在不少人眼裡，這場“AI 智商公開測驗”一開始就帶著一點戲謔意味——六個大模型，各自握著 1 萬美元，共計 6 萬美元本金，被丟進真實的合約市場中去“炒幣”。然而等到實驗收官，結果比預想更加冷峻：總資金從 6 萬美元縮水到約 4.3 萬美元，整體回撤接近 28%。在這次比拼中，只有 Qwen3-Max 和 DeepSeek v3.1 交出了正收益，前者逆勢上行拿到冠軍；四個美系模型則無一倖免，集體陷入虧損。更耐人尋味的是，歐易OKX 與 AiCoin 最近聯合做的另一輪六大模型實盤評測，換了一個角度審視 AI。在這一次的測試裡，焦點從短線“追漲殺跌”的合約投機，轉向以規則驅動的合約網格策略。結果恰恰是這個看起來更“乏味”的選項，把六個模型的收益能力照得更清晰：在這一輪測試中，AI 在網格策略框架下首次集體實現了“全員存活”，所有模型最終都實現了正收益。這一對比幾乎是在公開提示：對大模型來說，高頻短線投機可能並不是最適配的場景，中性、系統化的網格策略反而更能發揮其優勢。

在這一輪以網格為核心的實盤中，Claude 奪得第一名，而在 NOF1 第一賽季短線炒幣裡奪冠的 Qwen3，這一次則跌到隊尾，變成收益墊底的那一個。GPT-5 和 Gemini 表現平穩，分別排在第二、第三；DeepSeek 與 Grok4 的策略路徑看上去差異頗大，但最終收益幾乎重合，呈現出一種“路線不同，結果相近”的狀態。同樣的模型、同一批參與者，在兩個不同場景中出現如此大的反差，很難用“運氣”解釋。背後的邏輯，對依賴策略的交易者來說，可能比結果本身更重要。

網格策略實盤：Claude 拿下冠軍

如果回到最初的設計，“AI 炒幣實盤競技場”的設定其實非常直白：讓六個大模型各自掌管 1 萬美元本金，在 Perp DEX 平臺上交易 BTC、XRP 等永續合約，測試週期大約兩週，啟動時間在 10 月 18 日左右。全程模型只接收市場量化資料，不再有人為“拍板”，AI 必須自己判斷做多還是做空、用多高槓桿、開多大倉位，併為每一次操作附上置信度評分。

合約網格這一輪測試沿襲的也是這種剋制設定，只不過把焦點從主觀方向交易轉向引數化網格。六個模型在嚴格一致的起點上出發：每個模型起始資金 1000 USDT，槓桿倍數統一為 5 倍，測試時間鎖定在 2025 年 10 月 24 日至 11 月 4 日。在 OKX 的 BTC/USDT 永續合約一小時 K 線資料基礎上，模型需要給出一套完整的網格方案，包括價格區間上下限、網格數量、做多或做空還是採用中性網格，以及選擇等差或等比模式。

在這樣的約束條件下，六個模型給出的答案呈現出高度集中又存在細節差異的特徵。所有模型不約而同地選擇了等差網格模式，也全部採用中性網格策略，方向上不再押單邊漲跌；但在區間寬度與網格密度上，各自風格差異明顯。Grok4 與 DeepSeek 把防線畫得最遠，網格區間都覆蓋 100,000–120,000 美元；前者佈設了 50 個網格，形成小間距、高密度的分佈，後者只放置 20 個網格，節奏更為寬鬆。Gemini 將區間定在 105,000–118,000 美元，同樣設定 50 個網格，試圖用高密度覆蓋更寬的價格帶。GPT-5 則把重點壓縮到了 105,000–115,500 美元之間，網格數量只有 10 個，間距極大，更偏向低密度、高單筆利潤的思路。Qwen3 的引數最為激進，區間僅在 108,000–112,000 美元之間，設定 20 個網格，在所有模型裡區間最窄。

歐易OKX 的行情資料顯示，在這一測試時間段內，BTC 價格在 10.3 萬至 11.6 萬美元區間內來回震盪，先是持續爬升，隨後出現快速回落，走出典型的 V 型結構。這段走勢事實上成了六個模型命運分叉的關鍵。正是這段精確落在 10.3 萬至 11.6 萬美元區間的波動，讓這次實盤與此前回測之間的差異顯露無遺，也解釋了為什麼有些在歷史資料中表現完美的策略，一旦進入“現實場景”，就顯得疲態盡顯。在這樣一段行情裡，Claude 最終站到了成績單的最上方。

