从鹈鹕到指环王：大模型评测新基准揭示空间推理真相
评测范式的代际更迭：当鹈鹕不再骑车
在人工智能领域，评测基准的演变往往映射着模型能力的边界拓展。过去几年，“鹈鹕骑自行车”SVG测试曾作为衡量大模型空间理解与代码生成能力的经典标尺，风靡开发者社区。这道看似简单的题目，要求模型将鹈鹕与自行车拆解为几何图形，并通过SVG代码重构其空间关系。然而，随着DeepSeek R1、DeepSeek V4等先进模型的涌现，这一测试的区分度已显著下降。模型不仅能生成结构正确的SVG，甚至能处理复杂的几何变换，使得该测试逐渐沦为“刷榜”工具，失去了评估模型深层推理能力的价值。
面对这一困境，Anthropic创始人安德烈·卡帕西（Andrej Karpathy）提出了一个更具挑战性的新基准：《指环王》。这一提议并非简单的创意游戏，而是旨在通过构建一个完整的3D虚拟世界，来全面考察大模型在复杂场景下的综合处理能力。与生成单张静态图片不同，构建3D世界需要模型理解人物、建筑、道具之间的空间关系，处理摄像机运动、灯光变化以及动画逻辑。这一转变标志着大模型评测从“静态图像生成”向“动态世界构建”的跨越，也揭示了当前AI技术在空间推理与交互体验上的新短板。
技术解构：Three.js与中土世界的代码实现
卡帕西提出的测试方案极具代表性：将《指环王》第一章《期待已久的宴会》的文本输入给Opus 5模型，要求使用Three.js库在浏览器中实时渲染出一个3D中土世界。这一任务看似简单，实则涉及多个技术层面的复杂挑战。首先，模型需要理解文学文本中的抽象描述，并将其转化为具体的三维坐标、多边形网格和材质属性。其次，Three.js作为基于JavaScript的3D引擎，要求模型编写数千行代码来定义场景中的每一个对象，包括霍比特人的体型、袋底洞的建筑结构以及宴会的灯光布局。
在实际操作中，Opus 5生成了约5500行代码，耗时2小时，消耗了100万token。尽管最终呈现的画面略显粗糙，人物模型甚至出现穿模或漂浮现象，但其核心价值在于验证了模型能否将非结构化的自然语言转化为可执行的3D场景代码。与视频生成模型直接输出像素帧不同，Three.js生成的场景是程序化的，这意味着模型必须显式地定义物体的位置、角度和运动状态。这种“代码即场景”的方式，不仅考验模型的代码生成能力，更考验其对三维空间逻辑的理解深度。
社区创新：从旧金山到虚拟演唱会的无限可能
卡帕西的提议迅速在开发者社区引发连锁反应，网友们的创造力远超预期。有人利用Claude启动了“Earth Online”项目，试图通过AI Agent逐步构建整个地球，目前已完成旧金山滨水区的低多边形风格搭建。该项目展示了AI在大规模场景生成中的潜力，建筑比例、人物尺度与整体风格保持高度统一，呈现出类似乐高动画的视觉效果。此外，还有开发者利用Fable 5和GPT-5.6 Sol构建了纽约市的3D数字模型，并接入实时数据，验证了空间推理在虚拟城市模拟中的应用前景。
更令人惊叹的是，有用户仅用HTML文件和Three.js代码，在浏览器中复刻了Kanye West的演唱会。该项目未调用任何现成3D模型，舞台、人物和灯光全部由代码生成，并支持14首歌曲的独立灯光设计与球形舞台视觉。用户甚至可以通过Spotify Premium播放完整曲目，实现了视听同步的沉浸式体验。这些案例表明，大模型在3D内容生成领域的门槛正在迅速降低，从简单的场景搭建到复杂的交互体验，AI正逐步具备构建完整虚拟世界的能力。
局限与挑战：从生成到交互的鸿沟
尽管《指环王》基准展示了大模型在3D生成方面的进步，但其局限性同样明显。卡帕西指出，当前模型尚无法真正“进入”自己生成的世界，只能通过截图检查错误，缺乏自我验证与交互能力。这暴露了AI在空间推理与物理模拟上的短板：模型能写出代码搭建场景，却无法像人类一样通过视觉反馈实时调整策略。此外，Three.js生成的场景在长时间运行下的稳定性、玩家交互的趣味性以及内容的一致性，仍是待解决的难题。
与此同时，关于新基准的争议也在持续。支持者认为，构建3D世界需要模型处理空间关系、物理规律及计算机图形学数学问题，比生成SVG更具挑战性；反对者则质疑，消耗大量算力生成3D场景是否“性价比”过低，且Three.js代码能力是否等同于真正的空间理解。有观点指出，无论处理文本还是3D坐标，模型本质上都在进行Token预测与上下文推理，空间能力可能是通用推理能力的自然延伸。这一争论揭示了AI评测的核心难题：如何区分“代码技巧”与“真实理解”。
未来展望：程序化3D与视频生成的融合
面对当前技术的局限，卡帕西提出了“程序化3D+视频生成”的融合路径。他认为，Three.js等程序化代码可用于控制分镜、镜头运动与剧情推进，生成粗糙但结构正确的3D录屏；随后，利用Seedance等Video-to-Video模型，将录屏作为参考，重新渲染出高画质、高细节的最终视频。这种“骨架+血肉”的模式，既保留了程序化生成的可控性，又利用了视频生成模型的美学优势，有望大幅提升3D内容的视觉质量。
此外，音频处理也是未来完善虚拟世界的关键环节。卡帕西在《指环王》Demo中使用了ElevenLabs生成旁白，证明了多模态整合的可行性。随着模型对空间、时间、声音等多维度信息的理解加深，虚拟世界将不再局限于视觉呈现，而是向沉浸式交互体验演进。用户或许不再需要专门打开视频生成产品，而是通过自然语言指令，直接生成包含画面、声音、交互逻辑的完整虚拟场景。
结语：空间推理的本质与AI的进化方向
从“鹈鹕骑自行车”到“搭建中土世界”，大模型评测基准的演变反映了AI技术从单一任务向复杂系统构建的转型。这一转变不仅考验模型的代码生成与空间理解能力，更揭示了通用人工智能在“自我验证”与“交互体验”上的不足。未来，随着程序化3D与视频生成技术的融合，以及多模态交互能力的提升，AI有望突破当前局限，构建出更加真实、可交互的虚拟世界。对于开发者而言，关注这一趋势，探索3D生成与空间推理的新应用，将是把握下一代AI技术红利的关键。