这场博弈揭示了模型在策略推理上的参差。

总结：编程专精，AGI尚远

这场网吧黑客松的结论颇具启示：大模型在编程上已远超人类，但非编程场景水平参差。Qwen3.8-Max工程能力更强，在物理、嵌入式等小众场景表现突出；K3综合智力较强，尤其擅长多模态经营模拟类。然而，各模型均为“编程专精”，距离AGI、ASI仍路途遥远。这场评测不仅是一次技术较量，更提醒我们：AI的能力边界，远未触及普通人眼中的“智能”。