为什么新模型发布，都要先做一个游戏？
内容提要
AI模型发布后常以“一句话生成游戏”展示能力，因为游戏能同时检验代码生成、空间理解、状态管理和物理交互反馈，比跑分或网页演示更直观、易传播。但现有演示多为浏览器原型，成本高、错误多，距离真正的商业游戏仍有差距。
延伸解读
游戏演示为何成为模型能力的新标尺
文章指出，游戏能同时检验代码生成、空间理解、状态管理、物理规则和交互反馈，比跑分或网页演示更直观。网页可以靠截图掩盖按钮失效，但游戏会在玩家第一次移动、射击或撞墙时暴露问题。因此，游戏演示不仅展示模型能否写出代码，更检验它能否把零散功能接成可操作的成品，成为模型厂商证明能力的新仪式。
浏览器原型与商业游戏的距离
新模型演示的游戏多为浏览器作品，依赖HTML、JavaScript、Three.js等前端库，因为公开互联网有大量教学代码和常见玩法，模型熟悉如何调用。这类原型轻巧易传播，但不必处理账号系统、多人并发、不同硬件、版本更新和数年维护。模型做出一款能跑的射击游戏，与团队交付真正的商业游戏，仍是两种工作，演示优势会美化模型的实际能力。
从“做得出来”到“玩得下去”的转变
文章提到，Claude Opus 5.5开始表现出过去模型缺少的游戏设计能力，能自行补齐目标引导、难度递增和收集反馈，组织出开始、反馈与完成感。评价标准也从“能不能把游戏做出来”转向“得能实际玩下去”。但模型对“乐趣”的理解主要是识别类型惯例并组合反馈密度与节奏，未必像人一样理解趣味，展示意义大于实际设计能力。
演示视频背后的成本与失败版本
文章以《Neon Palms》为例，说明“一条提示词做出游戏”容易制造错觉。该项目从9月26日持续到28日，Agent分十一轮工作，运行69次，最多六个并行，处理约40.7亿Token，按API牌价估算成本约1512美元，展示视频还使用了后续修复版本。GameCraft-Bench也显示最强Agent整体完成度仅41.46%。顺滑视频只展出结果，看不到提示词长度、重试次数和被毙掉的失败版本。
Q&A
为什么AI公司发布新模型时喜欢让模型生成游戏来展示能力？
因为游戏能同时检验代码生成、空间理解、视觉设计、状态管理、物理规则、交互反馈和错误修复等多种能力，而且游戏有画面、动作和结果，比跑分或网页演示更直观、易传播，观众不需要理解代码也能判断效果。
“鹈鹕测试”是什么，它和游戏测试有什么关系？
“鹈鹕测试”是Simon Willison用同一句提示词让不同模型生成“鹈鹕骑自行车”的SVG代码，用来直观检验模型的空间关系和代码组织能力。游戏测试延续了这种逻辑，只是把静止的SVG变成可操作的系统，检验用户操作后模型设计的框架能否继续运作。
生成一个简单的第一人称射击游戏，模型需要处理哪些具体功能？
模型需要建立三维场景和第一人称相机，让鼠标控制视角、键盘控制移动；生成武器、敌人与障碍物并处理距离和遮挡；扣扳机后计算射线或子弹轨迹，判断命中碰撞区域，扣除生命值、播放动画、更新得分；敌人要能寻找玩家，关卡系统要决定下一波出现的时间和位置，并且所有部分要共享同一套状态形成游戏循环。
为什么新模型演示里的游戏大多是浏览器游戏而不是完整客户端？
因为浏览器游戏对模型格外友好：前端库、教学代码和常见玩法在公开互联网中大量存在，模型熟悉如何调用；浏览器内置图形、声音、输入与网络能力，一份代码就能同时容纳画面和玩法；作品完成后放上静态网页，别人点开链接即可运行，不必配置引擎和下载文件。
“一条提示词做出游戏”是否意味着模型几分钟就能完成游戏开发？
不是。以《Neon Palms》为例，项目从9月26日持续到28日，Agent分十一轮工作，共运行69次，最多六个Agent并行，处理约40.7亿Token，按API牌价估算成本约1512美元，展示视频还使用了后续修复版本，benchmark本身仍记录不少错误。顺滑的展示视频看不到提示词长度、重试次数、并行Agent、人工选择和被毙掉的失败版本。
目前AI模型在游戏生成上的实际能力边界在哪里？
模型很擅长迅速搭出让人惊艳的原型，但还不能稳定完成每一种规则、反馈和视觉要求。GameCraft-Bench要求代码Agent在Godot中完成140个可游玩任务，论文发布时最强Agent整体完成度仍只有41.46%。模型做出一款能跑的射击游戏，与团队交付真正的商业游戏仍是两种工作，浏览器原型也不必处理账号系统、多人并发、不同硬件、版本更新和数年维护。
