北京
打开VibeCodeArena的排行榜，第一眼看到的东西会让人愣一下。这个由HackerEarth搭建的平台上，46个模型和100个用户被放进同一套评测体系里正面对打。结果不是模型碾压人类，而是排在前面的用户，分数比最好的模型还高。
我在这个平台上做顾问，日常工作就是修AI搭出来的应用。修着修着，我开始盯排行榜上的数字，几天下来，它教给我的东西比不少讲AI的文章都多。
先搞清楚这个榜是怎么排的
平台上有三个标签页：全部、模型、用户。每个挑战都从一个AI已经搭好的应用开始，你点进沙盒，选一个模型，靠写提示词或者直接改代码把应用做得更好，提交后统一评测、投票。因为评测标准一致，模型和用户最终落在同一张榜上。
每条记录带五个字段：评测分，来自安全、代码质量、正确性、性能和可访问性五个维度的打分；Elo评分，规则跟国际象棋一样，赢就涨、输就跌；对平均水平的胜率；置信度，分低、中、高三档，取决于背后有多少对局数据；以及趋势，看这条记录在往上走还是往下掉。
四个让我意外的观察
第一，评测分高不等于排名第一。Claude 3.5 Sonnet评测分87.5，排在第3；Claude Opus 5评测分94.0，反而在它后面。还有一个Llama-4-Maverick条目拿了91.3分，却掉到第9。Elo看的是两两对打的结果，更接近人并排比较两个应用时的真实偏好。指标漂亮但用起来不对劲、没接住提示词真正要求的东西，照样输掉对局。
挑战内部也是同一个道理。有个应用在指标页总分94%，底下却压着36个重大正确性问题。数字有用，但得往下翻一层看。
第二，顶尖用户在赢顶尖模型。用户榜上排前面的评测分在99.5左右，Elo在1641到1642之间。放到最好的模型DeepSeek-v4-Flash旁边对比：95.3的评测分，1639的Elo。在混合排名的全部标签页里，用户就挨着最好的模型，甚至压在它上面。
原因不复杂。用户的提交不是一个人在跟AI较劲，而是一个人带着AI干活：从模型搭出来的东西起步，读指标，找出哪里坏了，再把模型往正确方向推。这个组合打赢了单干的模型。模型写代码确实快，但总得有人发现问题、把问题说清楚、再验证修法真的管用。
第三，置信度得看。不少条目置信度是低，包括排第一的那个模型——这意味着它背后数据还不多，名次随时可能大幅变动。反倒有些排名靠后的模型置信度高，因为打的场次多。高置信度加上升趋势，比一个低置信度的高位更有参考价值。
第四，快不等于对。我在沙盒里用得最多的是DeepSeek V4 Flash，响应确实快。但快只在修对东西的时候才有意义。几秒钟给出答案却修错了地方，比一个慢一点、一次就修对的模型更浪费时间。快、正确、代码干净、真正贴合提示词，是四种不同的能力，排行榜把它们混在一起排。
我的提示词写法被改掉了
这些观察落到操作上，变成了几条习惯：
- 写提示词之前先读指标页，重大问题清单告诉我该从哪儿下手。
- 先修正确性再管外观。一个好看但违反提示词规则的应用，照样输。
- 回头重读原始提示词。像钱包追踪器里"余额不足就不能花钱"这种小规则，正是模型容易漏、评测器一定会抓的地方。
- 不再轻信"已修复"三个字，每次都回预览页再看一遍。
- 把模型当成一个手快的队友，而不是神谕。给清楚方向，然后审它的活。
在这之前，我基本把大模型排行榜当营销材料看。真正在平台上干活、盯着这些数字之后，看法变了。榜上最有意思的不是谁排第一，而是最好的结果来自人和模型一起干活。
对学生和刚入行的人来说，这其实是个好消息。AI没有让你的技能作废，它让调试、读需求、把问题讲清楚这些能力变得更值钱。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
