1. 卡帕西暴露 Opus 5 新边界过去人们常用一道颇具喜感的题目测试大模型“请生成一张鹈鹕骑自行车的可缩放矢量图。”下面这张图是 ChatGPT 为其生成的。这道题看似简单实则需要模型理解自行车的结构、鹈鹕的身体组成以及两者之间的空间关系再用一系列坐标、路径和图形元素把它们组合起来。模型画出的鹈鹕究竟是坐在车上、悬浮在空中还是与自行车融成一团往往能直观暴露其空间推理能力。然而现在 Andrej Karpathy 认为评价前沿模型的方式可能需要再次升级。8 月 2 日Karpathy 在 X 上公布了一项实验。他把《指环王》第一章开头的一段文字交给 Claude Opus 5给出 100 万 Token 的推理预算——按他的估算约为 10 美元——并要求模型用 Three.js 把这段故事渲染成一个三维场景。这条帖子的浏览量已经超过 280 万。Opus 5 运行了约两小时最终写出大约 5500 行代码。成品并不精致Karpathy 称它“有些粗糙但很好玩”但真正让他感到不可思议的是一个语言模型需要自行决定场景中应该出现哪些角色、房屋、道路和植被把各种多边形资产放进三维坐标系再编写动画、镜头和时间轴逻辑让这些对象按照故事发展运动起来而它最终确实完成了一个能够在浏览器中运行的结果。这不是简单地把文本交给图像或视频生成模型再得到一段像素画面。Opus 5 采取的是一条更接近传统游戏开发的路线通过代码创建几何体、材质、灯光、摄像机和动画搭建一个显式存在的三维场景。在这样的系统中一棵树不只是画面中的一团绿色像素而是场景树中的一个对象道路、房屋和角色都有对应坐标镜头何时靠近、角色从哪里走到哪里、字幕在什么时间出现也需要被写进程序。Anthropic 在 7 月 24 日的 Opus 5 发布公告中也将视觉输出列为这一代模型的主要提升之一并展示了模型生成的交互式风洞和细胞结构。官方将 Opus 5 定位为适合长时间、多步骤任务的模型强调其能够反复检查结果、建立测试工具并在复杂任务中持续迭代。Karpathy 的实验则把这种能力推到了一个更开放的场景没有明确的功能列表没有现成的美术资源也没有逐个给出对象坐标模型必须自己判断“一段小说应该怎样变成一个可以运行的 3D 叙事”。Karpathy 尤其关注的并不是这段《指环王》动画本身而是它背后的经济性变化。按照传统流程为一段小说开头单独制作一个 3D 动画需要编剧拆分场景、美术制作资产、程序员搭建交互与动画。即便最终只供一个人观看这套成本也不会明显降低。由于需求过于定制绝大多数类似想法根本不会进入制作阶段。LLM 改变的首先不是作品质量而是“是否值得开始”。模型不在乎任务是否琐碎也不在乎 5500 行代码最终只被播放一次。只要推理成本足够低过去因为过于个性化、投入产出比太低而无人制作的内容都可能被临时生成出来。Karpathy 将其描述为一种“按需生成的临时版 GTA”用户可以指定任何小说、历史事件或虚构设定让模型临时搭出一个世界玩家既可以作为旁观 NPC 进入故事也可以成为其中一个角色甚至改变原本的叙事走向。这意味着生成式 AI 正在把内容定制从“更换角色名字、调整几张图片”推进到结构层面场景、交互规则、角色关系和故事进程都可以根据单个用户即时生成。2. 用游戏测试模型网友早就玩嗨了Karpathy 的实验并非孤例。Opus 5 发布后X 上的开发者迅速把三维游戏和物理模拟变成了一种非正式压力测试。开发者 Matt Shumer 展示了一款由 Opus 5 生成的第一人称射击游戏“Claude of Duty”。据他介绍项目从场景到贴图均由代码生成没有使用任何外部美术资产。Alex Ermolov 则让 Opus 5 制作了一段滑雪板体验。他评价称在自己测试过的模型中Opus 5 处于领先位置第一次生成的版本就没有明显视觉故障滑行的物理反馈也相对自然。另一位用户 ChrisGPT 把一年前 Claude 4 Opus 的输出与 Opus 5 进行对比。同样是生成一辆行驶在泥路上的汽车旧版本主要由简单色块组成而 Opus 5 已经开始自动加入车辙、植被、阴影和分层光照。