新智元报道
新智元报道
AI第一次拿起彩铅画蒙娜丽莎，但发生了一件奇怪的事：
没有任何一个模型的最终作品，赢过它自己中途最好那版：它们总在最好的时候改过了头。
而且，同样是7幅画，成本相差了20倍！
最左为原作，其余四幅依次出自GPT-5.6 Sol、Claude Fable 5、Grok 4.5、Gemini 3.6 Flash，全部一笔一笔画成。
AI工具平台TryAI搭了一个「绘画竞技场」，只给模型一张纯白画布、一套彩铅工具，然后走开。
GPT-5.6 Sol、Claude Fable 5、Grok 4.5、Gemini 3.6 Flash四个视觉模型下场，临摹蒙娜丽莎和梵高的星月夜，再加五道开放式文字命题，一共交出28幅画。
这不是文生图。整场实验里没有一张图片是「生成」出来的，每一笔的颜色、粗细、力度都由模型自己决定，一笔一笔叠上去。
7月21日，TryAI把这场实验的全部记录放了出来，同时也强调，这并非官方benchmark，排名不是重点。
他们真正想测的不是模型的画技，而是它作为一个AI智能体，在没人盯着的几分钟里怎么规划、怎么调工具、怎么评估自己干出来的活。
模型手里的工具一共十件。
plan，一张不落笔的草稿纸，专门用来想事情；
view_target，再看一眼原作；
view_canvas，把当前画布渲染出来给自己看：这一步也正是系统给它打分的时刻；
set_color、set_brush、set_pressure，管颜色、笔尖宽度和下笔力度。力度从0到1，压得轻就是淡淡一层；
draw，一次批量落下若干笔；
smudge，像用擦笔一样把一块区域揉开；
erase和clear_canvas，擦掉一块，或者整张推倒重来。
其中view_canvas是整场实验的枢纽，模型不是闭着眼睛画完就交卷，它随时可以睁眼看一次，再决定下一笔往哪落。
最要命的一条规则是：没有填充色块。
想要一片深蓝的夜空，只能一层一层叠上去，跟真彩铅一模一样。
打分用的是SSIM（结构相似性），把画布和原作都缩到256×256再比对，取值0到1，越高越接近。
默认情况下这个分数不会告诉模型，它只能靠自己那双「眼睛」判断画成了什么样。
四个模型的推理强度统一设成high。整套框架以MIT协议开源在GitHub上，换任何一张目标图、任何一句提示词，都能自己再跑一遍。
于是先画哪里、什么时候回头看、要不要推倒重来，全都得它自己拿主意。
任务分两类。
临摹蒙娜丽莎和梵高的星月夜，有客观分数；
另外5个纯文字提示：老渔夫饱经风霜的脸、橙紫色的海上日落、伦勃朗光下的一支红玫瑰、窗台上蜷着睡觉的虎斑猫、壁炉燃着的小木屋内景。
这5幅没有目标图可以对照，SSIM算不出来，好不好看只能靠人眼判断。
TryAI也顺手试过几个开源权重模型，结果是连画都画不出来。好几个直接交回了一张白纸。
每个模型7幅，一共28幅。
「伦勃朗光下的一支红玫瑰」，四模型交卷。TryAI把Sol这幅列为全场最喜欢的作品之一。
7幅画跑完，账单差异很大。
GPT-5.6 Sol：总成本7.74美元，平均6.2分钟，29步。
Claude Fable 5：总成本160.58美元，平均12.5分钟，54步。
Grok 4.5：总成本9.21美元，平均4.8分钟，99步。
Gemini 3.6 Flash：总成本12.87美元，平均6.9分钟，73步。
同样7幅画，Fable 5的账单差不多是Sol的20倍！
7幅画的估算token成本。Fable 5为160.58美元，Sol为7.74美元，差约20倍。
这20倍买到的不是画质，而是更多的步子、更长的时间和更频繁的自我检查：Fable 5平均每幅画要停下来看自己15.6次，Sol只看6次。
这里还藏着一件反直觉的事：花钱最多的，不是token用得最多的。
Grok 4.5一口气吞掉3400万token，全场之最，但其中约98%是缓存读取，按远低于常规输入的价格计费，加上它本身单价最低，最后总账只有9.21美元。
总token消耗：Grok 4.5达3400万居首，账单却只有9.21美元，约98%为缓存读取。
真正在Hacker News上被反复提起的，是Sol和Fable那笔账。有人把两边的数字放在一起对比：340万token对1460万，7.74美元对160.58美元。
这个人的结论是：OpenAI在推理这一块悄悄做出了创新，这个优势只会越拉越大。
在TryAI的主观评价里，Sol整体表现最好。
