传统的AI模型评测早就陷入了“唯跑分论”的怪圈。当各大厂商沉迷于实验室指标与参数竞赛时，开发者、内容创作者乃至普通用户真正关心的答案却迟迟得不到回应：抛开理想化环境，到底哪款AI能真正干活？针对这一痛点，B站近日正式推出「AI 无限竞技场」测评榜，直接亮出了一份充满现实质感的初期成绩单。

打破固定维度，让真实工作流成为命题人

与传统基准测试追求标准化、封闭式的评分逻辑不同，这次发布的竞技场更像是一个开放式的创意广场。平台取消了僵化的测评维度限制，转而邀请一线创作者主导评测方向。目前，首批由10位垂直领域UP主发起的真机实测已率先落地。

无论是硬核的代码生成、复杂的逻辑推演，还是多模态协作、深度知识检索，甚至是一些结合具体业务流的趣味脑洞，都被转化为可执行的实际题目。所有入围模型必须在相同的真实场景中完成“同题PK”，直观暴露出各家的能力长板与硬伤。截至目前，DeepSeek、Kimi、ChatGPT、Claude、Gemini、豆包、通义千问、Hy、MiniMax等主流大模型已全部接入对比队列。榜单采用实时动态刷新机制，且已向全站UP主开放报名通道，任何具备实战经验的内容生产者均可参与命题与观测。

首轮战报：海外标杆暂领风骚，国产模型成功破局

从目前公开的首期榜单来看，这场多方混战的结果颇具行业观察价值。海外标杆GPT-6Astra凭借在多类实操任务中的高稳定性强势拔得头筹，并顺手摘得“登顶次数冠军”称号，将智谱AI的GLM-5.3压在身后。更为亮眼的是，挤进总榜前五名的产品中赫然有三款来自国产大模型阵营。它们在海内外巨头的密集火力下并未被边缘化，反而以贴近本土应用场景的优势实现了贴身肉搏。

72%的内容增速背后，是评测逻辑的必然转向

B站敢于投入资源打造这样一个开放式擂台，并非一时兴起，而是基于平台上早已成型的AI生态基本盘。官方数据显示，过去一年B站AI相关内容的消费时长同比飙升了72%，每月活跃观看AI资讯与教程的用户规模突破1.9亿。围绕模型发布、技术讨论、实操测评、故障排查乃至开源共建，站内已形成了一套完整的内容闭环。

当大模型的版本迭代速度已经远远甩开了传统跑分体系的更新节奏时，死守静态指标不仅会失去时效性，还会加剧认知断层。将评测权交还给熟悉真实工作流的创作者，本质上是对市场诉求的直接回应——与其争论理论上限，不如解决“到底哪个好用”的现实问题。对B站而言，「AI 无限竞技场」正在尝试构建一种新型的行业参照系：让社区流量与真实反馈共同充当大模型走向大众市场的裁判台。在这里，胜负不取决于服务器里的峰值算力，而取决于每一次用户交互中的实际获得感。