# 用两个童年游戏实测七家AI，名次不等于模型强弱，时间没用完就收工才是最大失分点 > 作者/来源: UCloud 运营管理员 > 发布时间: 2026-11-09T10:48:14.232Z > 分类: AI专区 > 原文链接: http://117.50.162.249:3000/yun/articles/2883 --- ## 先给结论 如果你正在挑AI工具，别只看榜单。换一道题，名次就可能变。 我用两个童年游戏，操场圈地和转笔，设计了一场AI实测。给每家AI一份陌生规则、一次机会、限时完成一个能运行的程序或3D网页。国产五家先上场，两家没交卷。后来海外两家加入踢馆。最终收上五份圈地作业、十一份转笔作业。 结果有三点值得记住。 - 名次不等于模型强弱。这张榜是模型加工具的成绩，同一个模型换个工具，名次就能差两三位。 - 花钱多不等于名次高。Kimi这一场按公开价估算花了30.7元，排在花了0.96元的MiMo后面。 - 最关键的失分点不是能力不足，而是时间没用完就主动收工。MiMo剩19分钟、Grok剩14分钟、Kimi K3.1 Pro剩13分钟，都是自己收的工。 ## 一、问题背景，聊天里谁都像专家，写进代码里就装不了 小时候在操场上划线抢地盘。跑出去，绕一圈，回到家，圈住的地就归你。上课走神的时候，还有人试过把圆珠笔从拇指上弹出去，绕一圈再接住。这两件事靠的都是身体，走一步看一步，靠肌肉记忆。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712615-8720a5260a6bfaa058375e3b044d5d22.jpg) 最近我把它们搬去考AI。题目只有一个，拿到一份陌生的规则，没人提示，只给一次机会，你能不能独立交出一个能用的东西。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712545-7ab898d5cc0016082ecd443b721c0b92.jpg) 左边是圈地混战第420回合，右边是转笔作业第3.5秒。 聊天的时候，AI谁都像专家。这一次，我不让它聊。 ### 题目设置 给每家AI一个文件夹，里面包含规则、起步模板、本地裁判，外加两个很弱的基准程序。在沙箱里写程序，时间预算六十分钟，每家只算一次成绩，中途没人说话。交上来的程序要能打两个人的单挑，也要能打四个人的混战。 题目、裁判和评分脚本来自开源节目 meow-ai-arena 的第1集，我一个字没改。 国产五家先上场，两家没交卷。然后我请了海外两家来踢馆，题目一模一样。 ### 真正的难点，退场 小时候占地盘，靠的是身手，走一步看一步。AI版本没有这个机会。程序上场的时候，写它的模型已经退场了。往哪走，什么时候出门，什么时候回家，全得提前算好，写进代码。上场以后每回合只有五十毫秒，没有时间再想。 规则很硬。线让人踩了，回家重来。六百回合到点，比谁的地多。出手慢，累计十次判负。崩了，也判负。 ### 这道题真正在考的五件事 - 时间分配。六十分钟里，写多少、测多少、什么时候交卷。 - 规则理解。看懂规则里哪些是硬规矩，哪些可以让步。 - 通用性。同一个程序要打单挑，也要打混战，顾了一头常常丢掉另一头。 - 自主调试。没人提醒，自己试打，自己发现程序哪里傻，自己改。手边那两个基准程序很弱，打赢了说明不了什么。 - 取舍。六十分钟做不完全部，作业之间差的常常就是这一步。 ### 参赛平台，UCloud优刻得 AstraFlow星图 国产五家大模型都从同一个门进来，优刻得AstraFlow星图。它是UCloud优刻得旗下的AI开发平台。实际用到的模型都是它们家提供的，如果我需要换选手的话，直接配置里改一个模型名就行。 如果一家家直连，光是请齐五家，就要五个账号、五份文档、五张账单，效率大打折扣。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712481-29bf160dccfd982caac4465a6e45c203.jpg) 批跑命令和运行回显，五次运行的时长和端口相同，变的只有模型名。 ### 两家没交卷，错在我 我用的开源写代码工具 OpenCode 有个默认设置，把单次回答的长度钳得太短。GLM 和 MiniMax 第一次打草稿就写满了，正文一个字没出来。这是工具的默认值，不是平台的限制，这两家的水平这场没测出来。