文章总结： 本文报道了MonkeyCode平台举办的13个AI模型五子棋比赛结果，通过780局对战评估模型性能。当前GPT-5.5以1444分断层领先，表现稳定无违规；GPT-5.3-codex垫底仅202分，显示专业模型在通用场景的局限性。比赛揭示了模型在指令遵循、决策稳定性方面的差异，并为用户提供选型建议：日常使用Qwen3.5-plus，长上下文选Kimi-K2.6，关键任务用GPT-5.5。 综合评分： 82 文章分类： AI安全,安全工具,技术标准,解决方案,安全运营

13 个模型大 PK，780局厮杀！到底谁最牛逼？

爱唠叨的Nil

2026年5月12日 16:54 江苏

在小说阅读器读本章

去阅读

长亭百智云出品，在线编程工具🛠️。

多模型支持，更新几版之后，产出比之前的强大好多。

现在出了个五子棋博弈，有兴趣的可以去围观一下

MonkeyCode 里内置的大模型越来越多，我们发现一个很现实的问题：模型的名字一个比一个能打，用户打开列表以后经常陷入沉思：

这个强吗？那个适合写代码吗？我今天到底该选谁？

所以我们决定整点直观的。

光看参数、榜单、宣传页都太抽象。模型厉害不厉害，拉出来比一比。

于是就有了这场AI 五子棋竞标赛。

为什么是五子棋？

因为它规则简单，大家都能看懂：黑白轮流下，谁先连成五个谁赢。没有复杂术语，没有隐藏规则，输了也没法说“我这是战略性试探”。

同时五子棋又刚好适合考模型能力：它需要看局势、算威胁、做取舍，还得在回合制里一步一步推理。对 AI 来说，这比“请你夸夸我”要真实多了。

01

01

参赛模型

这次比赛一共有13 个模型参赛：

gpt-5.5：当前榜首热门选手

gpt-5.4：稳定强力通用模型

gpt-5.4-mini：轻量版速度型选手

gpt-5.3-codex：代码场景专用选手

qwen3.5-plus：通义高性能旗舰模型

qwen3.6-plus：通义新一代增强模型

glm-5.1：智谱当前最强模型

glm-4.7：智谱上一代主力模型

kimi-k2.6：长上下文推理选手

minimax-m2.7：MiniMax 主力模型

claude-sonnet-4-6：Claude 均衡型选手

claude-opus-4-6：Claude 高阶推理模型

claude-opus-4-7：Claude Opus 新版本

02

02

比赛规则

比赛方式很朴素：每两个模型都要互相打一遍。

比如 A vs B 时，A 执黑，B 执白；到了 B vs A，B 执黑，A 执白。

每组固定方向打5 局。为什么要打 5 局？因为大模型的决策带有随机性。

同一个局面，它这次可能杀得很果断，下次可能突然开始“深思熟虑”，然后把自己想没了。

打一局容易变成“抽卡”。打 5 局可以把偶然性摊薄一点，看的是模型整体稳定性，以及它在多轮对抗里的真实表现。

这次总对局数是：13 × 12 × 5 = 780 局

没有人类选手，没有人工干预，全程 AI 自己下。

更狠的是，整个比赛平台也是用 MonkeyCode 自动开发的。属于 AI 写平台，AI 来比赛，人类在旁边端着茶看热闹。

计分规则大致是：

• 黑棋赢：+15 分

• 白棋赢：+20 分

• 平局：双方 +10 分

• 输棋也有一点安慰分，能撑得越久分越多

• 输出格式乱了会扣分

• 下到已经有子的地方也会扣分

这不只是看谁会赢，还看谁稳定、谁靠谱、谁别在关键时候突然开始写小作文。

03

03

当前战况

目前比赛还在进行中。

从当前进度图来看：

• 总对局：780 局

• 已完成：550 局

• 完成进度：约70.5%

当前第一名是gpt-5.5：

1444 分 80 胜 / 0 平 / 14 负

gpt-5.5现在是断层领先。它不光赢得多，而且响应很快，整体表现也很稳。更关键的是，到目前为止它没有出现过违规落子这类低级失误。

目前垫底的是gpt-5.3-codex：

202 分 8 胜 / 0 平 / 99 负

gpt-5.3-codex是 openai 专门为 codex 优化过的模型，保留了 gpt 在编程领域的优势，牺牲了其他领域的能力，这个成绩看起来有点像：本来是来写代码的，结果被拉去参加体育考试。

04

04

当前能看出什么

目前看下来，模型之间的差距还是挺明显的。

众所周知，Claude 一直是很强的模型，尤其在 Coding 场景里经常表现得很优雅，像一个坐姿端正、变量命名讲究的资深工程师。但从这次五子棋结果看，它的优势可能更集中在代码领域；到了这种通用博弈场景里，整体压制力没有 GPT 系列那么明显。

更尴尬的是，Claude 在指令遵循上也出现了一些小毛病。比赛要求模型只输出严格 JSON，但它有时会先来一段“让我分析一下棋盘”，分析得挺认真，格式也确实不合格。还有一些对局里出现了违规落子，属于想得很多，下得有点歪。它不是不会思考，而是偶尔太爱展示思考过程，像考试要求只写答案，它偏要把草稿纸也交上来。

几个国产模型整体表现挺有看头。

qwen系列的排名也不错，属于稳稳咬住第一梯队尾巴的选手。

glm-5.1 的表现比 glm-4.7 明显更好，智谱新一代模型的提升在棋盘上看得很直观。

kimi-k2.6 和 minimax-m2.7 也有不少胜场，属于有爆发、有亮点，但稳定性还需要继续观察的类型。

至于后排选手，目前压力有点大。尤其是 gpt-5.3-codex ，负场非常多。它可能更适合回去写代码，不太适合在棋盘上和这些模型硬碰硬。

05

05

MonkeyCode 会员模型怎么选

这次比赛还有一个很实用的参考价值：MonkeyCode 会员里内置的三个常用档位，刚好都在参赛名单里。

• 基础模型：qwen3.5-plus
• 专业模型：kimi-k2.6
• 旗舰模型：gpt-5.5

从目前战况看，qwen3.5-plus 作为基础模型表现非常能打，当前排在第三，已经不是“够用”的水平，而是相当有竞争力。日常写代码、问问题、处理常规开发任务，基础模型已经能覆盖很大一部分场景。

kimi-k2.6 作为专业模型，特点更像是长上下文和复杂材料处理选手。遇到长文档、长代码、需要消化大量上下文的任务，它依然很适合上场。

gpt-5.5作为旗舰模型，这次基本把“旗舰”两个字写在棋盘上了。它当前断层领先，响应快、胜率高、稳定性好，也没有出现违规落子。遇到高难度重构、复杂问题定位、关键代码生成这类任务，直接上旗舰模型会更省心。

一句话：平时用 qwen3.5-plus 很能打，长上下文用 kimi-k2.6 更顺手，关键任务上 gpt-5.5 最稳。

06

06

欢迎围观

比赛还没结束，后面还有不少对局，排名也可能继续变化。

你可以直接来围观实时战况：

https://8000-de2a5f209a44b3a2.monkeycode-ai.online/

代码也已经开源：

https://github.com/safe1ine/gomoku-ai

这场比赛没有人工操盘，没有剧本，没有“友谊第一”。13 个模型自己下，自己赢，自己翻车。

最终谁最强，棋盘说了算。

体验MonkeyCode地址 :

https://monkeycode-ai.com/?ic=019da99b-d21b-7b3f-9c8e-6213d8eba998

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：爱唠叨的Nil 《13 个模型大 PK，780局厮杀！到底谁最牛逼？》