卡帕西力推指环王成为大模型评测基准

就在刚刚，大神卡帕西（Andrej Karpathy）宣布，"我们"Anthropic 已经开始用一种全新的方式，给大模型上强度——

据卡帕西介绍，这套"指环王基准"（Lord of the Rings Benchmark），正在接替过去风靡一时的"鹈鹕骑自行车"（Pelican on a Bike）SVG 测试。

具体来说，卡帕西直接把《指环王》的开篇文字丢给 Opus 5，让模型用 Three.js 现场生成一整个"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（Hobbiton），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儿，却实打实地花掉了 Opus 5：100 万 token、2 个小时以及 5500 行代码。

当然，舞台上并非只有 Claude Opus 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。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。

---

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》（A Long-Expected Party）的开篇：

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……

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。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。

---

就在卡帕西放出 Demo 后，不少网友也赶来测试了一番。

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（Low-Poly）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 Sonnet 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（Spatial Reasoning Benchmark）。

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！

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。

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（Playable Prototype）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？

---

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：生成一只鹈鹕骑在自行车上的 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。

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。

---

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。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。

与此同时，鹈鹕测试也有其优势：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。

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。

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（LLM）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。

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？