它的星月夜和那支玫瑰是全场最受偏爱的两幅，考虑到这是从一张白纸上一笔一笔描出来的，观感确实惊人。
星月夜原作与四模型作品。Sol这幅被TryAI列为全场最佳之一
除了老渔夫那一幅，它在几乎每张画的细节上都压过其他模型。
TryAI把Fable 5的画质排在第二，但慢得多、贵得多，在能用的几个里是最不划算的选项。
但它也补了一句：Fable在此前的开放任务里赢过GPT-5.6，包括那次音乐视频挑战。换一个题目，结论未必还是这个。
Grok在这个任务上则相当粗糙。工具调得最勤，很少画出能用的东西。TryAI给的评价很直接：暂时还不敢信任它可靠地理解或判断视觉输出。
Gemini比Grok明显强一档。不过它是Flash型号，拿来跟三个旗舰同场，本来就不太公平。
四个模型拿到的是同一套工具，用出来的却是四套完全不同的工作流。
Sol一次都没单独调用过设色、设笔、设压力，全部内联在下笔动作里。所以它的调用记录几乎只有三件事：画、抹、看。
Grok正相反。
1349次工具调用里，65%花在设颜色、设笔宽、设压力上，于是一幅画要走99步。它把绝大部分动作花在了准备上，真正落到纸上的笔触反而被稀释了。
Sol七幅画总共只调用了223次工具，其中52%是真在画。Grok的调用量是它的六倍，落笔数只有三倍。
Fable重度依赖涂抹，光smudge就调了123次，而且不停回头检查。
Gemini则是最痴迷复查的那个。
近三分之一的调用是看画布，平均每幅画自查约23次。它和Sol一样，从没碰过那三个设置类工具。
没有人教它们该怎么用这盒笔。这些「技法」都是自己长出来的。
同一套工具，四份完全不同的调用分布。Sol从未单独调用设置类工具，Grok有65%的调用花在调笔上。
同一份工具说明书，四个模型读出了四种手感。
而且步数最多的不是画得最好的，自查最勤的也不是。工具调用的频次和最终效果之间，看不出明显的正相关。
每一次view_canvas都会重新打一次分，于是整场作画过程被记成了一条曲线。
8次临摹，4个模型各画两幅，曲线呈现出两个共同特征。
第一，很早就到顶了。
Claude Fable 5为蒙娜丽莎复查了27次，但从第五次之后，分数就基本走平。后面那22次复查，几乎没换来任何进展。
第二，8次临摹，最终作品得分全部低于中途峰值。
GPT-5.6 Sol的蒙娜丽莎，峰值0.352，收尾0.325；它的星月夜落差更大，峰值0.179，交上来的是0.130。
Fable的蒙娜丽莎峰值0.289，最终0.286；星月夜峰值0.176，最终0.153。
最惨烈的是Gemini 3.6 Flash。它是全场最勤快的检查者，平均每幅画要看自己23次，也确实摸到了整批作品的最高分：蒙娜丽莎0.449。
然后它一路改回了0.337：落差0.112，是这批画里跌得最深的一次。
蒙娜丽莎的相似度曲线。Gemini摸到全场最高的0.449，随后一路滑回0.337。
TryAI给出了一句结论：更多的检查，并没有换来更好的收尾。
平均每幅画的自查次数。Gemini约23次为全场最高，跌幅也最大。
这些模型全都在自己画得最好的那一刻，又多画了一笔。
更微妙的地方在于，模型其实是「看得见」的。
每次view_canvas，它都真的在看自己的画，也真的在根据看到的东西下判断。问题不在瞎改，而是它的判断里缺了一个选项：什么都不做。
而且，工具箱里有橡皮，全场2561次调用只用掉3次。Sol用了1次，Fable用了2次，另外两个一次都没碰过。
这些模型的修改只有一个方向，往上叠。所以曲线一旦过了峰值，就再也回不去了。
还要说清楚一点。
这个分数衡量的是结构和像素上的接近程度，不是美感或创造力。Gemini的原始分最高，但人眼看过去，它并不是最像目标的那一张。
过去评一个模型，看的是数学分、编程榜、知识问答，全是一问一答的活。
答对就是答对，交卷之后没有第二次机会把它改坏。
现在模型一跑就是几分钟到几小时。能力上限换了一批变量：会不会规划，会不会看自己的结果，以及最容易被忽略的那一项，会不会收手。
这也不是画画独有的毛病。
代码智能体把本来能跑的版本越改越崩，科研智能体在一个已经成立的结论上继续绕，自我改进系统在没有终点的循环里空转，撞的都是同一道题：怎么判断那个结果「已经足够好了」。
人类画家靠的是一种说不清的东西：老师傅会在某一笔之后放下笔，理由往往只有一句「够了」。这句「够了」，恰恰是现在这套评测都没在测的能力。
四个模型都画出过一幅不错的蒙娜丽莎。
只是没有一个知道，那一笔之后该放下笔。
参考资料：
编辑：元宇
