Show me《指环王》！卡帕西强推大模型评测新基准
内容提要
卡帕西用《指环王》开头测试大模型，让Opus 5通过Three.js生成3D中土世界，耗时2小时、百万token。此举取代“鹈鹕骑自行车”SVG测试，成为新基准，考验模型空间理解与复杂项目能力。网友创作多样，但模型仍难真正理解视频或游戏，引发关于空间推理本质的讨论。
延伸解读
从“画图”到“搭世界”：测试难度的跃升
“鹈鹕骑自行车”SVG测试只考察模型的一次性输出，而《指环王》基准要求模型规划复杂项目、连续工作数小时，并在数千行代码中反复检查修正。这种转变反映了业界对模型能力评估的新方向：不再满足于单张图片的正确性，而是看重模型对整体世界的理解与构建能力。
空间推理的本质之争
有观点认为，生成3D世界需要模型理解前后、内外、远近等空间关系，这是不同于文字处理的能力；但也有观点认为，模型处理“石头旁边”和“数组里面”可能都是同一件事——根据上下文生成Token并推理。若后者成立，则Opus 5展示的并非突现的空间能力，而是通用推理向三维世界的自然延伸。
成本与价值的权衡
反对者指出，一次测试消耗百万Token和两小时，成本高昂且结果不易比较，质疑Three.js能否衡量综合能力。支持者则反驳，将抽象文学文本转化为3D动画，需同时处理空间、物理、图形学等复杂问题，5500行代码足以证明其价值。这一争论凸显了新基准在实用性与严谨性之间的平衡难题。
AI生成内容的未来形态
卡帕西设想将程序化3D与视频生成结合：先用代码确定分镜和骨架，再交给视频模型补全纹理光影。网友已实现用AI生成可交互的3D世界和演唱会。这引发思考：若通用模型能自行调用API完成画面和声音，用户是否还需专门的视频生成产品？实时3D内容的门槛正在降低，但成熟度仍待检验。
Q&A
卡帕西提出的新的大模型测试基准是什么？
卡帕西提出用《指环王》开头作为新的大模型测试基准，让模型用Three.js生成3D中土世界，取代之前的“鹈鹕骑自行车”SVG测试。
为什么用《指环王》测试取代“鹈鹕骑自行车”测试？
因为“鹈鹕骑自行车”测试只考察模型的一次性输出，无法测试模型规划复杂项目、连续工作并修正错误的能力。而《指环王》测试需要模型理解文字并构建整个3D世界，更能考察空间理解和复杂项目能力。
Opus 5在生成《指环王》3D世界时消耗了多少资源？
Opus 5消耗了100万token、2小时时间和5500行代码来生成《指环王》开头的3D世界。
卡帕西认为当前大模型在生成3D世界时存在什么短板？
卡帕西指出，Opus 5无法真正“进入”自己生成的世界，只能通过截图检查问题，暴露了当前大模型不能真正看懂视频或亲自玩自己做的游戏的短板。
网友用《指环王》测试创作了哪些有趣的项目？
网友创作了多个项目，包括用Claude启动的“Earth Online”项目搭建旧金山滨水区、用Fable 5和GPT-5.6 Sol搭建纽约市3D模型并接入实时数据、用Three.js生成Kanye West虚拟演唱会，以及用Opus 5和Three.js制作可交互的游戏版本。
关于“空间推理”的本质，网友有哪些不同观点？
一种观点认为空间推理需要模型理解前后、内外、远近等空间关系；另一种观点认为模型处理文字和代码时可能使用相同的推理机制，空间能力可能是通用推理能力的延伸。
卡帕西对程序化3D和视频生成的关系持什么看法？
卡帕西认为程序化3D和视频生成不是二选一，可以结合使用：程序化代码负责分镜和控制，视频模型负责补上纹理、光影和细节，提升画质。
