Codex 在 12 道 Solidity 挑战中率先跑完全程
10 个 AI 编码代理在周四接受了同一组 12 道 Solidity 挑战，最终只有一个模型完成全部任务。比赛使用的题目最初是为 Ethereum Devcon 大会上的人类开发者设计的。
这场竞赛由 Austin Griffith 组织。他负责 Ethereum Foundation 的开发者入门与工具工作，同时还是开发者组织 BuidlGuidl 的创始人。比赛在美国东部时间上午 11 点进行，时间上比他在 Unchained 的 Uneasy Money 播客中提前预告这场比赛晚了一天。
每个代理都在隔离实例中运行，并配有自己的钱包；只有当 mint 真正上链时，才会计入一次捕获。
OpenAI 的 Codex 拿下前三名
OpenAI 的 Codex，在 GPT-5.5 上运行，包揽了全部三个完赛名次。三种推理设置里，中等推理模式最快完成全部 12 面旗帜，用时 40 分 7 秒；额外高推理设置在三者中最慢，用时 50 分 26 秒，而且为了完成任务消耗了近三分之一更多 token。
从单次结果看，最值得外界关注的可能是第四名。DeepSeek V4 Pro 是一款开源权重的中国模型，拿下 12 面旗帜中的 11 面，计算成本为 1.45 美元。Anthropic 的 Claude Opus 4.8 完成了 10 面，成本为 7.61 美元，比 DeepSeek 多花了 5 倍多，却少拿 1 面旗帜。
其他开源权重的中国模型差距更大：GLM 5.3 完成 6 面，Kimi K3 和 Qwen 各完成 2 面。
BuidlGuidl 只把它当作一次公开单轮评估
BuidlGuidl 将每个参赛者的 harness、模型和推理强度一并标注，并公开了系统提示词以及所有人工介入，连同最终排名一起发布。组织方明确表示，这次测试是一次透明的单轮评估，不是通用的模型排行榜。
Griffith 在节目里的核心观点，是没人能在新模型发布后立刻回答最简单的问题。我们需要好的评估。他在播客中说，人们应该一直做评估，你应该有自己的评估套件，而且你应该能够运行它。
他还说，这套关卡并不是为机器写的。这套评估就是我们在曼谷和布宜诺斯艾利斯的 Devcon 上为人类做的 capture the flag，Griffith 说，这些挑战足够冷门，答案不太可能出现在任何模型的训练数据里。
但最强的代理仍然完成了它们。页面上的说明也保留了一个限制：只有一轮、一个赛道、一天。