Show me《指环王》！卡帕西强推大模型评测新基准

henry 发自 凹非寺
量子位 | 公众号 QbitAI

话不多说，直接开始每日瘫坐（doge）！

就在刚刚，大神卡帕西宣布，“我们”Anthropic已经开始用一种全新的方式，给大模型上强度——

《指环王》。

据卡帕西介绍，这套“指环王基准”，正在接替过去风靡一时的“鹈鹕骑自行车”SVG测试。

具体来说，卡帕西直接把《指环王》的开头丢给Opus 5，让模型用Three.js现场搓出一整个“中土世界”。

至于最终效果嘛，多少有点像上世纪90年代末、21世纪初的国产3D动画片：很粗糙，也很抽象。

但客观来说，仔细看上一会儿，如果你又恰好熟悉坐落在新西兰的《指环王》取景地霍比屯，倒也确实能看出那么一丝味道～

不过，就是这么个看起来不太精致的玩意，却实打实地花掉了Opus 5：100万token2个小时以及5500行代码

当然，舞台上也并非只有Claude一模独自美丽。

最搞笑的，还得是网友新端上来的一碗DeepSeek V4 Flash版本。

直接一整个“中国人能飞”，画面人物全员漂浮。

面对这些目前肉眼可见的穿帮，卡帕西倒也相当中肯。

他指出，Opus 5目前还无法真正“进入”自己生成的世界，只能在不同时间点不断截图，再慢慢检查哪里出了问题。

而这恰恰暴露了当前大模型的一块明显短板：

它们已经能写代码、搭场景、生成游戏，却还不能真正看懂视频，也不会亲自玩一遍自己做出来的游戏。

两小时，手搓一个中土

咱们先来看这个“指环王”测试具体是怎么做的。

如果按照卡帕西推文的字面意思，这次输入给Opus 5的主要提示词，应该就是《指环王》正文第一章《期待已久的宴会》的开头。

袋底洞的比尔博·巴金斯宣布要举办盛大的111岁生日宴会，霍比屯立刻议论纷纷……

有兴趣的朋友可以自己试一下。

除此之外，卡帕西还在提示词里指定了Three.js，也就是一个用代码搭建3D场景的JavaScript库。

由此，Opus 5要完成的任务，就是先读懂《指环王》开头的文字，再把它翻译成一个能够在浏览器中实时运行的3D世界。

整个过程中，Opus 5需要用多边形拼出人物、建筑和道具，把它们逐个放进x、y、z坐标系，再安排好摄像机、灯光和动画。

人物什么时候移动，镜头往哪里转，灯光如何变化，场景中的物体又该如何互动，全部需要模型用代码定义。

虽然最后的画面称不上精致，而且经常出现穿模、漂浮等问题，比如人物的身体和脑袋分离……但整套场景好歹被真正搭了起来。

需要注意的是，这和视频模型直接生成一帧帧像素并不是一回事。

Three.js需要先把人物、物体和场景作为三维对象建立起来，再根据代码实时计算它们的位置、角度和运动状态。

所以，我们看到的Demo并不是一段普通的AI生成视频，而是一个3D网页场景运行时的录屏。

不过，卡帕西在评论区也提到，程序化3D和视频生成并不是二选一。

有网友提议，可以把这个粗糙的Three.js录屏交给Seedance充当参考视频，再让视频模型用更高的画质重新渲染一遍。

卡帕西很快表示赞同。

按照他的设想，程序化代码可以负责分镜和控制，先把人物站在哪里、镜头怎么运动、剧情如何推进这些骨架敲定。

接下来再把录屏交给Video-to-Video模型，让它补上纹理、光影和细节，把整个中土世界的“卖相”拉满。

至于音频，Opus 5这次倒没有一起包圆。

卡帕西表示，出于个人对音质的要求，最终使用的是ElevenLabs。

于是，开头那段有画面、有镜头、还有旁白的《指环王》Demo，就这么横空出世了。

卡帕西也已经将整个项目开源，具体链接可以参考文末。

网友比卡帕西有意思多了

就在卡帕西放出Demo后，不少网友也赶来测试了一番。

整体看下来，只能说：

这届网友比卡帕西有想象力多了。

有人用Claude启动了一个「Earth Online」项目，目标是靠一群AI Agent，把整个地球一点点搭出来。

目前，Agent还没造完整个地球，只搭出了一个低多边形风格的旧金山滨水区。但从现有画面来看，建筑比例、人物尺度和整体风格都保持得相当统一。

这个效果有点像那种乐高世界的动画片。画风不复杂，但人物、场景和动作能在同一个世界里稳定运行。

照这个方向继续走，简单画风的动画和轻量游戏，已经有了点AI原生的雏形。

还有网友用Fable 5和GPT-5.6 Sol搭出了纽约市的3D数字模型，并在其中接入实时数据。

模型不仅要把纽约的街道和建筑摆对，还要维持不同区域之间的空间关系。作者也因此提出，这种生成虚拟世界的任务，或许可以成为一种新的空间推理Benchmark。

更夸张的还在后面。

有网友没买到Kanye West的演唱会门票，干脆用AI在浏览器里给自己补办了一场。

整个项目依旧由Three.js搭建。只有一个HTML文件，没有调用任何现成的3D模型，舞台、人物和灯光全部由代码生成。

整场演唱会一共准备了14首歌，每首歌都有独立的灯光设计和一套专属的球形舞台视觉。

普通用户可以试听片段，连接Spotify Premium后，还能播放完整曲目和整场演出。

没抢到票，直接给自己生成一个包场，太亏贼了！

还没完！！！

卡帕西在原帖末尾还畅想，后续可以给这些3D世界加入玩法，让玩家以旁观者、NPC甚至故事角色的身份进入其中。

