2026 年 9 月 3 日，Sharif Shameem 发布了旧金山艺术宫的重建作品。他表示，这个作品是用 GPT-6 Astra 在 Blender 中完成的。两天后，Simon Willison 记录了交给同一软件的另一项任务：一只骑自行车的鹈鹕。他分享了结果、脚本和场景文件。
建筑更壮观，鹈鹕却更有历史。早在 2024 年 10 月，Willison 就已经要求语言模型画出这个动物与这种交通工具的组合。那时，他期待的是用代码绘制的图画。如今，他可以在三维制作工具中打开结果。
这两项任务之间，藏着一段 AI 进步的小历史。在社交媒体上，人们用画得很糟的鸟、微型电子游戏和穿墙的小球讲述它们。这些测试保留了成绩表不太容易解释的东西：在每个时期，什么会让我们觉得难以置信。
在 X 查看原始视频
不看解释也能理解的测试
正式基准测试试图通过规定的任务、条件和标准衡量能力。民间的“操场测试”则从另一种方式开始：有人提出点子，展示结果，其他人也决定试一试。
它的优势是，观众事先就知道大部分事情应该如何发生。自行车有两个轮子。鸟与踏板之间应该有可辨认的关系。关在容器里的球不应该穿过容器。游戏角色应该响应按键。
这种熟悉感降低了参与门槛。理解一个分数，需要知道评估什么、与什么比较。发现小球跑了出去，只要看一眼就行。可见的失败也便于指出、讨论，并换一个模型重新尝试。
幽默让任务容易记住，重复让变化容易识别。每次新模型发布，都会遇到一小组没有获得任何正式批准、却已经被社区共享的问题。
结果容易看懂也会带来偏差：能产生吸睛画面的任务更容易被记住。一次顺利的迁移、一条优化后的查询，或一个难以复现的错误，可能重要得多，却很难拍成同样好看的视频。
鹈鹕之前，有人试着吃意大利面
2023 年 3 月，Reddit 用户 chaindrop 发布了一段用 ModelScope 生成的视频，内容是威尔·史密斯吃意大利面。脸、面条和动作以一种难忘的方式不断变形。这个结果后来成了比较视频模型时反复出现的参照。
在 Reddit 查看 chaindrop 于 2023 年 3 月发布的原始视频。
这里首先要区分两件事：生成一个人吃东西的连续画面，与编写动画程序，是不同的任务。它们都采用热门测试的形式，却不构成同一条技术刻度。
它们也面临相同的风险：比较可能丢失上下文。2024 年 2 月，威尔·史密斯本人拍摄了一段真实的吃面恶搞视频，并将其与旧视频放在一起。有些人把这段剪辑理解成了视频生成技术的进步。所谓的新结果，其实是演员在开玩笑，Ars Technica 对此有记录。
图像容易理解，弄清它来自哪里可能要多花一些功夫。
如果到此为止，比较仍然不完整。2026 年 2 月 10 日，Carlos Santana，也就是 @DotCSV，发布了用 Seedance 2.0 完成的同一任务。这提供了一个较新的比较终点，作者、模型和日期都可以确认：我们可以回看 2023 年的视频，观察脸、手和面条在运动过程中发生了什么。这里的日期指原始发布，而不是后来有人再次转发的时间。
在 X 查看原始视频
代码有了展示窗口
2024 年 6 月，Anthropic 随 Claude 3.5 Sonnet 推出了 Artifacts。模型创建的内容可以出现在对话旁的窗口里，用户能直接查看并继续修改。
这个界面变化有助于解释游戏和小应用为何流行起来。要求生成 Pong、贪吃蛇或 HTML 页面，就能得到易于展示的结果。用户可以与之交互，录下几秒视频，而不必先把对话变成一堂如何运行代码的教程。
6 月 20 日，Nick Dobos 发布的正是这样的例子：他要求生成 Pong，并在 Artifacts 中展示了游戏。两个球拍、一颗球和计分板，就足以让人认出这项任务。代码不再需要先复制到别处才能检查有没有用；对话与结果共享同一个屏幕。
在 X 查看原始视频
模型进步与使用阻力降低相互促进。一项能力越容易尝试，就越多人发现用途、错误和变体。展示窗口本身也有助于人们发现工具能做什么。
