AI绘画竞技场：GPT-5.6与Claude等前沿模型挑战《蒙娜丽莎》复刻

核心要点

• 实验机制创新：模型被赋予一套虚拟彩色铅笔工具（包括颜色、笔尖宽度、压力设置等），并能通过调用view_canvas接口查看进度并自主决定修改方案。
• 测试对象与目标：涵盖GPT-5.6 Sol、Claude Fable 5、Grok 4.5和Gemini 3.6 Flash，任务包括复刻《蒙娜丽莎》、《星月夜》及完成5个开放式绘图指令。
• 性能差距显著：Grok 4.5在基础绘画任务中表现不佳，而现有的开源模型大多无法运行此类任务，甚至只能返回空白画布。
• 成本与效率权衡：Claude Fable 5在任务执行时间上通常远超其他模型，且运行成本显著更高。

详细分析

模拟人类绘画的工具交互机制

该实验的核心在于“放手”让模型自主操作。与传统的文生图模型不同，这些视觉模型需要像人类画家一样，通过设置画笔参数、铺设笔触、进行涂抹晕染以及擦除错误来完成创作。模型在绘图过程中可以反复调用查看画布的指令，这种“观察-决策-执行”的循环不仅测试了模型的视觉理解力，更考验了其在长程任务中的逻辑一致性和工具调用能力。

前沿模型与开源模型的真实鸿沟

实验结果揭示了当前AI领域的一个残酷现实：尽管开源模型在许多标准化基准测试中表现出色，但在面对此类高度开放且复杂的任务时，依然无法与顶级前沿模型（Frontier Models）抗衡。测试中使用的开源模型几乎全军覆没，多款模型仅输出了空白画布。即使是闭源模型中的Grok 4.5，在处理这类“基础”绘画任务时也显得力不从心，这表明真正的通用智能在处理模糊任务时仍存在极高的门槛。

任务成本与执行效率的博弈

在对Claude Fable 5的观察中，研究者发现其虽然具备极强的能力，但付出的代价是高昂的时间和金钱成本。相比于其他模型，Claude在处理相同绘图任务时耗时更长，产生的API费用也更高。这为企业在选择模型时提供了重要参考：在追求极致性能的同时，必须考虑长程任务带来的边际成本递增问题。

行业影响

此次实验对AI行业具有重要的启示意义。首先，它证明了传统的基准测试（Benchmark）已不足以全面衡量模型能力，这种“模糊任务”更能体现模型在真实世界复杂场景下的适应性。其次，实验强调了视觉模型在工具调用（Tool Use）方面的潜力，预示着未来AI将从简单的内容生成转向更复杂的交互式创作。最后，前沿模型与开源模型之间的巨大表现差异，提醒了开发者在特定垂直领域应用中，前沿模型依然具有不可替代的领先优势。

常见问题

问题 1：为什么选择绘画作为测试模型能力的方式？

绘画是一个典型的开放式、模糊任务，它不仅要求模型具备视觉审美，更要求其能够理解复杂的空间关系、颜色混合逻辑以及长期的任务规划。这比单纯的问答或代码生成更能体现模型的综合智能和工具操作水平。

问题 2：Grok 4.5 在测试中的表现如何？

根据实验报告，Grok 4.5 在这项绘画任务中的表现相对“粗糙”（rough），未能达到其他顶级前沿模型的精细程度，显示出其在复杂视觉逻辑处理上的局限性。

问题 3：开源模型未来是否有机会参与此类竞争？

虽然目前开源模型在测试中表现不佳，但研究者提到，随着Kimi K3等新一代开源模型的完全开源，未来可能会重新进行评估，开源社区仍有追赶前沿模型的潜力。