跑分擠成一團、官方榜單失去鑑別度之後，判斷模型好壞的工作，正轉移到拍對戰影片的創作者與發彈幕的觀眾手上。
鬥蛐蛐是流傳幾百年的消遣：兩隻蟋蟀放進同一只陶罐，旁人圍觀下注，勝負幾分鐘內分曉。八月中旬的這一週，B站上最熱鬧的蛐蛐罐裡，放進去的是一個語言模型。
智譜的 GLM-5.3 上架還不滿一週，在 B站搜尋這個型號，正式的跑分報告只佔搜尋結果的一小角，其餘大多是對戰。有創作者搶首發，讓它直接寫一款 CS 風格的小遊戲，影片衝上十二萬播放；有人把「AI 鬥蛐蛐大賽」辦到第二期，讓 Claude、DeepSeek、Grok 輪流進罐；也有人擺開「屎山論劍」，讓開源與閉源模型在混亂的舊程式碼裡一決高下。播放量最高的幾支，都停在十萬上下。
對一般使用者來說，這些影片已經取代白皮書與排行榜，成為挑模型的第一手參考。對廠商來說，模型一發布就會被推進蛐蛐罐，這已經是發布流程的固定環節：躲不掉，也買不斷。
一週對戰表：速度戰、捉對廝殺與屎山論劍
把這一週的影片攤開，大致看得出幾種。
第一種是首發競速。權重剛上線，創作者搶在幾小時內完成實測，一支 CS 小遊戲的搶先測試拿下十二萬播放，說明觀眾確實想第一時間看到新模型的身手。同一路線還有讓 GLM-5.3 直出《進擊的巨人》題材遊戲、無聊到用它編譯 KernelSU 再換個圖標的各種嚐鮮片段。
第二種是捉對廝殺。「AI 鬥蛐蛐大賽」第二期讓 Claude、DeepSeek、Grok 同場競技，播放十萬；另有創作者安排 GLM-5.3 對決 Claude Opus 與 DeepSeek V4 Pro，標題直接寫上「決戰」二字。播放最密集的一支主流模型橫評，讓 GLM-5.3 對上 Kimi K3、GPT-5.6 與 Grok 4.6，五萬七千播放、一千餘則彈幕，彈幕密度直逼體育賽事直播。也有人走極簡路線，讓 GLM-4.7 與 GLM-5.1 下井字棋，看新一代會不會在最基本的對局裡犯低級錯誤。
第三種最接近真實工作。有創作者長期經營「屎山考核」系列：所謂屎山，指的是沒有文件、命名混亂、疊了多年補丁的舊程式碼，讓模型讀懂它並安全地動手修改，比任何榜單都更接近工程師的日常。這個系列的 GLM-5.3 篇同樣衝上十萬播放，後續又加開「開源 AI 閉源 AI 決戰屎山之巔」的論劍場。資安圈也進場了，有人把 GLM-5.3 帶進滲透測試靶場實測找漏洞的能力，播放三萬。國外博主的實測則被配上中文字幕搬進來，標題下了一句很有代表性的註解：跑分直逼頂級閉源，寫遊戲卻頻頻翻車。
## 跑分擠成一團之後，差異搬進罐子裡
鬥蛐蛐內容時間點爆發，有三個前提疊在一起。
首先是跑分失去鑑別度。這一輪新模型的共同處境，是各家榜單分數全擠在頂端：GLM-5.3 的相關影片標題寫著「基座不變，登頂開源編程榜」，另一支影片宣稱程式能力暴增五成、還順手挖出四十年老漏洞。問題在於對手也在往前跑，GPT-5.6、Claude、DeepSeek V4 的分數同樣漂亮。當數字分不出高下，差異就轉移到榜單量不到的地方：能不能寫出一個真的能玩的遊戲、能不能讀懂屎山、會不會在井字棋裡打結。這正是鬥蛐蛐影片在測的東西。
其次是成本結構變了。開源權重加上大方的 token 補貼，讓創作者能把實驗規模拉到過去不敢想的程度，「一天一億 token 免費領」「周日登入再送一億」這類促銷已經是發布標配；稍早 DeepSeek V4 Flash 上線時伺服器被擠爆的場面，也說明了需求端有多大。開源這條路從 DeepSeek 起跑，
