AI产品狙击手

视频测评 benchmark 终于升级到了 V2.0——不再把所有约束塞进同一条 5 秒视频，而是拆成 6 条独立提示词，每题各生成一条视频、各考一类能力。粗略试了几个视频模型后，觉得 MiniMax H3 表现还不错，这期就先拿它开刀，把这套测试用例完整跑一遍。 第一题，多约束综合调度测试：女剑修御剑飞行。整体感觉不错，不过一些小问题还是有的：提示词要求剑脊两侧细密灵纹流转着淡淡冷蓝光，这里没有看到；剑格下垂着一缕深红丝剑穗，也没有看到；天工阁的「阁」字写错了；额前垂着一缕醒目的银白挑染发丝，好像也没有看到。其他应该没有什么问题。 第二题，碰撞与动量传递测试：牛顿摆五球碰撞链。这题我试了好几个模型，H3 算是实现得比较好的了，虽然一开始钢球凭空悬停了一会。 第三题，精细动作控制测试：魔方顶层归位。这个没有问题。这道题我是特意降低了难度的——开场不是乱掉的魔方，因为 5 秒钟的视频不可能还原。 第四题，顺序与静止指令测试：红蓝杯触碰次序。这道题看似简单，事实上恒静是最难的指令，所以这里也不例外：要求只是按顺序握住一下杯柄、保持杯子不动，但最终模型忍不住还是移动了下杯子。 第...

先道个歉：昨天测文心 ERNIE 5.5 Flash Preview 的时候搞了个乌龙，用了我正在编写的下一个版本、提升了难度的测试用例——当时正在编辑用例，有粉丝私信催测，一时没留意拿错了。今天用当前线上最新的 V2.2 测试用例重新测一遍，还是在 pi agent 上接入，思考深度照旧开 high。顺带说明：这个模型其实没有思考深度档位，会自动根据任务难易程度调整。 第一题，强约束指令遵循句子生成。句子都不长，结尾也都遵循从 1 到 10，但通顺度明显不行，我觉得只有第 8 句还过得去。第 6、7 句还有点取巧：两个差不多的句子，倒数第二个字加个「了」字就算区分了——古惑归古惑，倒是不违反提示词规则。 第二题，鹈鹕土星环骑自行车 SVG。整体感觉还可以，特别是转弯挺顺滑的。唯一就是这只鹈鹕比起其他模型的实现更加卡通化——不过既然鹈鹕都能骑自行车了，卡通化一点也能理解，毕竟提示词也没限定这一点。 第三题，复合弓射箭 SVG。这个模型确实有点小聪明：大家看这个箭靶，它故意画得矮一点。原因嘛，提示词要求箭要有抛物线，这样一来复合弓就不需要往上倾斜一定角度，射出来的箭自然就能形...

Gemini 4 Hydrogen 的测评也来了！这次帮忙测评的是群里的老哥无言义对，在 Antigravity 上面测，思考深度拉到 extra，一起来看看效果。 第一题，强约束指令遵循句子生成。这些句子都不长，很明显结尾都遵循从 1 到 10 的顺序；所有句子都是通顺的，而且句子长度不是随便弄几个字凑数的那种。 第二题，鹈鹕土星环骑自行车 SVG。整体感觉还可以，基本没看到什么问题。唯一的小问题是左右转弯、跨越中间那条线的时候可以看到有跳帧，感觉上下两部分画面是拼接在一起的。 第三题，复合弓射箭 SVG。实现得也不错，画面、复合弓等 UI 都不错，上下滑轮的凸轮也都能画出来，弓箭还有倾斜一定角度来形成抛物线。唯一的问题就是拉弓的时候手穿过了肩膀的袖子。 第四题，实现一个精美的浏览器操作系统。右上角弹窗功能没有什么问题，最后很多模型翻车的日期高亮部分，这次是带弧度的长方形，不再是丑陋的椭圆形；但是电池用量那个绿色的 icon 配色不大好，基本看不清楚。dock 栏应用功能没有问题。压轴的太空射击游戏大的功能没有问题，上下左右能控制方向，space 键能发射子弹，就是 UI...

