一句话看懂：B 站上线”AI 无限竞技场”大模型评测榜单，由不同分区 UP 主用真实工作流出题实测，首轮结果中 GPT-6 Astra 暂居第一，前五名有三款国产模型。它值得关注的地方在于：评测标准不再由厂商或固定跑分定义，而是由真实使用场景决定。
事件核心：发生了什么
根据 AIbase 报道，B 站于 2026 年 9 月推出”AI 无限竞技场”大模型评测排名，并公布首轮榜单。该平台汇总各领域 UP 主的实测内容，覆盖代码、推理、协作、知识等主题，参与对比的模型包括 DeepSeek、Kimi、ChatGPT、Claude、Gemini、豆包、Qwen、混元、MiniMax 等主流产品。
与传统 Benchmark 不同，竞技场对题目和评测维度不设限制，UP 主可用真实工作流、专业应用或趣味想法自行出题，在同一题目下横向比较模型表现。首轮十位 UP 主的评测中，GPT-6 Astra 击败 GLM-5.3 拿下”夺冠次数最多”，前五名有三款国产大模型。榜单实时更新，并持续向全站 UP 主开放报名。
官方披露的背景数据是：过去一年 B 站 AI 知识内容消费时长增长 72%，每月有超过 1.9 亿用户观看 AI 相关内容。
为什么重要
大模型评测长期存在两种路径：一是厂商自报，二是标准化跑分。前者容易挑有利指标，后者则常被批评与真实任务脱节——模型刷高分数但在实际写作、调试、长链路协作中表现不稳的情况并不少见。B 站的做法是把评测权交给有具体使用场景的创作者，用”同题竞技”替代固定题库。
这对竞争格局有直接影响。榜单上国产模型与 GPT、Claude、Gemini 同台，且前三名之外仍有国产模型进入前五，说明在中文场景和部分垂直任务上，开源与闭源、国内与海外模型的差距正在被压缩。对厂商而言，这类榜单的传播力和说服力可能不亚于官方发布会，但也意味着评测结果更难被单方面控制。
对用户/开发者/创作者的影响
对普通用户，竞技场更接近”选型参考”而非技术论文：如果某一模型在视频剪辑、表格处理或代码调试的实测中反复胜出，其参考价值通常高于抽象分数。对开发者，真实工作流评测可以补充 API 选型时的盲区，尤其是推理成本、长上下文稳定性和工具调用成功率这些跑分不易体现的维度。对内容创作者，这意味着评测本身正在成为一条可持续的内容赛道，但前提是题目设计足够具体、可复现，否则容易滑向流量化的口水对比。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是榜单是否会公开投票与计分规则，以及如何处理 UP 主立场或商单带来的偏向；二是模型厂商是否会针对高频实测题目做定向优化，从而让榜单逐渐失真；三是这种”社区评测”模式能否沉淀为长期可查的数据库，而非一轮轮热点。目前公开信息显示，竞技场仍处于开放报名和实时更新阶段，最终影响力取决于评测质量能否稳定。
来源：AIbase
