AI 无限竞技场

B站近日正式上线“AI 无限竞技场”大模型测评榜单，并公布首轮排名结果。GPT-6 Astra 在 10 位 UP 主的真实场景测评中胜出，获得榜首次数冠军，超越 GLM-5.3；前五名中国产模型占据三席。该榜单不同于传统自动化跑分，完全由各领域 UP 主基于自身专业工作流、应用场景或创意需求自主命题，在同题 PK 中直观呈现模型在实际使用中的表现差异。

“AI 无限竞技场”定位为开放式测评广场，不设固定主题或维度限制，涵盖代码生成、逻辑推理、多轮协作、知识问答等多个方向。目前已有 DeepSeek、Kimi、ChatGPT、Claude、Gemini、豆包、千问、Hy、MiniMax 等主流模型参与对比，排名实时更新，并持续向全站 UP 主开放报名。这一机制将评测权从实验室交还给真实用户，使榜单更贴近实际应用体验而非理论性能。

评测机制：从标准化跑分到场景化实证

传统大模型评测多依赖 MMLU、HumanEval 等静态基准，虽具可比性，却难以反映模型在复杂、模糊、跨领域任务中的真实能力。B站“AI 无限竞技场”反其道而行，采用去中心化、场景驱动的评测范式：

• 自主命题：UP 主根据自身领域（如编程、设计、学术研究、内容创作）设计测试任务，例如“用 Python 实现视频弹幕情感分析”“根据古籍片段还原宋代服饰细节”“协助撰写符合平台调性的科普脚本”。
• 同题 PK：多个模型在同一任务下横向对比，观众可直接观察响应质量、交互流畅度与结果可用性。
• 动态更新：新测评持续加入，排名随数据积累实时调整，避免榜单固化。
• 多元视角：覆盖技术专家、行业从业者、普通用户等不同背景，减少单一评价体系的偏见。

这种模式的优势在于捕捉模型在非标准、高上下文、强交互场景下的综合能力，而这恰恰是日常使用中最为关键的部分。其局限则在于结果受 UP 主主观判断影响，且不同任务间权重未加权，需谨慎解读绝对排名。

首轮榜单信号：GPT-6 Astra 领先，国产模型集群崛起

首轮数据显示，GPT-6 Astra 凭借在多样任务中的稳定表现赢得最多 UP 主首选，尤其在需要长上下文理解与多步推理的场景中优势明显。GLM-5.3 虽紧随其后，但在部分创意类任务中略显僵化。值得注意的是，前五名中除 GPT-6 Astra 外，其余三席均为国产模型（具体名称未在原文披露，但结合上下文可推测包含 Kimi、DeepSeek 或千问系列），反映出国产大模型在实用层面的快速追赶。

这一格局与 B站用户结构高度契合：平台 AI 内容消费者以年轻创作者、学生、自由职业者为主，对模型的易用性、中文理解、本土化适配敏感度远高于纯技术指标。国产模型在这些维度的优化，正逐步转化为真实用户口碑。

平台生态支撑：AI 内容消费激增催生评测需求

“AI 无限竞技场”的推出并非孤立事件，而是 B站 AI 生态成熟的自然产物。公开数据显示，过去一年平台 AI 知识内容消费时长同比增长 72%，月均观看 AI 相关内容的用户超 1.9 亿。大量 UP 主自发产出测评、教程、避坑指南、应用案例等内容，形成从“发布→讨论→实测→求助→共建”的完整闭环。

在此背景下，官方榜单的介入起到了聚合碎片化信息、建立可信参照系的作用。它既为普通用户提供决策依据，也为模型厂商提供来自真实用户的反馈通道。更重要的是，它将“评测”本身转化为一种可参与的内容形态，进一步强化社区粘性。

使用建议与认知校准

对于关注该榜单的用户，需注意以下几点：

1. 区分“榜首次数”与“综合得分”：当前排名基于“获得榜首的次数”，而非加权总分。某模型可能在少数高关注度任务中频繁登顶，但在长尾任务中表现平庸。
2. 关注任务类型匹配度：若你的需求是代码生成，应重点查看编程类 UP 主的测评；若是创意写作，则参考内容创作者的反馈。通用排名参考价值有限。
3. 警惕样本偏差：早期参与者多为科技区头部 UP 主，其任务设计可能偏向技术向。随着更多生活、人文、艺术类 UP 主加入，榜单代表性将逐步完善。
4. 结合其他信源交叉验证：B站榜单反映的是“中文互联网年轻创作者”的偏好，与企业级、学术级或海外用户需求可能存在差异。