B站9月16日上线“AI无限竞技场”，玩法很接地气：不设主题限制，由UP主根据自己的真实工作流自主命题，让上百个大模型同题PK。

首期榜单GPT-6 Astra拿下榜首，但前五名中国产大模型占了三个位置。有意思的是，同一个GPT-6在不同UP主的视频里表现差异巨大，代码修复稳如老狗，游戏开发偶尔翻车，中文语境下更是“水土不服”。

有UP主说了句大实话：“GPT-6确实更上一层楼了，但能不能始终稳定，还值得进一步观察”。

B站这波操作确实比厂商自己发的成绩单有说服力，因为出题的人是真正拿模型干活的人，题目里有“修祖传代码”“复刻游戏”这种真实场景，不是标准答案的应试考试。

有网友说得挺到位：“不少在榜单上亮眼的模型，落地表现平平，一些小众模型日常使用反而更加省心好用”。

GPT-6的Computer Use能力确实强，能自己进终端、跑测试、改代码、再跑测试形成闭环，但“一次测评跑出高分”和“一百次真实任务稳定交付”之间，差距比很多人想的大得多。