K3 106、Grok 111：这个 AI 榜单开始“自己打脸”了

先说结论

K3 106、Grok 111、DeepSeek V4 Pro 92——这张榜单看起来像 AI 版智商排名，真正离谱的却是：它不让模型做选择题，而是让网友自己烧额度，拿真实任务把模型按在电脑前干活。

我第一次看到群里的截图时，第一反应是：K3 已经把 Grok 和 DeepSeek 按在地上了吗？

再打开分布式雷达（Distributed Radar）看，事情马上反转：榜单会每 60 秒刷新；Kimi Code、ZCode、Grok 仍是公开内测 Harness；所谓 IQ 是站方自定义的换算尺度，不是人类智商；而且某个档位的 111 分，并不等于整个模型已经赢了。

这就比一张“某模型天下第一”的海报有意思多了。

因为它测的不是发布会上的模型，而是：模型带着哪套壳、开了多高推理、花了多少时间和钱，最后能不能把活干完。

一张榜单，先把 AI 圈的“第一名”搞得有点尴尬

用户提供的截图里，数字是：

• K3：106 IQ
• Grok 4.6：97 IQ
• DeepSeek V4 Pro：92 IQ
• DeepSeek V4 Flash：80 IQ
• GLM-5.3：77 IQ

但我在 2026 年 8 月 20 日重新查看 DeepSWE 看板时，当前页面已经出现另一组动态观测：K3 总体仍显示 106，Grok 4.6 总体显示 98；某些 Grok 4.6 档位则达到 110、111。DeepSeek V4 Pro 在 DSH 下显示 92，max 档位约 97。

数字变了，不是网站出错，而是这本来就是一个活榜单。新任务、新样本、新 Harness 会不断把旧成绩往前推。你今天截下来的“王座”，可能几个小时后就换人。

所以本文不把 K3 写成永久第一，也不把 Grok 的某个高分写成全面反超。更准确的说法是：这些配置在当前公开众测里表现亮眼，但样本、档位和测试壳都必须一起看。

106 IQ 到底是什么？先别把它当人类智商

分布式雷达的 IQ 是站方自己的展示尺度。按页面说明，测试完成百分比乘以 1.5，会换算成 Radar IQ。

换算一下，106 IQ 大约对应 70.7% 的任务完成率；100% 完成率则约等于 150 IQ。

它表达的是：在这套任务和评分规则里，某个模型配置完成了多少工作。

它不是心理测量学意义上的 IQ，更不能据此说 K3 “智商 106”、Grok “智商 111”。如果把截图直接发成“AI 智商超过人类”，那就已经从有趣的跑分滑向标题党了。

最刺激的反转：Grok 111 也不能封神

当前看板里，Grok 4.6 的 high、medium 档位出现过高于总体分数的结果，high 甚至达到 111。但这类结果来自公开内测 Harness，页面明确标注为暂定分数，样本不足，不参与正式推荐、排序和曲线。

这意味着 111 分更像一条值得追踪的线索，而不是冠军奖杯。

K3 + Kimi Code 也一样。K3 当前总体 106，页面同时展示 max、high、low 等不同档位，完成题数和成功率并不相同。模型名称只是半个答案，另一半藏在 Harness 和推理档位里。

这正是传统“模型排行榜”最容易漏掉的东西。

这个网站测的其实不是模型，而是一整套工作流

分布式雷达当前把 Codex、DSH、Kimi Code、ZCode 和 Grok 分开观察。它还把 max、xhigh、high、medium、low 等推理档位拆开。

换句话说，它比较的不是抽象的“DeepSeek vs Grok”，而是：

某个模型 + 某套 Harness + 某个推理档位 + 一组工具和上下文，能否在真实工程任务里交付结果？

同一个模型换一套壳，表现可能完全不同。Harness 负责工具调用、文件读写、上下文管理、记忆和 Agent 循环；模型负责生成判断，但最终能不能落地，要看整辆车有没有接好。

所以 DeepSeek V4 Pro 在 DSH 下的成绩，不能和另一种 provider 配置简单视为同场对决。它们的 API、工具链、样本量和成本可能都不同。榜单最有价值的地方，恰恰是把这些差异摆在明面上。

它不问“会不会答”，而是直接把题丢进代码库

目前重要的 DeepSWE 测试不是几道数学选择题，而是软件工程任务。页面展示的任务包括 FastAPI 选项处理、Bandit 跨过程污点分析、类型绑定和数据快照差异等真实代码问题。

模型要读项目、理解上下文、修改文件、运行测试，然后提交补丁。最后评分的是补丁在干净环境里能不能通过验证。

这和“请写一个冒泡排序”不是一个物种。

普通 Benchmark 测模型会不会给出漂亮答案；这种测试追问的是：

你能不能在半小时后还记得自己改了什么，并且没有顺手把项目的另一处弄坏？

最赛博朋克的部分：网友自己烧额度给全网跑分

分布式雷达不是站长租一堆机器关起门来测。用户可以用 GitHub 登录，选择自己的 Codex 订阅档位，认领任务，把提示词交给 Codex 或对应 Agent 执行，再把结果贡献回公共看板。

