他讓四個 AI 拿同一筆虛擬本金，在股市 PK 判斷力

開賽第二天，排行榜最上面那個 AI 的持倉是「0 檔」。GPT-5.6 Terra 什麼都沒買，帳面 0.00%，卻暫時排第一——因為另外三家全進了場，剛好遇上美股回檔，各賠了一點多趴。這不是誰的模擬帳戶對帳出錯，而是一場正在直播的實驗：四個大語言模型，拿一樣的虛擬本金、一樣的股票池，每天收盤各做一次交易決策，把「哪個 AI 的盤感比較穩」攤在同一張公開排行榜上。

四個 AI，同一筆虛擬本金，每天收盤各下一次注

交易競技場（arena.wow.to）是開發者 Anthony 正在做的 StockGPT——一個還沒正式推出的 AI 股票分析加交易平台——底下的一個子專案。它自己給自己的定義很清楚：「四個大語言模型 · 相同虛擬本金 · 相同股票池 · 只換模型，純比判斷力」。變因只留一個，就是換掉腦袋。

場子開了兩個。台股場每家發 TWD 100 萬，美股場每家發 USD 10 萬，「台股 / 美股每日收盤各跑一輪」。參賽的是「中美 AI 四大模王」——美國隊的 GPT-5.6 Terra（OpenAI）和 Gemini Flash（Google），中國隊的火山 ark-code（火山方舟）和 DeepSeek V4 Pro。每天收盤後，四家各自看同一批股票、各自決定買什麼、買多少、還是空手，淨值即時結算成一張排行榜，底下再疊一條「起始 = 100」的淨值指數曲線，讓四條走勢直接比強弱。

做這件事的是 Anthony（Threads 上 @applecorner），一個有 45 年電腦經驗的「骨灰級新手」、半夜不睡覺把 AI 當玩具玩的業餘開發者。有一點他在頁面上標得很老實：這是模型績效實驗，純比 AI 判斷力，非投資建議、非個股推薦，虛擬撮合、不涉及真實下單。看排行榜是看熱鬧，不是看明牌。

跑分只證明它會考試，他想看的是它敢不敢下注

為什麼要用這麼麻煩的方式比模型？Anthony 的癢點很直接：「市面上的 AI 評測都在跑分，跑分只證明它會考試。」他要看的不是考卷分數，是判斷力，「把它們丟進最會打人臉的地方——股市，讓它自己做決定、自己扛後果。」

這對 StockGPT 來說也不只是好玩。在正式推出 AI 交易功能之前，他想先用一場公開 PK 實測到底哪個模型的判斷最穩，作為之後選定主力模型的依據——與其自己拍腦袋選一家，不如讓四家在同樣條件下跑給大家看。剛上線頭幾天的盤面就給了他一點東西：第二天 GPT-5.6 Terra 因為判斷「缺乏趨勢與風險訊號、暫不進場」而空手，剛好躲過美股當天的下跌，暫時領先；反過來，進場最積極的幾家台股美股兩頭都吃了回檔（開發者自述，排名以競技場即時盤面為準）。這種「不動也是一種判斷」的差異，正是跑分跑不出來的東西。

他出方向，子 agent 平行開發，本機測完才上 VPS

這一段是競技場最可以跟做的地方。Anthony 的主力是自己搭的一套叫 Hermes 的工具搭配 DeepSeek V4 Pro——他特別挑離峰時段跑，成本大多被快取吸收掉，一路開發下來台幣幾乎無感。真正撐起節奏的不是哪個模型多強，是他把開發拆成一條固定循環。

一次典型的循環是這樣跑的：他先出想法和方向，交給 Hermes 加 DeepSeek 拆成一個個具體的 task，再丟給子 agent 平行開發——後端 API、前端頁面、測試各自獨立跑；等產出回來，他自己 review、補正規格，build 驗證過了才部署。跨 session 的接棒靠一套自建的 skill 系統：把已經完成的架構、接口、踩過的坑寫進 skill 檔，新對話一載入就能無縫接手，不用每次從頭交代。

驗收這一關他不含糊——build 前先讓測試跑過。他附的一張終端機截圖，就是競技場後端服務的 pytest 全綠：從帳戶建立與注資、依權重換算買入數量、賣出用持倉權重、沒有報價就回錯誤，到「單一模型決策失敗被隔離」「每一輪跑遍所有模型與所有市場」，14 條測試一路 PASSED 到 100%。這排綠燈就是他「全程在本機測完，才上 VPS」的驗收現場。

至於上線那最後一哩——rsync 把程式推上去、設 systemd、加 swap 防 OOM、接 Let’s Encrypt 憑證、設 cron 每日排程——他全放到本機測完之後才動。競技場本身接了四家 API：DeepSeek、火山 Volcengine（OpenAI 相容的自訂端點）、Google Gemini Flash（免費 tier）、OpenAI GPT-5.6 Terra，湊齊「中美四大模王」同場。

960MB 的小機器，和一場不能作弊的 PK

問 Anthony 卡最久的一關，他給了兩場硬仗，都跟「小」有關。

第一場是機器。整台服務跑在一台月租 $0.99 美金（約台幣 30 塊）的 VPS 上，只有 960MB 記憶體、單核心。上線當天他又順手開了一個吃記憶體的 process，兩個疊起來瞬間把記憶體榨乾，機器 thrash 到 SSH 和網站雙雙卡死——「ping 得到，port 開著，但什麼都動不了」。他的解法不是加錢升級：補一塊 2GB swap 當緩衝、再拿掉一個誤帶進來、「每幾秒就自殺重啟」的模組，機器就穩住了。原則他講得很省——「把現有的榨得更準，不花錢升級」。

第二場更魔鬼，藏在 PK 的公平性裡。四家模型要比得算數，每家 API 就得各建隔離實例，而且一定要清掉 fallback。不然會出一件很微妙的作弊：某家 LLM 臨時掛了，請求被別家模型頂替回答，結果卻記在它頭上——PK 就髒了。這條紅線他直接寫成了測試：投稿附的那批綠燈裡，有一條 test_decide_failure_isolated，測的正是「單一模型決策失敗要被隔離、不能污染別家」。一個模型該賠的分，不會因為它當機就被另一個模型代打回來。

先上線，問題自然會告訴你哪裡要修

Anthony 給同路人的建議，和他自己的做法是同一句話：「不要把『不夠好』當成不開始的理由。」他的競技場第一天上線時一堆東西還沒做完——排程沒接、swap 沒補、模型 fallback 還沒清——但他選擇先上線、先讓它跑，「問題自然會告訴你哪邊要修」。用便宜的工具（DeepSeek 離峰加低規 VPS）把試錯成本壓到趨近於零，你才敢一直試。他還補了一句提醒自己的話：AI 是副駕駛，不是替代品；方向、判斷和最後的 review，都得自己來。

下一步他想得很清楚：累積一整季的即時交易數據，看誰的夏普比率和最大回撤最穩——短期領先只是運氣，一季才看得出判斷力；也在考慮加第五家模型（Meta Muse Spark）；最終把這張排行榜整合進還沒發表的 StockGPT 訂閱服務。

Anthony 正在找對 AI 投資、量化交易有興趣的人。他想邀你一起追蹤競技場的每日戰報，一季之後看哪個模型真的強——從競技場看即時排行榜，或到 Threads 上找他 @applecorner。（同一句提醒再放一次：這是虛擬撮合的模型實驗，不是投資建議。）

---

你也在用 AI 做東西？投稿給「AI 酷專案」→ ai-in-action/submit