Claude：收益與回撤的平衡點

Claude 最終的累計收益率為 +6.18%，成為實盤冠軍。從引數設定來看，它選擇的是一條並不極端的中間路線。其網格區間落在 106,000–116,000 美元之間，既沒有像 Qwen3 那樣緊緊貼住短期波動中樞，也沒有像 Grok4 那樣把防線拉到極遠的位置。網格密度同樣採取了中等水平，既不稀疏，也不密集，構成一個可以兼顧效率與風險的“中寬中密”組合。

從具體表現看，在行情震盪上行的階段，這套引數很好地契合了“波動即收益”的邏輯，網格不斷觸發，利潤穩步積累，累計收益一度推升至 +7.90%。當市場情緒突然反轉，BTC 價格在短期內跌至約 103,000 美元，Claude 所畫的 106,000 美元下限雖然一度失守，但脫網距離並不誇張。疊加此前積累的利潤墊，即便在 5 倍槓桿條件下，最大回撤仍被壓在了 1.72% 左右，成為六個模型裡回撤控制最理想的樣本之一。

這套策略的有效性，在於它從一開始就沒有試圖“壓中所有行情”，而是優先保證在大部分常規波動中能持續輸出，同時為極端場景保留了足夠的安全縱深。在這樣的設定下，它既吃到了震盪上行階段的反覆波動，又沒有在急跌中被直接“打爆”，而是以溫和回撤換來了整體的穩定收益曲線。

GPT-5：以稀疏倉位換取風險攤薄

緊隨其後的是 GPT-5，最終累計收益為 +5.79%。這套策略在風格上明顯比 Claude 更進取，走勢更像一條階梯線：前半程提速更快，後段的回撤幅度也更大。即便如此，它仍然維持在一條相對平滑的路徑上，最終收官資料僅略遜一籌。

GPT-5 的區間設定為 105,000–115,500 美元，在區間寬度上接近 Claude，但網格數量只有 10 個，間距明顯拉大。這種配置天然會抬高單筆網格收益，一旦觸發，就能捕獲更大幅度的波動差價。與此同時，總格數少意味著總體持倉數量被限制在一個相對溫和的水平，倉位集中度降低了極端行情下“踩空”的機率。

在震盪上行階段，GPT-5 憑藉這種“低密度、高效率”的組合，很快積累起一段頗為亮眼的收益，累積增幅一度達到 +8.44%。在急跌階段，它同樣依靠 105,000 美元的下限，獲得了一道關鍵防線，儘管最大回撤放大到了 2.65%，但仍在可接受的範圍內。與 Qwen3 的極窄區間相比，GPT-5 透過更低的價格下限和更低的總持倉，構建了更強的抗跌能力。

從整體效果來看，GPT-5 提供的是一種相對高效的“偏進取版本”，對回撤的容忍度略高於 Claude，但在資金使用效率和收益速度上更具吸引力，適合對波動有一定承受能力的交易者。

Grok4：用區間和高密度做“終極防守”

在六個模型中，Grok4 可以被視作“防守型選手”的代表。不論從區間還是密度看，它幾乎把所有決策都圍繞著“安全”二字展開。Grok4 與 DeepSeek 一樣，選擇了 100,000–120,000 美元的最寬區間，讓策略始終站在風險的最外圈。在此基礎上，Grok4 設定了 50 個網格，高密度分佈進一步攤薄單格持倉。

當 BTC 在測試期間一度跌至約 103,000 美元時，Grok4 所設的 100,000 美元下限始終未被觸及，這意味著在整個週期內，它從始至終沒有遭遇脫網風險。在高密度佈局下，浮虧被分攤到大量小倉位中，即便在急跌時，總體回撤仍被控制在 0.97% 這一極低水平，收益曲線幾乎平滑到沒有明顯“尖刺”。對那些最在意本金安全、對淨值波動極其敏感的使用者而言，Grok4 展現出的是一種典型的“終極防守型”策略：犧牲部分效率，換取更高的安全緩衝。這種策略在行情劇烈波動時特別適合用來穩住底倉。