站点把这个动作叫“蹬雷达”，贡献者排行榜叫“雷达天梯”。页面当前显示总蹬速约 135,419 刀、累计约 3,296 亿词元、约 770 名贡献者。

这意味着榜单背后不是一张静态宣传图，而是一群人用自己的订阅额度做公共实验：有人跑一题，有人连续跑几十题，结果慢慢汇成模型、Harness、时间和成本的地图。

当然，这也意味着数据不是实验室里一次性锁死的标准答案。用户贡献的任务分布、账号额度、网络环境和执行策略，都会影响样本。

客户端说成功不算，服务器还要重新验

如果用户只要点一下“成功”，榜单早就会变成大型自我安慰现场。

分布式雷达的设计是：客户端提交补丁后，服务端把它放回干净环境重新验证；任务运行在一次性隔离 Docker 容器里，同时做轨迹审计和敏感信息检查。站点也明确写着，客户端自报成功不会直接成为最终成绩，有问题的提交会冻结并复核。

这让它比“网友投票谁最强”严肃不少，但仍然不等于经过完整同行评审的科学实验。任务分布、样本偏差、公开内测和不同 Harness 的配置差异，都应该出现在读者的判断里。

为什么榜单还在测庞贝壁画？AI 不只会写代码

分布式雷达另一个频道测试的是庞贝壁画碎片邻接恢复：模型看到破碎的壁画片段，判断哪些碎片原本相邻，再用 Precision、Recall 和 F1 评分。

这不是把视觉题硬塞进代码榜，而是单独观察另一种能力：空间关系、碎片匹配和不完整信息下的推理。

主站进一步尝试用 Composite Intelligence 把软件工程和视觉空间推理放进同一张雷达。这个方向还谈不上成熟的“综合智力排名”，但它透露出一个很重要的判断：未来的 Agent 竞争，不会只发生在代码补全窗口。

普通人打开这个榜单，应该看哪五件事？

第一，看完成率或 F1，不要只看 IQ 大数字。

第二，看 Harness。Codex、DSH、Kimi Code 和 Grok 不是同一个执行环境。

第三，看 reasoning effort。max 可能更稳，也可能只是更慢、更贵。

第四，看样本数和是否内测。7/8 和 174/269，可信度不是一个量级；公开内测暂定分数不能拿来盖棺定论。

第五，把时间和成本一起算。对真实工作来说，“成功率高 3 分但多花 6 倍钱”未必是胜利。

我认为这个排序比“谁最聪明”实用得多：给它一美元和半小时，它到底能替你完成多少工作？

我们的判断：最值得追的不是 K3，而是这套民间测功机

K3 的 106 很吸睛，Grok 的 111 更适合做传播截图，DeepSeek V4 Pro 的 92 则让人看到模型和 Harness 组合的现实差异。但这篇文章真正推荐的不是某个冠军，而是 Codex Radar 这条路线。

厂商发布会会挑最好看的 Benchmark；民间榜单至少愿意把失败、耗时、费用和内测标签一起摆出来。它不一定永远正确，却更接近我们真正想知道的问题：这个 AI 能不能在我的项目里把事情做完？

如果你今天打开分布式雷达，看到 K3 106、Grok 111 或 DeepSeek 92，请先别急着转发“某模型封神”。记下时间、Harness、档位、样本数和成本，过一天再回来看看。

因为这个榜单最像现实的地方就是：

今天的王，可能一个小时后就换人；真正不会过时的，是你终于开始看模型怎么干活，而不是只看它在发布会上怎么自夸。

仍然要观察

• Kimi Code、ZCode 和 Grok 何时结束公开内测，并把成绩纳入正式推荐。
• 同一模型在不同 Harness、推理档位下是否能积累足够大的可比样本。
• DeepSWE 与庞贝壁画两个频道，能否形成更稳定的跨任务能力画像。
• 成本、耗时和成功率是否会成为普通用户选择 Agent 的主指标。
• 社区贡献规模扩大后，服务端复核和任务隔离能否继续保持可信。

常见问题

Codex Radar 的 IQ 是人类智商吗？

不是。它是站方按测试完成百分比换算的展示指标，不能用于和人类心理测量 IQ 直接比较。

K3 106 是否代表它已经是第一？

不能。榜单实时变化，且 Kimi Code 目前是公开内测，暂定分数不参与正式推荐。106 只能说明当前公开观测表现亮眼。

Grok 4.6 的 111 比 K3 更强吗？

不能直接下结论。111 是某个推理档位的动态观测值，样本、Harness 和内测状态都要一起看。

分布式雷达的数据从哪里来？

来自用户用自己的订阅额度或 API 余额认领任务后提交的结果，服务端会在干净环境重新验证补丁，并展示时间、成本和完成情况。

这个榜单适合拿来选生产工具吗？

适合作为线索，不应当是唯一依据。最好带着自己的代码库、预算和任务类型做小规模实测。

网站入口在哪里？

• 分布式雷达：https://deng.codexradar.com/?benchmark=deepswe
• Codex Radar 主站：https://codexradar.com/en/

*注：本文数据来自 2026 年 8 月 20 日对公开页面的观测及用户提供的截图。Codex Radar 是动态社区众测平台，成绩会持续变化；Kimi Code、ZCode、Grok 当前属于公开内测，暂定分数不参与正式推荐、排序与曲线。*