今天刷到一个B站直播，感觉好酷！

看的时候，UP主已经播了六个多小时。

画面中央是塞满代码的编辑器，Agent正修改AI视频项目；

右下角两个顶着铁锅的二次元小人，底部预告着Godot MCP、HY4、Qwen3.8和GLM5.3等后续测试。

下午两点，在线132人。

主播就做一件事：开任务、看结果、改提示词、修Bug，再塞进下一道题。

观众一起围观AI执行，一次失败可能就十几分钟，成功了也没情绪波动，只有几条弹幕迅速分析成功原因。

听说过小孩哥直播写作业，没想到测试AI也有这种模式了，模型产品，效果好坏，一目了然，还特别有现场感。

B站AI评测很火，但发展成直播共测，还挺惊喜的。

直播里，观众看到模型修改项目时，会立刻拿它和Fable、旧版HY4对比。

每条弹幕都在增加新变量：换题、重开Session、检查共享上下文、把同样要求扔给另一个模型。

一条剪辑好的测评视频，会隐藏大量等待、报错和重复劳动。

但是直播却把这些真实的、失败的部分都暴露了出来。

大模型评测里，看不见的部分，往往更有价值。

任务跑崩后，观众才能看清问题出在理解、规划、工具调用、上下文，还是自我检查。

惊艳的Demo，只能证明成功过，连续直播看模型怎么翻车，反而更有意思。

B站好像形成了一条特别的测评链路：

直播间先炸出问题，长视频复盘，评论区补充反例，公开题库供复现，反复出现的问题被做成工具。

比如UP主开发的评测工具，观众一键测试后，在评论区提交供应商得分、异常日志，要求增加更多准确性功能，UP主再根据反馈优化。

一次测评，就这样从个人体验，变成开源共创。

可能只有在AI领域，B站的创作者、观众和开发者之间能这么通畅地交换身份。

一条视频可能是实验记录、招募帖、产品发布会，或开源项目的第一个测试包。

B站自己没说过要做AI技术社区，但它有的直播、弹幕、长视频、二次元文化和开源爱好者，已经事实上把氛围搞起来了。

模型大佬，很多都是B站二次元头像，这一次，AI玩家们又一次在B站集结了！

朋友圈会发一些具体的案例和商业化日常～