更极端的测试来自 Pankaj Kumar。他让 Opus 5 重建《我的世界》最终得到一个包含 15 种生物群系、创造与生存模式的程序化世界图形、纹理和声音都在运行时生成。不过这次任务使用了约 2500 万 Token也说明随着世界规模扩大成本和代码复杂度仍会快速增长。atomic.chat 还让多款模型分别生成龙卷风、摆锤撞击建筑等物理场景。按照该团队自己的测试结论Opus 5 是少数能够同时处理多个场景的模型之一。需要说明的是这类演示通常没有统一的提示词控制、运行次数和评分标准因此更适合被视为开发者实验而不是严格的模型基准。这些作品的共同之处是都告别了依赖传统游戏资产库让模型直接把几何体、纹理、物理和交互写成代码。相比单张图片测试对象开始变成长时间运行的系统角色能否移动、对象会不会穿模、碰撞是否正确、几十秒后场景状态是否仍然一致。3. 很强但不是真正意义上的“世界模型”尽管看起来像一个生成式世界Karpathy 的实验与谷歌 DeepMind 的 Genie 等世界模型仍有明显区别。Opus 5 生成的是一套显式程序。场景中的对象、坐标和行为由 Three.js 代码决定开发者可以阅读、修改和复用代码。其优势是结构清晰、控制性较强但模型只能生成自己能够用程序表达出来的对象和规则。Genie 3 采取的则是生成式视频路线。根据谷歌 DeepMind 的介绍它可以根据文本实时生成 720p、每秒 24 帧的可交互环境并在几分钟内保持一定视觉一致性。它不需要显式创建每一个三维模型而是直接根据玩家操作预测下一帧画面。两条路线解决的是不同问题。代码生成世界更像“AI 自动编写一个小型游戏引擎和关卡”结果可编辑、可调试但视觉上容易粗糙神经世界模型更像“实时生成一个可以进入的视频”画面表现可能更丰富却缺少传统游戏引擎中明确的对象、状态和规则。未来的产品也可能融合两者LLM 负责规划任务、设计规则和生成代码世界模型负责画面、物理直觉与环境反馈。这次实验最值得注意的部分是 Opus 5 检查这些代码的方式。Karpathy 指出模型不能高效、原生地观看连续视频也不能像真人测试员一样进入游戏持续移动、碰撞、回头观察再判断哪里出现问题。它只能运行程序在若干时间节点截取静态画面然后根据截图修改代码。这个循环既缓慢又很容易漏掉只在运动过程中出现的问题。例如角色可能在某一帧看起来位置正确却在几秒后穿过地面摄像机在单张截图中没有问题运动时却可能突然转向碰撞、速度和操作手感更难通过几张图片判断。因此画面中仍然留下了不少错位和粗糙之处。Karpathy 由此认为视频理解、连续状态感知以及真正“玩游戏”的能力仍是当前大模型明显不足的原始能力。这暴露出一个正在变得越来越重要的矛盾模型生成内容的能力正在快于它验证内容的能力。对于普通代码模型可以运行单元测试、查看错误日志、比较文本输出但面对动画、游戏、机器人和复杂用户界面正确性不再只存在于文字和数值中而是分布在连续时间、视觉状态和交互反馈里。如果模型无法亲自体验自己生成的系统就很难形成完整的“生成—执行—观察—修正”闭环。4. 大模型评测的微妙变化从鹈鹕骑自行车到《指环王》三维世界大模型评测正在发生一个微妙变化。过去的问题是模型能不能写出代码、画出图片、生成一个可以运行的页面。现在的问题逐渐变成它能不能连续工作两小时甚至更长时间组织数千行代码保持对象、任务和目标的一致性完成之后它能不能主动进入系统发现那些没有出现在错误日志中的问题。Opus 5 生成的还不是一款真正的《指环王》游戏约 10 美元也只是 Karpathy 给出的 Token 预算估算并不包含人工设计、运行环境、验收、修改和正式制作成本。但这个实验依然意味着一个重要变化以前因为“太麻烦、太小众、没有人愿意做”而不存在的软件和内容现在可能只需要一句描述和一笔很小的推理预算。模型已经开始具备建造临时世界的耐力。接下来的关键是它什么时候能够真正看见、进入并理解自己建造的世界。这不禁让人发问大模型在未来能否突破现有的局限实现更完美的内容生成与验证呢