一句话:在 2026 年 10 月的英国《泰晤士报》填字锦标赛上,一个叫 Darmok 的 AI 系统用 6 分 52 秒做完 30 道决赛题,全部正确。人类冠军 Liam Hughes 用了 10 分 05 秒,落后 3 分 13 秒。
据 UT Austin 新闻,这不是一次演示,而是一场按人类规则打的正式比赛。规则很简单:先全对,再比快。


七道题满分,决赛快出三分十三秒
第 55 届《泰晤士报》填字锦标赛于 2026 年 10 月 10 日在伦敦举行。Darmok 参赛,但不计入人类名次。它交出的成绩单是 7 道题 210/210,一个空格都没错。
决赛 30 题,它用了 6 分 52 秒完成。最快的人类选手 Chloe Hutton 是 8 分 09 秒,但错了 1 题;按规则,速度就没有意义了。
说白了,这不是「AI 也能做填字」的好奇心项目。这是个挂在 arXiv 上的个人项目,论文编号 2611.13557,作者是德克萨斯大学奥斯汀分校计算机科学家 Siddhartha「Sid」Chatterjee。名字借的是《星际迷航:下一代》里那集用比喻和典故交流的外星语言。

暗语填字难在哪:一半字母没有兜底
英国暗语填字(cryptic)跟普通填字不是一回事。谜面分两层:表面读起来是一句正常的话,底下藏着定义和组词机关——双关、倒读、首字母、视觉陷阱,都可能是线索。
更要命的是网格。这类谜题网格密度低,近一半字母没有交叉线索兜底。普通填字填错一格,横竖交叉会立刻打架;暗语填字里,你可能填得通顺、漂亮、完全错误,还找不到任何提示。
划重点:这就意味着「猜」这条路走不通。每一步都得给出可解释的推理链,否则错误会静默地堆在网格里,直到整盘崩掉。

那道「狼夹子」题,坑了十四冠王
论文里记下一道名场面线索:「Wolf trap missing its lowest crosspiece? (5)」,答案是 SNARF。trap 提示 SNARE,也就是陷阱;missing its lowest crosspiece 指的是竖排时字母 E 的底横被去掉,E 就成了 F。
这道题在决赛里坑了 3 个人类选手,包括拿过 14 次冠军的 Mark Goodliffe——他填了 SCARF。
说白了,这不是知识量的差距,是对「机关」的敏感度。SCARF 也像个词,也贴合围巾的画面感,只是对不上那个被削掉一横的字母。人类在这里输的是注意力,不是智力。

划重点:四个模型、三份副本
Darmok 不是单一模型硬解。据 arXiv 论文,它的做法是编排多个前沿模型——Gemini、Claude、GPT 系——并行解题,交叉验证之后才落格。
决赛时主模型大幅降速,30 个答案里有 17 个来自备用路径:13 个来自副席位模型,4 个来自后台整盘模型。这个比例才是重点——赢下决赛的答案,超过一半不是主路径给的。
论文自己的结论也落在这儿:模型的平均能力已经不是瓶颈,关键时刻的可靠性和容错才是。

长期战绩:3876 条线索里对 3844 条
看长线数据,结论更清楚。据论文,132 天里它处理了 3876 条线索,对 3844 条,约 99.17%;赛前冻结配置的 43 天里,准确率约 99.84%。
这些数字不能简化成「几乎全对」。对一个要登报、要被读者逐格核对的东西来说,99% 和 99.8% 是两个世界:前者意味着每一百条线索就有一条要被人当众抓出来。
名字这层隐喻也值得说一句。Darmok 一集里的外星人从不直白说话,你得先懂典故才能听懂。放在暗语填字上,这个比喻贴得有点狠——它比的是「能不能进入别人的语境」。

质疑:为锦标赛特调的编排,算不算过度工程
先把质疑摆上桌:锦标赛的规则是「先全对、再比快」,Darmok 就是照这个规则调的。脱离锦标赛、离开这个限定的赛场,这套多模型编排是不是过度工程?
论文自己也承认,去掉备用环节,常规状态下几乎没差别。但决赛就是靠备用路径赢的——17 个答案来自后备队。这句话读起来像自我辩护,其实是最诚实的部分。
作者的自评更值得抄下来:人类解谜者「一个脑子一支铅笔,15 到 30 瓦」,他的系统「四个模型、三份副本」。一边是随便一张桌子就能开工的人,一边是需要一整套基础设施的机器。
所以真正的问题不是「AI 会不会取代填字选手」。而是当规则被写死、评分只认全对时,堆冗余就是最优解;换个环境,后备队没人调用,成本却照付。AI 系统的价值正在从平均表现转向最坏情形下的兜底——但兜底这件事,本身也要有人买单。