一句话看懂：Hacker News 用户发起了一场非正式测评，要求 GPT-5.6（传闻中的 OpenAI 下一代模型）、Claude、Gemini 和 Grok 分别“画”出蒙娜丽莎，结果各模型输出质量差异巨大，引发了对不同模型训练与推理机制差异的讨论。这一测试虽不严肃，却揭示了当前多模态模型在关键基准之外的“隐形差距”。
事件核心：发生了什么
一名开发者使用公开试用工具 TryAI.dev，向四款主流大模型——传闻中的 OpenAI 新模型（被社区戏称为 GPT-5.6）、Anthropic 的 Claude、Google 的 Gemini 以及 xAI 的 Grok——发出了同样的指令：“用 ASCII 或文本艺术形式画出蒙娜丽莎”。测试结果在 Hacker News 上引发热议。用户普遍反映，其中某款模型的输出在结构比例、细节还原和艺术感知上明显弱于其他几款。发起者指出，这种差异“不仅仅是技术落后那么简单”，并猜测可能涉及“训练方式或推理管道上的根本性不同”。目前尚不清楚具体是哪款模型表现较弱，也没有官方数据支撑。
为什么重要
这个看似娱乐化的横向对比，实际上触及了当前 AI 模型竞争的三个关键维度。第一，多模态理解能力的“隐形割裂”：文本生成、图像理解与抽象任务（如将视觉名作转化为文本构图）对模型的推理路径要求不同，即便在基础基准测试中分数接近，实际表现也可能天差地别。第二，训练策略的分歧：闭源模型是否存在训练数据分布偏差或对“创意指令”的适应能力不足，将直接影响工具型产品的用户体验。第三，社区对“下一代模型”（如传闻中的 GPT-5.6）的预期尚未建立，任何非官方测试都会被放大为对技术路线选择（通用强化 vs. 专用优化）的隐忧。
对用户/开发者/创作者的影响
对普通用户而言，这次测试的警示在于：不要轻信单一基准或官方演示，在具体创作任务（如文本转艺术、草图生成、风格迁移）中应实际动手对比。对开发者和创作者而言，选择 API 或集成模型时，需额外关注模型对“抽象指令”的还原能力，而非仅看该模型在传统 NLP 或视觉任务上的得分。目前公开信息显示，没有模型公开官方针对“文本艺术创作”的专项优化，这意味着创作者可能需要额外写 Prompt 模板来弥补某些模型的隐含弱点。
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。
值得关注的后续
第一，如果 GPT-5.6 正式发布后仍在此类非标准测试中表现分化，会否促使 OpenAI 调整其训练数据中“创造性输出”的权重？第二，xAI 和 Anthropic 是否会推出针对“符号化艺术理解”的专项更新，以回应社区质疑。第三，TryAI.dev 这类引导用户“逼问模型弱点”的测试工具，是否会催生更多非官方、低成本的“隐蔽基准”，从而影响开发者选型决策。
来源：hackernews
