程序员Simon Willison自2024年起用“生成骑自行车的鹈鹕SVG”测试大模型，因该题无先例且考验代码绘图能力。两年间他收集66个模型的103只鹈鹕，建站pelicanzoo.ai展示，含猜模型、投喂、AI点评等玩法。测试初期与模型实力相关，后逐渐脱节，作者强调它已非有效评测，更多是一种观察模型行为的仪式。

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。