一句话看懂：一家AI评测团队让GPT-5.6 Sol、Claude Fable 5、Grok 4.5和Gemini 3.6 Flash用彩色铅笔工具临摹《蒙娜丽莎》和《星夜》等目标图像，结果GPT-5.6得分最高、成本最低，而Claude Fable 5耗时最长、表现却最差。这个实验不是为了比“谁更像艺术家”，而是暴露了前沿模型在开放型模糊任务上的真实能力与成本差异。
事件核心：发生了什么
评测团队TryAI构建了一个“画板竞技场”，给每个模型一个白色画布和一套彩色铅笔工具（包括设置颜色、笔尖宽度、压力、涂抹、擦除等操作）。模型需要自主调用工具，临摹《蒙娜丽莎》和《星夜》两幅目标图像（通过结构相似性SSIM评分），并完成五段文字提示（如“一位老渔夫在午后阳光下的脸”），共28幅画。
结果显示：在目标临摹中，GPT-5.6 Sol以平均SSIM 0.3740领先，其次是Gemini 3.6 Flash（0.3145）、Claude Fable 5（0.2442）和Grok 4.5（0.1864）。在成本方面，GPT-5.6每幅画平均花费0.16美元，时间不足1分钟；而Claude Fable 5每幅画平均耗时8分钟、花费高达0.17美元（但产出质量较低）。Grok 4.5表现最粗糙，甚至无法完成部分任务，而开源模型在该任务中几乎完全不可用。
为什么重要
这个实验不是简单的“画画比赛”，它砍向行业里两个敏感痛点。第一，它揭示了“前沿模型 vs 开放模型”的真实差距——许多开源模型在基准测试中刷分亮眼，但面对一张白纸、一套工具、一个模糊目标时，直接画出空白画布。这意味着，在实际需要模型自主规划、纠错和工具调用的应用场景里，前沿模型的“执行能力”壁垒依然很高。第二，它量化了“长耗时任务”的成本结构：Claude Fable 5虽然在其他任务（如音乐视频生成）上胜出，但在绘画任务中，其更长的推理时间和更高的花费带来了更差的结果，直接说明“越贵未必越好”，选模型必须看场景。
对用户/开发者/创作者的影响
对开发者：如果正在构建需要模型自主调用工具链（如绘图、编辑、设计助手）的产品，这个实验是一个重要的能力参考。GPT-5.6在工具调度、迭代修复和成本控制上表现出明显优势，而Claude Fable 5并非在所有多步骤任务中都值得更高的调用成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对创作者：目前AI在“根据文字生成图像”方面已有成熟产品（如Midjourney），但“让AI一步步用工具画出图像、并能实时自我修正”仍处于早期。这意味着，在AI辅助精细设计和风格控制方面，高端闭源模型与廉价开源模型之间还有显著鸿沟。
对采购决策者：开源模型在批量执行上确实能替代部分前沿能力，但涉及需要模型多步骤规划、视觉反馈与自我纠正的场景，开源模型目前还不堪重用。Kimi K3等新开源模型即将发布，值得跟踪。
值得关注的后续
目前公开信息显示，值得关注三个方向：一是该评测团队已开放全部代码（GitHub），开发者可以自己拿目标图像或提示词运行测试，这会加速行业对模型工具调用能力的横向对比；二是Kimi K3开源后是否能在该任务中填补“开源 vs 前沿”的空白，将直接影响中小开发团队的技术选型；三是Claude Fable 5在绘画任务中表现不佳，但之前在音乐视频任务中胜出，说明“强模型”在不同工具链任务中的表现天差地别，厂商需要更细分的场景适配。