與 Grok4 相比，DeepSeek 雖然網格密度略低，但沿用同樣的最寬區間設定，最終收益表現幾乎與其重合。從結果來看，這也驗證了在以防守為優先順序的框架下，區間寬度往往比密度更關鍵，只要保證“不輕易脫網”，密度帶來的輕微效率差異在實盤中會被極端事件所“抹平”。👉在觀看本文內容時，如果你有需要可以先進行歐易OKX下載安裝註冊，這樣在你閱覽的同時就能同步跟著體驗，讓你在搜尋與實踐中更容易找到所需資訊。

Gemini：中寬區間高密度佈局以曲線平滑取勝

Gemini 所採取的則是一套更強調均衡的配置。它把區間設定在 105,000–118,000 美元之間，區間寬度介於極端寬與極端窄之間，同時設定了 50 個網格，用高密度覆蓋這一價格走廊。從下限位置看，Gemini 與 GPT-5 一樣都守在 105,000 美元，但透過更多的網格數量，把倉位分得更細，風險被進一步攤薄。從結果來看，Gemini 在急跌階段的最大回撤約為 1.41%，明顯低於 GPT-5 的 2.65%，體現出高密度在控制波動方面的優勢。整個週期的收益曲線幾乎沒有劇烈折返，呈現出一種比較理想的“穩中緩升”態勢。對於那些希望賺取穩定網格收益、同時不願見到淨值大幅波動的交易者而言，Gemini 的策略提供了一種可供參考的路徑——不追求極致安全，也不刻意追求最高效率，而是優先讓收益曲線看上去儘可能平順。

綜合這幾個模型的表現，在統一起點和統一槓桿條件下，六個 AI 最終全部實現了正收益，並不是因為它們突然具備了“戰勝一切行情”的能力，而是因為本輪測試的行情結構——震盪上行疊加尾段急跌——恰好讓它們有機會在前半程積累出足夠厚的利潤緩衝區。這些利潤墊在後期極端走勢中被消耗，卻仍然為它們留下了正收益的最終結果。對所有關注網格策略的人來說，這一事實再次強調：在這類策略裡，真正重要的不是單日收益多高，而是長期來看能否持續用震盪積累安全墊，並在突發行情中守住底線。

Qwen3 在兩場測試中的“反轉劇情”

如果只看數字，Qwen3 無疑是這兩輪實驗的“戲劇擔當”。在 NOF1 推出的“AI 炒幣實盤競技場”第一季中，這個華語模型與 DeepSeek 一同實現正收益，並憑藉後半段強勢拉昇，成功反超後者，拿下短線炒幣冠軍，而四個美系模型則全員虧損離場。那一季的結果，某種程度上揭示了短線環境的殘酷特性：高頻交易不只是放大收益，也同步放大了手續費、滑點和心態成本；複雜策略層出不窮，最後跑贏市場的，往往反而是那些在關鍵時刻敢於“做減法”的選手。簡單持有 BTC 在一段時間裡甚至超過了不少“聰明策略”的表現。

然而，一旦把舞臺從短線高頻換到網格，這個曾經的冠軍就變成了本輪測試中的“最大教訓”。在合約網格實驗中，Qwen3 曾在中前段表現亮眼，憑藉窄區間高頻觸網，在上漲階段快速衝高，某一時點月化利潤峰值達到 +41.88%，單日收益最高達到 65.48 USDT，一度看上去有機會延續“冠軍氣質”。但在後期 BTC 出現快速調整時，它遭遇了本次所有模型中最大的單次回撤，回撤幅度達到 8.12%。先前積累的大部分浮盈被迅速吞噬，最終累計收益只剩下 22.51 USDT，在六個模型中墊底。

對比各模型的引數就可以看出問題所在。Qwen3 在本次實驗中選擇了 108,000–112,000 美元的窄區間，網格數量為 20 個，實際上是一套為“中樞震盪”量身打造的高頻套利策略。只要價格圍繞這個區間來回波動，它就能頻繁捕捉價差，效率極高。在前半程震盪上行階段，這一設定確實讓它迅速累積了相當可觀的利潤。但當行情不再圍繞這條窄區間徘徊，而是一路跌到 103,000 美元附近時，108,000 美元的下限就從“吃利潤的刀口”，變成了“脫網的起點”。5,000 美元的脫網距離讓所有高位多頭網格在短時間內暴露於極不利的位置，而 5 倍槓桿則進一步放大了這部分風險。島式盈利被瞬間沖刷，利潤大幅回吐，也就成了必然結果。這個過程幾乎是一次教科書式的示範：窄區間策略在適配行情時確實非常鋒利，但在價格向單邊偏離時，缺乏任何縱深防禦，很容易被極端事件擊穿。