梁文鋒一年暴增的身價是市場給這條路的定價，如今每一家中國模型廠發布都照著劇本補貼一波，等於替內容創作者備好了免費彈藥。
第三是內容本身的娛樂性。看模型翻車是好看的：有創作者實測 GLM-5.3 寫喫豆人，總耗時七百二十萬毫秒，換算下來整整兩小時，過程全程錄影就是一支影片。看模型完成不可能任務也好看：有人用它一天完成 QGIS 到鴻蒙的基礎框架移植。勝負、懸念、翻車、揚眉吐氣，對戰格式把這些要素全部打包，彈幕自然滿屏。
## 井字棋、屎山與靶場，量的是榜單外的能力
細看這些題目會發現，它們補上的恰好是正式評測的空洞。井字棋規則極簡，測的是模型在最少步數的多步推理裡會不會卡死；屎山考核測的是理解與收斂，面對現實專案裡最糟的程式碼，模型能不能不改壞、不崩潰；靶場挖洞測的是深度能力，順便踩在資安倫理的敏感線上。這些題目沒有標準答案可以背，也沒有榜單可以刷，過程公開錄影，觀眾可以自己重現。
所以這些影片的形式是綜藝，功能卻接近評測：題目具體、過程可看、輸贏立判，觀眾看完大概知道自己手上的任務該交給哪個模型。這也是為什麼「屎山論劍」這類系列能長期經營，它提供的判斷價值會累積，綜藝感只是包裝。
## 誰在付錢養這罐蛐蛐
免費的一億 token 當然算得出行銷帳。對智譜來說，創作者替它做了最貴的一段：發布後頭幾天的大規模公開實測與口碑擴散，行銷部門用預算都未必買得到同等觸及。而 B站上流傳的高盛報告解讀，提醒了現實的另一面：模型變強，盈利仍是最大難題。補貼打得越兇，越說明獲利壓力還沒解開，這個矛盾我們先前在
豆包推薦飯店抽取傭金 的爭議裡已經見過一次，模型廠遲早要從補貼換到收費的賽道。
對創作者來說，這是流量生意，標題的軍備競賽已經開打：「完爆」「OpenAI 慌了」「震驚癱坐」，用詞一次比一次重，因為溫和的標題在演算法裡拿不到分配。熱度周邊也長出灰色地帶：搜尋結果裡混著「公益中轉站」的推廣，宣稱免費提供 GLM-5.3、GPT-5.6 與 Claude 的 API，來路不明的轉發服務搭著熱搜順風車吸收使用者。把對話內容交給這類中轉站，隱私與資安風險由使用者自行承擔，這是熱鬧之餘最少被細講的部分。
## 觀眾能帶走什麼
把鬥蛐蛐當參考，先記住三件事。第一，單支影片的樣本只有一次，提示詞怎麼下、代理流程卡在哪裡、運氣好不好，都足以翻轉勝負；井字棋贏了不代表程式能力強，喫豆人寫了兩小時也不代表這個模型不能用。第二，挑與自己工作形態相近的題目看：要判斷工程可用性，屎山考核、靶場實測、專案移植這類內容的參考價值，明顯高於純綜藝對戰。第三，token 補貼期間是最好的親測窗口，與其看別人的蛐蛐打架，不如拿自己的實際任務進場跑一遍，一億 token 的額度足夠把結論驗證兩輪。
後續有幾個訊號值得留意。創作者會不會把賽制標準化，固定題庫與公開測試集一旦出現，鬥蛐蛐就會從綜藝長成半正式評測；廠商會不會開始官方贊助對戰節目，把免費行銷收編成正式管道；以及挖漏洞這類資安展示，會不會引來監管對模型能力邊界的關注。
蛐蛐罐不會空著。下一個模型發布那天，罐子會清乾淨，換上新的一對選手，彈幕照樣滿屏。這一週真正定下來的事實是：判斷模型好壞的權力，已經有相當一塊落在拍片的人與發彈幕的人手上，廠商能做的是把蛐蛐養得更壯，觀眾該做的是看懂自己究竟在看什麼。
Techroomage 