大家期待已久的 GPT 6.2 Sol 测评报告终于来了。这次要感谢群里灰度到的内罗毕老哥帮忙实测，平台是 Codex，思考深度直接拉到极高。第一题强约束指令遵循句子生成，句子都老老实实遵循从 1 到 10 结尾，硬约束没得说；但通顺度上有两句翻了车——第 6 句和第 10 句读着别扭，其余还好。 第二题鹈鹕土星环骑自行车 SVG 相当惊艳，土星环、鹈鹕和自行车的结构、转弯都挑不出毛病，这个转弯称得上是迄今见过做得最好的。第三题复合弓射箭更是细节拉满：上下滑轮内部的椭圆凸轮——这是复合弓的关键部件，很多模型压根没画出来，绝对是个加分项；倾斜复合弓也处理到位，不倾斜的话箭为了形成抛物线会突然往上蹿；拉满弓放手后手部的回弹同样细腻。唯一的问题是箭羽方向反了，但瑕不掩瑜，这已经算得上顶级实现。 第四题浏览器操作系统，桌面是一如既往的 GPT 审美，右上角弹窗没问题，日期高亮也没用丑陋的椭圆。小瑕疵在 Dock 栏：终端输入框的 border 太大，不好看。压轴的太空射击游戏画面不错，上下左右方向键控制正常，但 space 键发射子弹不够灵敏，偶尔才蹦出几颗，这点有点遗憾。 第五题...

粉丝们一直呼唤的 Qwen 4 Max Preview 测评报告来了。这两天顶尖模型都在扎堆上线，都有点测不过来了。闲话休提，这次直接在 Qoder 上开测，思考深度拉到极高，应该对应的就是 Max，也方便大家对比上次测评惊艳到大家的 QoDuck，看下究竟是不是同一个模型。 第一题，强约束指令遵循句子生成。很明显句子都是遵循从 1 到 10 结尾的，通顺度上除了第六句我不大敢确定，其他都没有问题。第六句是不是最后加个点比较好呢——「骰子停在 6」和「骰子停在 6 点」，大家觉得哪个更好？ 第二题，鹈鹕土星环骑自行车 SVG。这个我感觉也没有什么好挑剔的，现在的模型真的强得可怕。一个月前基本没有几个模型这一题能做到无可挑剔，不是转弯翻车，就是鹈鹕自行车结构有问题；现在才迭代了两轮，这些模型就这么强了。再测多三四个模型，如果都能这么强的话，我就要考虑升级测试用例才行。 第三题，复合弓射箭 SVG。整体实现也是很不错的：上下滑轮的方向、箭羽方向、小人动作，这些都没有看出什么问题。而且拉弓的时候为了满足抛物线，也会和 Fable 这些海外顶级模型一样往上倾斜复合弓。如果真要挑刺的...

MiniMax 刚刚上线了新的图像模型 H3 Image，粉丝们都炸锅了，要我赶紧去测下。跑完我们祖传测试用例后，感觉确实震撼——连最后一个多人物编辑的压轴难题都完成得很好，且它一张 2K 图片只需要 3 个积分，还能开源自己部署，确实难能可贵。我们赶紧看下效果吧。 第一题中文长文本排版支持，测试水彩风珠海 5 天行程插画。这个插画实现是我喜欢的风格，挺漂亮的；看一下文字，只有鹈鹕两个字错了——这两个字看来真的没有几个模型能做出来呀。 第二题文生图综合能力测试，书房丰满优雅美甲美女。首先时钟时间对了；第二，三个杯子也基本没有问题；第三，提示词要求一只手食指指甲油红色、另外一只手中指指甲油是白底红点波点，它一个手食指红色对了——这还是测评这么多模型中第一次做对这个的，另外一个手的中指指甲油也对了，可惜它把无名指也做了；第四，提示词要求的丰满嘛，我感觉还可以哦，这可能也是第一个模型能做对这个的，其他模型要不是拒绝，要不是生成个胖妞。 第三题同一角色多视角一致性测试，女孩四宫格不同角度图片。这个实现也很不错哦，很多模型经常翻车的草莓和发夹位置竟然在第三张图能保持一致，耐克的 lo...