回想 Qwen3 在 NOF1 短線賽季裡贏得冠軍的過程，就會發現兩次表現並不矛盾。在那一次比賽中，它依靠的是對環境的靈活適配：在波動加劇的階段，直接採用單一 BTC 全倉策略，配合 5 倍槓桿和清晰的止盈止損，將複雜多標的、多策略簡化為一個方向清晰的高訊號倉位。這種在不確定環境下“主動減法”的能力，體現的是大模型在策略層面對複雜局面的理解與收斂能力，也因此收穫爆發式淨值增長。而 DeepSeek 雖然在風險控制上更審慎，Sharpe 比率等風控指標表現更好，但因為過於保守，未能充分捕捉 BTC 的主導機會。部分美系模型則因為過度激進，最終掉入全線虧損的結局。

相比之下，在網格實驗裡，Qwen3 更多呈現出的是“被動暴露”的一面：引數一旦設定，就不再進行中途調整，窄區間配置在上漲階段顯得銳利無比，一旦遇到單邊回撤，所有缺少防禦縱深的短板就會在短時間內集中暴露。前一次成功來自主動適應，後一次失手則源於靜態引數設計的不足，這恰好說明 AI 交易並不具備“一策通吃”的魔法。任何模型都需要首先匹配行情型別，在策略級別做出選擇，而不是依賴某一套引數在所有環境裡通殺。👉如果你對世界貨幣有興趣瞭解的話，不妨直接進行歐易OKX下載安裝註冊，這樣資源和資訊就更加直觀易懂。

回測中的“完美表現”

除了 Qwen3 的反轉之外，兩輪測試在回測與實盤之間的落差，同樣值得認真對待。在 OKX 與 AiCoin 於 2025 年 7 月 25 日至 10 月 25 日期間進行的歷史回測中，六個模型基於 BTC/USDT 永續合約的網格策略，從資料上看幾乎是“理想模板”：整個回測期沒有出現任何脫網風險，收益表現平穩、曲線漂亮，看起來像是一套可以直接照搬到實盤的“完美答案”。但到了 10 月 24 日至 11 月 4 日這段真實行情中，同一批模型卻出現了多次脫網和收益的劇烈波動，部分策略在極端走勢下暴露出明顯脆弱性。

從策略科學的角度來看，這種差異並不難解釋。回測本質上是把策略放到已經發生過的行情上重演一遍，模型在這個過程中很容易被“訓練到最適應歷史”，從而形成一種對過去資料的過度擬合。在這樣的情況下，零脫網、曲線完美有時反而是一種“假安全感”——它證明的是策略對過去的理解能力，卻並不能證明它對未來不可預見事件的承受能力。一旦真實行情在某個指標上突破了歷史軌跡的極限——比如這次突然出現的快速深度回撤，那些在歷史樣本中從未被真正測試過的極端情況，就會在實盤裡一次性顯形。

從這一點出發，本輪實盤給出的最重要提醒，並不是“回測沒用”，而是回測只能解釋策略與已知歷史之間的關係，而實盤則在考驗它是否有足夠的防禦冗餘。區間是否留得足夠寬，下限是否拉得夠低，防禦縱深是否允許“超出樣本”的行情發生，這些問題最終決定的是策略能不能在真正的極端環境中活下來。換句話說，一個看起來“非常聰明”的 AI，可能只是對歷史行情過度熟悉；真正經得住考驗的策略，從來不是繪出最平滑曲線的那個，而是在最惡劣行情下仍然能維持基本穩定、不輕易崩潰的那個。

工具與策略的分工：AI 決定“怎麼想”，網格負責“如何執行”

在這一輪測試中，還有一個常被忽略但事實上同樣重要的角色，是執行層面的工具。所有模型在本次實盤中採用的都是 OKX 合約網格（AiCoin AI 網格）工具。這套工具支援等差、等比、中性、多空網格等多種模式，可以自由設定價格區間、網格數量、槓桿倍數等引數，針對的就是震盪市中“分批建倉與分批止盈”的自動化執行需求。