2024 年 12 月，WebDev Arena 把这种比较组织得更系统：将同一个请求发送给两个模型，由用户选择更喜欢的结果。Willison 考察的版本面向 React、TypeScript 和 Tailwind。它衡量的是这个特定环境中的偏好；不能因为它的名字，就把它理解为对整个 Web 开发领域的评估。
到了 2026 年 9 月，“一个 HTML 文件里的游戏”仍然存在。4 日，@claudeebum 展示了 Astra 在单个文件中生成的马里奥 1-1 关卡草稿。据该帖介绍，生成花了两分钟。容器还是 2024 年的容器，但里面已经放得下场景、滚动和更多游戏规则。
在 X 查看原始视频
同一天，@AiBattle_ 发布了使用 Astra 在 Godot 中制作的两个 3D 索尼克游戏版本，分别采用中等和最高推理强度。这里的环境也变了：Godot 是游戏引擎，提供场景、动画和物理工具。相比罗列期间发布过的模型版本，观看这两个演示更能看出它与 Pong 之间的跨度。
在 X 查看原始视频
鹈鹕让所有人面对同一幅画
2024 年 10 月 25 日，Willison 用一个简短请求比较了 16 个模型：
Generate an SVG of a pelican riding a bicycle
SVG 是一种用代码描述形状的图像格式：圆、线、曲线、颜色和位置。模型需要编写指令，让这些指令在浏览器中打开时组成可辨认的场景。
Willison 选择这个组合，是因为他喜欢鹈鹕，也认为训练数据中不太可能恰好存在这种 SVG。这是一种直觉上的预防措施，并不能保证例子真的不存在。
Sonnet · 2024 年 6 月
Sonnet · 2024 年 10 月
这幅画把几种要求集中到了一起。各个部件必须出现，保持比例，并建立彼此的关系。一只鸟待在自行车旁边，与一只鸟骑在自行车上，并不完全满足同一项要求。
因此，我们可以讨论构图和指令遵循能力。若声称结果证明了普遍的空间理解能力，则还需要更多测试。恰恰因为例子好，这一区分才重要：它让差异可见，而不必赋予它超出画面所证明的意义。
后来，鹈鹕走出了模型对比帖。2025 年 5 月 20 日，它在 Google I/O 主题演讲中短暂出现，Willison 在博客中记录了这一幕。这个梗已经足够知名，能够进入厂商的发布演讲。
同一幅画也有本周的版本。2026 年 9 月 4 日，Willison 发布了一张对比网格，展示 Astra 与 GPT-5.6 Sol、Terra、Luna 在不同推理强度下生成的 SVG 鹈鹕。我们不再只是比较 2024 年的两个 Sonnet：同一个任务也能交给当前模型观察。即便如此，仍有细节没有解决；Willison 指出，低于最高推理强度时，Astra 不能稳定地把双腿放在车架两侧。
9 月 1 日，他还取出 Fable 5.1 在最高推理强度下生成的 SVG，再用高推理强度要求它做成动画。鸟已经会踩踏板了。视频由这份 SVG 导出；作者提醒，MP4 中的车轮看起来在反转，他认为这与转换有关。视觉进步伴随着一个可以追溯的制作过程。
六边形测试需要等事情发生
2025 年 1 月 31 日，Flavio Adamo 发布了 o3-mini 与 DeepSeek R1 的比较。他要求编写一个 Python 程序：一颗球在旋转的六边形里运动，受到重力和摩擦影响，并且真实地从墙壁反弹。
这项要求增加了时间条件。一张截图可能看起来正确，几秒后小球却穿过了边界，或者卡在角落里。
在 X 查看原始视频
运动中的墙壁会产生影响：它可以把速度传递给小球。程序需要考虑两者在碰撞点的运动状态，还要避免模拟时间步让小球穿越边界。即使从未编写过碰撞代码，观众也能直觉地理解这个难点。
2 月 18 日，Theo 发布了 Grok 3 在同一任务上失败的结果。视频展现了这个测试的另一半吸引力：一个新模型可以带着很高的分数登场，却在 X 上遇到一颗不遵守容器规则的小球。
在 X 查看原始视频
然而，好看的动画可能掩盖错误的模拟。一次运行失败，也不足以确定两个模型在总体排行榜中的位置。我们还需要知道尝试次数、指令、推理模式，以及判定成功的标准。
六边形告诉我们一件有用的事：多看一会儿，结论可能就变了。同样的道理也适用于重启前一直正常的游戏，或者最显眼的按钮其实毫无作用的网页。
