测试最新的几个大模型创建五子棋游戏
内容提要
作者用同一提示词“实现网页版五子棋”测试8个最新大模型。deepseek-v4-flash和kimi-k3综合最佳，功能全、AI实测可用且自带测试；Opus 5工程最扎实但需本地服务器；gpt-5.6-luna设计感最强；MiniMax-M3界面精致，但人机对战实测失效。结论：模型自述功能不可全信，需亲自验证。
延伸解读
模型自述功能不可全信，实测才是关键
文章通过同一提示词测试8个模型，发现MiniMax-M3虽然代码中写了完整的AI评分逻辑，界面也最精致，但人机对战实测失效，AI从不落子。这提醒我们，模型声称的功能列表可能只是代码层面的实现，未必能真正运行。deepseek-v4-flash则因自测发现并修复了类似bug而表现最佳。因此，对于AI生成的代码，亲自运行验证核心功能必不可少。
不同模型对模糊需求的补全策略差异明显
面对“实现网页版五子棋”这一模糊需求，各模型默认补全的功能范围大相径庭。有的只做双人对战（如deepseek-v4-pro、gpt-5.6-luna），有的则主动加入人机对战、难度选择、规则说明等未明说的功能（如deepseek-v4-flash、Opus 5）。这种差异反映了模型在需求理解与产品思维上的不同取向，也影响了最终交付物的完整度。
工程严谨度与运行便利性往往难以兼得
Opus 5在工程规范上最突出：模块化拆分、单元测试、无障碍适配，但代价是必须启动本地服务器才能运行。而deepseek-v4-flash同样具备模块化和自测，却保持了双击即玩的便利性。kimi-k3则以单文件实现全功能，牺牲了代码结构。可见，模型在工程严谨度与开箱即用之间需要权衡，用户应根据场景选择。
自带测试与主动修复是可靠交付的重要标志
deepseek-v4-flash和glm-5.2在生成后主动进行了验证：前者运行Node单元测试和无头浏览器烟测，还修复了会导致AI失灵的变量作用域bug；后者检查语法、胜负判定并截图确认渲染。这种自测习惯显著提升了交付物的可信度。相比之下，仅堆砌功能而不验证的模型，如MiniMax-M3，反而可能产出不可用的结果。
Q&A
用同一句提示词测试8个大模型做五子棋，综合表现最好的是哪几个？
deepseek-v4-flash 和 kimi-k3 综合表现最好。两者功能全、AI 对弈实测可用，并且都自带了测试。
哪些大模型生成的五子棋自带 AI 人机对战且实测可用？
deepseek-v4-flash（三模式三难度，Alpha-Beta 实测可用）、kimi-k3（单文件带三档难度，模式匹配 AI 实测可用）、Opus 5（alpha-beta AI 真正跑通）、gpt-5.6-sol（挑战电脑模式）的人机对战实测可用。注意 MiniMax-M3 名义有 AI 但实测失效。
MiniMax-M3 的五子棋有什么问题？
MiniMax-M3 界面最精致，代码里也写了启发式 AI，但人机对战实测是坏的：黑棋落子后白棋一直卡在“思考中…”，AI 从不落子、棋局锁死，控制台也没有报错。只有双人对战模式真正可用。
哪些模型生成的五子棋需要本地服务器才能运行？
Opus 5 需要本地服务器。它用了 ES Module，file:// 直开会被浏览器拦截，必须用 npm start 起服务访问 localhost:8000。其他模型如 deepseek-v4-flash、kimi-k3、deepseek-v4-pro、glm-5.2 等均可双击打开。
哪个模型生成的五子棋设计感最强？
gpt-5.6-luna 设计感最强，做出来像杂志内页：浅米色底、超大衬线中文标语“落子无悔，胜负在心”，配英文标签，排版克制高级。功能上只有本地双人对战，没有 AI。
deepseek-v4-flash 在测试中有什么突出亮点？
deepseek-v4-flash 综合表现最好：功能最全（三种对局模式、三档 AI 难度，困难档用深度 4 的 Alpha-Beta 搜索），分层交付多文件并附详细 README，自带 Node 单元测试和无头浏览器烟测，过程中主动发现并修掉两个真 bug（包括会导致 AI 失灵的变量作用域冲突），人机对战在 Chrome 实测可用。
这次测试得出的主要结论是什么？
主要结论：模型自述的功能清单不能全信，必须亲自跑一遍验证。面对相同模糊需求，不同模型在“补全需求”上默认取向差别很大；有的默认只做双人对战，有的主动补上人机对战、难度、规则说明甚至测试验收。MiniMax-M3 是反面教材，功能最多、界面最漂亮，却没验证核心人机对战能否跑通。