從 Claude 到 GPT-5，從 Gemini 到 DeepSeek 與 Grok4，每一個模型最終能在這套工具之上跑出怎樣的效果，很大程度上取決於策略設計與執行引擎之間是否“配得上”。Claude 最終交出的穩定成績，很難只歸功於它“更聰明”；更準確的說法是：它所選擇的中寬中密方案，與歐易OKX網格引擎的執行邏輯高度契合——在合理區間內自動買賣、在震盪中穩健吃到價差、在急跌中用較低下限限制回撤。整個流程足夠清晰，風險邊界在事前就被劃定。

對 Qwen3 來說也是類似的邏輯。即便它在引數設定上過於激進，窄區間在極端行情下帶來鉅額壓力，但 網格工具所提供的分批建倉和分批平倉機制，仍然在一定程度上把風險攤平，避免了在高波動中直接出現“災難級滑坡”。它最終淪為墊底選手，但沒有演變成全面斷崖式崩盤，工具本身的執行機制在其中起到了緩衝作用。

對普通使用者而言，這樣的分工結構實際上給出了一個可以操作的現實路徑：AI 模型更適合用於提供引數建議、區間參考和方向判斷，而實際執行應交由穩定、透明、規則清晰的網格工具來完成。前者負責“思考”，後者負責“執行”，中間再由人來做風險邊界的最終裁決。只要這個三角關係處理得當，系統整體的風險輪廓就會較為可控。

兩次實驗留給交易者的現實啟示

如果把六個模型在 NOF1 短線實盤和這次網格策略測試中的表現放在一起看，最直接的結論就是：AI 的策略能力固然重要，但風險管理與工具選擇同樣關鍵。在短線投機環境下，高頻並不直接等於“高超”，過度交易與高滑點足以消耗掉大量策略優勢，甚至讓複雜策略還不如簡單的 HODL。反過來，在中性網格場景下，AI 藉助規則化、引數化框架，反而更容易把自身的計算優勢轉化為相對穩定的收益。

對於習慣使用 AI + 網格工具組合的使用者來說，有幾條經驗顯得尤為重要。震盪市環境下，中性網格往往是風險收益比最均衡的首選；在趨勢明確的時候，多網格或空網格才有更強發揮空間。區間和網格數的設定要儘可能迴避極端——區間太窄，容易在極端行情下大面積脫網；區間過寬，則可能錯過大量有效波動機會，導致效率低下。AI 給出的引數建議，可以作為一個基礎版本，但不宜完全照單全收，最終仍需要結合市場結構和自身風險承受能力進行人為修正。在所有這些步驟之前，回測和模擬盤依然有用，尤其適合幫助交易者先在“預演環境”裡看清策略的潛在弱點。

更現實的一點是，不論 AI 看上去多聰明，高風險策略永遠意味著高波動，收益不穩定是邏輯上的自然結果。市場的本質殘酷不會因為引入 AI 而改變，AI 只能成為工具，而不能成為護身符。真正決定一個賬戶能否長期存活的，依然是風險邊界是否劃得足夠清楚，防守是否比進攻更被當回事。在未來的賽季裡，這些模型還會繼續接受不同環境的檢驗。而對交易者來說，比起期待出現一個“永遠正確的 AI”，更現實的做法，可能是利用 AI 提供的視角和算力，在策略、工具與風控之間找到一個適合自己的平衡點。

免責宣告

本文章可能包含不適用於您所在地區的產品或服務相關內容。文中所有資訊僅用於一般性參考，不構成任何形式的投資建議或要約，也不應被視為購買、出售或持有任何數字資產的依據。文中觀點僅代表作者個人立場，並不代表歐易（OKX）官方或任何關聯機構的意見或立場。

數字資產（包括但不限於穩定幣）屬於高風險資產類別，其價格可能在短時間內出現劇烈波動，甚至存在完全損失本金的可能。在參與任何與數字資產相關的交易或投資之前，您應充分了解其運作機制及潛在風險，結合自身財務狀況、投資目標和風險承受能力，謹慎作出決定。如對個人情況存在疑問，建議事先諮詢具備專業資質的法律、稅務或投資顧問。

本文中出現的市場資料、統計資訊及相關圖表僅供參考使用。雖然在整理與編寫過程中已儘可能保持審慎，但對於其中可能存在的錯誤、遺漏或資訊滯後，作者及歐易不作任何明示或暗示的保證，也不對基於本文內容所作出的任何投資或交易決策承擔責任。若需瞭解更多風險資訊，請查閱平臺官方釋出的《使用條款》《風險提示》等檔案。