2026 年 9 月 5 日的版本把问题变得更难：几十颗大小不同的球、球与球之间的碰撞，以及一个反向旋转的中央障碍物。Tom Farnschläder 在 DataCamp 上发布了 Astra 和 Fable 5.1 各一次运行，两者采用相同工具和高推理强度。按照他的检查，两者都让小球在容器里保持了三十秒；Fable 的结果出现了一些粘墙现象。每个模型只执行了一次任务，但允许使用工具，所以这也没有复现 2025 年的条件。
Blender 早已存在，变化的是任务
语言模型与 Blender 的连接并非始于 2026 年 9 月。2025 年 3 月 11 日，Siddharth Ahuja 就通过一段低多边形巨龙守护宝藏的演示介绍了 Blender MCP。
MCP 提供了一种将助手接入工具的方式。在这个例子中，集成允许查询场景、创建和修改对象，并在 Blender 内执行代码。通往三维应用的桥梁早已存在。
在 X 查看原始视频
Willison 在 2026 年 9 月 5 日记录的例子走了另一条路：编程代理通过 Blender 的 Python API 执行脚本，用代码控制软件，而不必复现人类操作时的每一次点击。
完成第一只鹈鹕后，他要求增加背景和细节，接着又要求进一步改进。他发布了三个阶段的文件和对话记录。这些文档可以帮助读者区分初次生成的结果与多轮修改逐渐积累的工作。
结果的类型改变了下一步可以提出什么要求。场景包含对象、材质、灯光和摄像机。如果结构搭建得当，我们可以修改其中一部分，再重新渲染，也就是根据场景计算一张新图像。
能够保留和编辑这种结构，与视频的视觉完成度同样重要。它允许我们在多个镜头间保留同一个对象、改变摄像机，或调整一盏灯，而不必从头再做。也允许从内部检查制作成果。
同一周的另一个例子扩展了任务范围。9 月 4 日，Duncan Trussell 发布了一组 Backrooms“后室”场景：恐怖风格的走廊，加上 VHS 录像带效果。据他介绍，Astra 在 Blender 中搭建了场景，也制作了音效。他称共用了大约五条指令，制作花了三十分钟，导出又用了二十分钟。
在 X 查看原始视频
视频将氛围、场景巡游与视听加工结合在了一起。与当年的 Pong 相比，值得注意的是，如今一个任务容纳了多少种不同工作。结果看起来可能像视频生成器的产物，但 Trussell 描述的过程，是在三维应用中搭建并渲染场景。
这并不意味着每份文件都会自动达到生产要求。还需要检查其组织方式、几何结构和修改后的行为。但问题已经比“画面是否惊艳”更具体：交付的工作中，哪些部分可以继续使用？
当所有人都知道问题
流行带来一个悖论。鹈鹕提示词最初是为了寻找不常见的组合。随着不断重复，结果逐渐成为公开讨论的一部分。于是，一个合理的问题出现了：进步反映的是广泛能力，还是对这道题的专门准备？
Dylan Castillo 在 2026 年 7 月尝试调查这一怀疑。他使用七个模型，将八种动物与六种交通工具组合，共生成了 1,008 份 SVG。这样就可以把骑自行车的鹈鹕与其他场景比较，而不只是观察那句著名提示词。
他没有发现这个特定组合具备统计上明确的优势。研究也有局限：每个组合、每个模型只有三个样本，由一个模型评判图像，而且无法检测针对 SVG 生成能力的整体优化。它不能证明定向训练不可能发生，也不能让我们认定这种训练已经发生。方法、结果和代码。
换一种动物和交通工具，是改善问题的简单办法。改变容器形状，或要求修改一个已有场景，也同样有效。如果相关条件变化后能力仍然保持，我们就能学到比无限重复同一任务更多的东西。
下一道测试，或许是保留已经正常的部分
这些演示值得关注。它们让能力变得可见，邀请人们尝试，并提供讨论失败的共同语言。一个好例子，可能比一个我们几乎不了解含义的总分，更能说明某种具体行为。
帖文很少展示尝试了多少次、后面追加了什么指令，以及环境贡献了多少工作。给模型一次写代码的机会，与允许代理执行代码、观察结果并修改，是两种不同条件。要比较进步，最好知道自己看到的是哪一种。