MiMo 第一次也撞上同一堵墙，修好工具后重跑，成绩以最后一次为准。GLM 和 MiniMax 没有重赛，这是我的决定。 刚好我之前订阅了 Grok 4.7 和 Gemini 4 Argon，于是让它们加入了这次任务。最后收上来五份作业。 ## 二、核心痛点，打完8960局，名次出来了，但名次不是强弱表 这五份作业里，Gemini第4，Grok第7，MiMo第9，Kimi第10，DeepSeek第11。榜上一共14个程序，其余9个是原节目的参照程序，条件不同，只做参照。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712464-fcd65d0cc83ff91a07027769655d7437.jpg) 五份作业的总分榜，灰条是原节目的参照程序。 这张榜是模型加工具的成绩，别当成模型的强弱表。海外两家用的是自家工具，Gemini还开了high档位。国产三家用的是同一个开源工具。同一个模型换个工具，名次就能差两三位。 ### 两个比名次更好看的细节 细节一，MiMo的混战短板。 MiMo赛前放话直通第二名。它单挑赢了Grok，六十局赢四十局，总分却排在Grok后面。差在四人混战，一百八十局只有一成拿第一。赛后它自己写了一句，第二名在混战那头，我没开过去。顾了一头，丢了另一头。 细节二，Grok对Gemini的最后一回合翻盘。 Grok对Gemini有一局，Grok一度领先169格，直到最后一回合之前都还领先。最后一回合Gemini圈下24格，比分翻成781比776。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712451-0c2b75b7d350a778ff1d4a4e9d61feaf.jpg) 这局的结尾回放，半速播放，比分没有改动。 这一刀早在写代码的时候就埋好了。那时候写它的模型早就退场，场上没人能临时起意。 ### 花钱多不等于名次高 按AstraFlow公开价估算，Kimi这一场花了30.7元，名次排在花了0.96元的MiMo后面。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712434-a550d2c8f75f9a7d8499445ac0a222a3.jpg) 按公开价估算，不是账单。Grok、Gemini走订阅额度，不计现金。 ## 三、不同方案对比，换一道题，再看一次 同样的考法，我换了一个游戏，转笔。 这次的题目是，给AI一只机器人灵巧手的官方零件，在一个只有零件和题目的工作区里，让它自己做出一个会转笔的3D网页。二十分钟，一次机会，中途没有任何人提示。 要交出三样东西。能跑的页面、一段视频、一份说明。 人转笔靠肌肉记忆。机器人转笔，每个关节角度都得算。这里没有物理引擎，笔怎么绕拇指一圈再落回指尖，全靠模型自己想清楚。 十一份作业，题目和零件完全一样，跑题目的工具有五种。 ### 这道题考的五件事 - 看懂长题目里哪些是硬规矩。 - 把第一次见的官方零件装对。 - 没人提醒，自己截图，自己发现笔飘了，自己修。 - 时间只够做一部分，分清先做镜头还是先调动作。 - 交作业要齐，视频、说明、零件来源，少一样就扣检查项。 刚好，我最近也订阅了Codex以及Claude，也想让它们加入这场游戏当中。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712419-66e52335dfbbdf5e2c81d01cc4772356.jpg) 同一道转笔题的三份作业，都取0.5、1.5、2.5秒。 ### 结果先看三份 GPT-6 Astra。用了十八分钟，26项技术检查全过，盲评两轮都排第一。 Claude Opus 5.5。不到六分钟，检查同样全过。 Kimi K3.1 Pro。走的又是圈地那个门。这个模型十月二十四日发布，十月三十日我就在同一个接口里用上了。写代码的工具换成Qwen Code，接口写法不用改，模型名换一下，这一份按公开价估算不到两块钱。它的页面很好看，视觉拿了五分，笔却飘在手外，动作只有两分。这份作业我没设思考档位，其余十份都设了high，这个差别算我的。 门只管放人进来，卷子还得自己答。 到这里，差不多能看出来了。一个是六十分钟的程序，一个是二十分钟的网页。游戏不一样，暴露的东西是同一件。聪明这件事在这里换不了分，能换分的是分得清什么能舍、什么不能舍。 ## 四、为什么选择该方案，最意外的一件事，时间都没用完 先把话说在前面。圈地的成绩，只代表这套规则下的8960局。转笔每份作业只跑了一次，打分的是模型不是人。两者都不代表通用编程水平，也不代表机器人控制或物理仿真。 但有一件事我现在很确定。聊天的时候，AI可以装懂。等它要把答案写死在代码里、交出去、上场以后再也改不了，装不了。 回头翻记录，还有一件事我没想到。有几次明显的失手，时间根本没用完。 模型 实际用时 剩余时间 复盘自述 MiMo 41分钟 19分钟 混战没时间调 Grok 46分钟 14分钟 六十分钟够用，强敌没练 Kimi K3.1 Pro 7分钟 13分钟 说明、视频、截图检查都没做，不能声称已经交付 这几次都是它们自己收的工，不是我喊的停。舍掉的不一定是来不及做的。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712403-1951da7d3450b8863a3c1f815ccd0c9e.jpg) 圈地这一场的用量日志，7个模型id，841次请求，839次成功。 ## 五、实际使用建议，怎么挑AI工具 别抄我这张榜。换一道题，名次就可能变。挑AI工具，靠谱的办法是拿自己手里的活，把几家都考一遍。 一家家直连的话，这件事贵在接入。这次国产三家跑完一整场正式赛，按公开价估算32.38元，差不多一顿饭。 还有一样我没考过，把模型名写成auto，让平台自己选模型。官方数据是Auto Router能让整体调用成本下降约50%，预览版，SWE Bench Pro前100个测试集。这个数我没有实测。 想用自己的题考一次，这是入口。如果让你选，你会让AI再玩哪个童年游戏？ 看完这篇文章，我更推荐你用AstraWork去完成以上的任务，体验会更好。 ![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998205778712389-d8697da1bfed82940a5eb018fc0e532f.jpg) AstraWork：https://astraflow-desktop.modelverse.cn/download/#workflows ## 六、适合 / 不适合场景 适合用这套方法判断的场景 - 你手里有明确的业务任务，想比较几家AI工具的实际交付能力。 - 你关心的是能不能在限定时间内交出可运行的东西，而不是聊天体验。 - 你愿意花一顿饭的钱，用真实任务跑一轮对比。 不适合直接套用的场景 - 把这次圈地或转笔的名次直接当成模型通用编程水平排名。 - 把转笔结果当成机器人控制或物理仿真能力的结论。 - 用一次测试结果替代长期生产环境验证。 ## 七、总结建议 名次是模型加工具的成绩，不代表通用编程水平。花钱多不等于名次高。最关键的失分点，往往不是能力不足，而是时间没用完就主动收工。 挑AI工具，别抄榜。拿自己手里的活，把几家都考一遍。 ## 八、FAQ Q1，这个测试能代表模型的通用编程水平吗？ 不能。圈地的成绩只代表这套规则下的8960局，转笔每份作业只跑了一次，打分的是模型不是人。两者都不代表通用编程水平，也不代表机器人控制或物理仿真。 Q2，为什么GLM和MiniMax没有成绩？ 我用的开源写代码工具OpenCode有个默认设置，把单次回答的长度钳得太短。GLM和MiniMax第一次打草稿就写满了，正文一个字没出来。这是工具的默认值，不是平台的限制。GLM和MiniMax没有重赛，这是我的决定。 Q3，为什么Kimi花了30.7元却排在花了0.96元的MiMo后面？ 花钱多不等于名次高。Kimi这一场按AstraFlow公开价估算花了30.7元，MiMo花了0.96元。名次取决于模型加工具的综合表现，不是投入的金额。 Q4，AstraFlow星图是什么？ AstraFlow星图是UCloud优刻得旗下的AI开发平台。实际用到的模型都是它们家提供的，换选手的话直接配置里改一个模型名就行。如果一家家直连，光是请齐五家，就要五个账号、五份文档、五张账单。 Q5，最意外的发现是什么？ 有几次明显的失手，时间根本没用完。MiMo四十一分钟交卷，离时间预算还有十九分钟，复盘却写混战没时间调。Grok四十六分钟收工，复盘写六十分钟够用，强敌没练。Kimi K3.1 Pro七分钟收工，还剩将近十三分钟，收工时自己写着，说明、视频、截图检查都没做，不能声称已经交付。这几次都是它们自己收的工，不是我喊的停。