AI 实验室在 “Pelicanmaxxing” 吗？

一句话看懂：一项系统性的对照实验否定了“AI模型被定向优化生成特定小众图像”的传闻。研究者用8种动物×6种交通工具共48组提示词，测试了7款主流模型，并未发现“鹈鹕骑自行车”显著优于其他组合的证据。

事件核心：发生了什么

2026年7月22日，技术分析师Dylan Castillo发布了一项严谨的对照研究，试图回答AI社区长期热议的问题——AI实验室是否刻意训练模型生成“鹈鹕骑自行车”（pelican riding bicycle）这一特定图像。研究者设置了8种动物（含鹈鹕）×6种交通工具（含自行车）共48种组合，每组合通过7款模型（GPT-5.6 Terra、Claude Sonnet 5、Gemini 3.5 Flash、Grok 4.5、Qwen3.7-Max、GLM-5.2、DeepSeek V4 Pro）各生成3次，共计1008张图像。同时使用GPT-5.6 Luna和Gemini 3.1 Flash-Lite辅助评估图像质量。结论明确：鹈鹕的绘图质量并未明显优于其他动物，自行车也未优于其他交通工具，且没有任何实验室在“鹈鹕+自行车”组合上表现出超出预期的增强。其中GLM-5.2的表现最接近异常，但效应微弱且未达统计显著性。

为什么重要

这一研究澄清了长期困扰AI社区的一个认知偏差。此前许多用户注意到模型在生成“鹈鹕骑自行车”时表现突出，猜测训练数据可能被定向增强。Castillo用控制变量法证明了这更可能是心理上的确认偏误，而非模型训练的真实倾向。对于理解大模型训练数据的构成与评价方法的科学性，这是一次有价值的“过滤”。同时，研究使用了7款当前主流闭源与开源模型（包括GLM和DeepSeek），覆盖了2026年主要的图像生成竞争格局，没有单一家实验室被“抓住把柄”，也侧面说明各厂商在训练数据上并未进行这类细微的定向优化。

对用户/开发者/创作者的影响

对于普通用户和AI图像生成工具的创作者，这一结论意味着不应轻信“某模型擅长画某小众物体”的社区传说。实际图像质量受到提示词设计、随机种子和模型温度等多变量影响。开发者在评估多模态模型时，应避免使用少量、高关注度的基准测试用例，而应采用系统性、对照式的评估方法（如Castillo使用的8×6网格）。对于AI内容创作者，这也意味着当前主流模型在“常识物体”生成上的基础能力较为均衡，竞争中拼的是对提示词的精确控制和风格偏好，而非某个模型的“隐藏特长”。

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。

了解 GamsGo AI

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，GLM-5.2的微弱异常是否会在更大样本或更高难度提示词下被重复验证，这在统计上仍值得追踪。第二，Castillo的方法论可被其他研究者复用，未来如果出现类似“特定组合显著异常”的案例，需要一个标准化的评估框架。第三，AI图像生成领域的评测正在从“比谁画得好”转向“比谁对特定组合更公平”，这一趋势可能影响未来模型迭代时的训练数据准备策略。

来源：Simon Willison