我们的期待也发生了变化。起初，出现可辨认的东西就够了。后来，我们希望它能运行、能响应，而且不会几秒钟后就坏掉。如今，一些演示会交付可以打开并继续开发的项目。
鹈鹕帮助我们记住这种变化，而不必将其变成型号和版本的竞赛。Blender 场景保留了一个 2024 年的笑话，同时也支持旧日图画无法承担的新任务。
下一道“操场测试”，也许会要求不那么显眼的事情：移动摄像机但不改变场景，修复碰撞但不破坏游戏，或添加功能同时保留旧功能。曾经，我们问鹈鹕能不能骑上自行车。现在，我们可以开始检查：修改周围其他东西以后，它是否还在继续踩踏板。
查看 Astra 制作的迈索尔宫 · MV Karan · 2026 年 9 月 5 日
最后，我们把这些测试组合成了一款游戏
写完这篇文章后，我们把其中几项测试组合成了 Pelican Grand Prix，一款用 Codex 和 Three.js 构建的赛车游戏。主角是一只骑自行车的鹈鹕，在竖直的六边形赛道上比赛。内侧还有一个反向旋转的六边形，两者之间有不断弹跳的球。
我们一边玩一边调整：改进刹车、为漂移增加加速奖励，并修复擦碰坡道侧面时的碰撞问题。现在的版本经历了多轮指令和修改。这是一个仍在完善的实验，也让我们能亲自检验文章结尾提出的问题。
在浏览器中打开。游戏界面为英语，支持键盘和触控操作。
来源
- MV Karan — Mysuru Palace, 2026-09-05.
- Carlos Santana — Seedance 2.0, 2026-02-10.
- @claudeebum — Mario 1-1 / Astra, 2026-09-04.
- @AiBattle_ — Sonic / Godot / Astra, 2026-09-04.
- Simon Willison — The Pelican comparison grid for Astra is pretty interesting, 2026-09-04.
- Simon Willison — Claude Fable 5.1 made me a really nice animated pelican, 2026-09-01.
- Tom Farnschläder — GPT-6 Astra vs Claude Fable 5.1, 2026-09-05.
- Sharif Shameem — Palace of Fine Arts, 2026-09-03.
- Simon Willison — Using Blender with coding agents on macOS, 2026-09-05.
- Chaindrop — Will Smith eating spaghetti, 2023-03.
- Ars Technica — Will Smith parodies viral AI-generated video by actually eating spaghetti, 2024-02-20.
- Anthropic — Claude 3.5 Sonnet, 2024-06.
- Nick Dobos — Pong / Claude Artifacts, 2024-06-20.
- Simon Willison — Pelicans on a bicycle, 2024-10-25.
- Simon Willison — WebDev Arena, 2024-12-16.
- Flavio Adamo — o3-mini / DeepSeek R1, 2025-01-31.
- Theo — Grok 3, 2025-02-18.
- Siddharth Ahuja — Blender MCP, 2025-03-11.
- Blender MCP — GitHub.
- Simon Willison — Google I/O, 2025-05-20.
- Dylan Castillo — Are AI labs pelicanmaxxing?, 2026-07-18.
- Duncan Trussell — Backrooms / Astra / Blender, 2026-09-04.