结果游戏版本还没等卡帕西安排，网友已经做出来了。

这个项目同样使用Opus 5和Three.js，不仅能运行和交互，连音频都配上了。

更多3D设计案例也在不断出现。从建筑比例、空间布局到场景风格，Opus 5已经能在规模不小的项目里维持相对稳定的一致性。

类似实例还有很多，这里就不逐个展示了。

客观来讲，这些作品距离真正成熟的游戏仍有距离。

眼花缭乱的玩法是否有趣、长时间运行是否稳定、玩家会不会真的愿意在里面待上15分钟，目前都还没有答案。

但实时3D内容和可玩原型的制作门槛，确实被向下推了一大截。

更何况，能有一种新的方法测试模型能力，同时又足够有趣、好玩，岂不美哉？

鹈鹕，骑到头了

那么，为啥突然要让大模型生成《指环王》呢？

这还得从前几年爆火的“鹈鹕骑自行车”测试说起。

这道题最早来自开发者Simon Willison，要求只有一句话：

生成一张鹈鹕骑自行车的SVG图片。

虽然这题目看起来简单，但其实它相当考验模型。

因为SVG看起来是一张图片，底层却是一串代码。

模型不仅要知道鹈鹕和自行车分别长什么样，还得把它们拆成线条、圆形和多边形，再用坐标安排好每个部件的位置关系。

更关键的是，鹈鹕和自行车本身就不怎么般配。

自行车的车架、轮胎和踏板必须保持正确的几何结构；鹈鹕则长着大嘴、短腿，以及一副怎么看都不像会蹬车的身材。

两者一组合，模型到底有没有理解空间关系，几乎一眼就能看出来：

轮子歪没歪、脚踩没踩到踏板、鸟到底是在骑车，还是被车架当场肢解。

看看上面这些24年年底的demo吧～

正因如此，“鹈鹕骑自行车”一度成了民间观察大模型空间理解、物体组合和代码生成能力的经典测试。

但随着模型越来越强，这只鹈鹕也快骑到头了。

看看下面DeepSeek R1和DeepSeek V4的表现就知道，如今的模型已经能把这道题完成得相当像样。

更重要的是，一张SVG只能考察模型的一次性输出。

它测不出模型能不能规划一个复杂项目、连续工作几个小时，并在几千行代码里反复检查和修正自己的错误。

于是，卡帕西把一道“画张图”的小题，换成了“搭个世界”的大工程——

鹈鹕可以下车了，中土世界正式接棒。

卡帕西的鹈鹕

很快，卡帕西准备给“鹈鹕测试”换题的消息，也传到了各大社区。

Hacker News的高赞评论认为，虽然这些Demo的画面质量都很一般，但这恰恰说明，我们需要一个比生成单张图片更难的新测试。

新的基准不该只看模型能不能把图画对，还要考察它能不能理解一个世界。

毕竟，“鹈鹕骑自行车”已经用了太久。

模型不断针对这类任务刷榜，彼此之间的差距越来越难看出来。

相比之下，生成一个完整的3D世界，需要模型理解人物和物体之间的空间关系，处理镜头、动作和场景变化，而不是简单调用视频生成模型吐出一段画面。

当然，也有人提出反对意见。

鹈鹕测试足够简洁，成本低，结果也容易比较。

为了测一次模型，消耗那么多Token生成整个3D世界，多少有点拿算力放烟花的意思。

与此同时，Three.js本身能不能衡量大模型的综合能力，也遭到了质疑。

有人认为，这类Demo最多只能证明Anthropic在Three.js代码上训练得不错，不能说明模型真的理解了空间和物理世界。

但很快就有网友反驳：

把一段抽象、含义模糊的文学文本转化成3D动画，模型需要同时处理空间关系、物理规律、日常物体，以及3D变换和计算机图形学中的数学问题。

如果这还只能算“会写Three.js”，多少有点低估这5500行代码了。

还有网友提出了一个更开放的问题：

所谓“空间推理”，真的和大模型平时处理文字、代码时的推理不同吗？

一种观点认为，画面能否成立，取决于模型是否理解“前后、内外、远近、遮挡”等空间关系，以及物体在不同视角下的距离、角度和相对大小。

但另一种观点认为，无论模型处理的是“石头旁边”，还是“数组里面”，做的可能都是同一件事：根据上下文逐个生成Token，并在这个过程中完成推理。

如果是这样，那么，Opus 5展示的就不只是一项突然冒出来的“空间能力”。

更可能的情况是，大语言模型原本用于理解文字和代码的通用推理能力，已经开始自然延伸到三维世界。

从画一只鹈鹕，到搭出一个中土世界，题目看起来变了，但背后测试的或许始终是同一个问题：

模型能不能把自己对世界的理解，转化成一套真正能够运行的结构。

而在最后，也许还有一个更加离谱的问题——

如果通用大模型已经能够自己写代码搭建3D世界，再调用Seedance、ElevenLabs等API完成画面和声音，那么用户还有多少必要，亲自打开一个专门的视频生成产品输入Prompt？

[1]https://karpathy.ai/lotr-movie/
[2]https://simonwillison.net/2025/Jun/6/six-months-in-llms/
[3] https://x.com/wizardbrainz/status/2083012159341203708
[4]https://x.com/aniketjart/status/2083645765097033845
[5]https://x.com/davidfromkansas/status/2075691129899528254
[6]https://x.com/MindaugasLT/status/2083488027343470939