Gemini 4 Carbon 炸裂上线。这两天顶尖模型在扎堆发布：昨天刚花一千多块钱测完 Claude Fable 5.2，今天 Gemini 4 Carbon 就来了，GPT 也快了。本次同样是 pi 通过 command code 接入、把思考深度拉到最高，视频最后再跟大家交代花了多少钱。 第一题，强约束指令遵循句子生成。句子结尾依然严格从 1 到 10 排下来，没有问题；其他约束和通顺度也都合格，而且它生成的句子明显比 Fable 的更长。 第二题，鹈鹕土星环骑自行车的 SVG。大体没有问题，转弯也顺滑，但有三个小毛病：土星环画得太密集；自行车后半部分不够平滑；土星环右侧有阴影说明光是从左边射过来的，那么鹈鹕和自行车的阴影方向就不对了。 第三题，复合弓射箭 SVG。这一题是全场亮点——感觉比 Fable 5.2 的实现还好：功能完全没有问题，画面漂亮了很多；上下滚轮是真的复合弓那种结构，内部带一个半椭圆的轮子；拉弓手上那个东西别以为是畸形，那是拉弓时用来夹住弓弦的撒放器、按一下开关才释放，实现相当专业，这一题才真正应该给满分。 第四题，浏览器内操作系统。UI 看上去...

上一期用 high 档测完刚出的 Claude Fable 5.2 之后，一直有个疑问没解开：如果把思考深度拉到 Max，这套祖传测试用例还能不能全绿？于是这期干脆花了 1000 块钱，用 Max 模式把六道题从头到脚重测了一遍。这里得先说明一下，跑这次测评用的 key 是群里网友 Max 提供的，一开始根本不知道这一轮烧掉了一百多美刀，后来问过才知道，真是感激不尽。 第一题，强约束指令遵循的句子生成测试。 要求每句话依次以 1 到 10 结尾，Max 档下每一句的结尾都精准落在对应数字上，顺序没有丝毫错位。更重要的是句子本身读下来是通顺的，没有为了凑数字硬拗语义。对比上一期 high 档里第 10 句略显别扭的情况，这次的表现可以说是全面达标，直接给满分。 第二题，鹈鹕土星环骑自行车的 SVG 测试。 这是唯一一道开了倒车的题。整体看上去依然不错，鹈鹕骑车的结构和土星环都没画崩。但坦白说，转弯这一段的处理没有 high 档那次好——这里明显用的是淡入淡出的做法，鹈鹕和自行车的姿态过渡不够连贯，转起来的动作像是被拆成了几帧。很遗憾，这道题不能给满分。 第三题，复合弓射箭的 ...

Claude Fable 5.2 炸裂上线，我们赶紧来测一下。看了眼 OpenRouter 上的价格，确实不便宜，所以还是接在 pi agent 上跑；思考深度这次刻意不开 max——一是测完估计得去街边乞讨，二是这又不是造火箭，high 应该就足够了。直接开测。 第一题是强约束指令遵循的句子生成测试，要求每句结尾依次从 1 到 10。结尾没有问题，其他约束和句子通顺度也基本达标；唯一让我别扭的是第 10 句，能看懂，但好像很少有人这么说，一般都会讲「他一五一十地讲了事情经过」。 第二题是鹈鹕土星环骑自行车 SVG 测试。卧槽，这效果确实可以——鹈鹕和自行车的结构没看到什么问题，土星环没问题，转弯也很顺滑。非要挑刺的话，就是这个鹈鹕的嘴占比是不是太大了点。 第三题是复合弓射箭 SVG 测试，整体感觉也不错。这可能是为数不多懂得把复合弓倾斜一定角度、让射箭形成抛物线的模型；箭羽也是对的，而箭羽恰恰是高频翻车的点。 第四题是实现一个精美的浏览器操作系统。右上角弹窗功能没有问题，日期高亮部分用了圆形而不是椭圆，不错；Dock 栏应用功能也没有问题。压轴的太空射击游戏同样能玩，如果...

即梦最新上线了 Seedream 5.5，据说非常能打，可惜目前只有会员能用。这次特意求助了群里的哥们星星，借他的会员跑了我们的祖传测试用例——6 个积分一张图，死贵死贵的，大家看下效果吧。 第一题是中文长文本排版：水彩风珠海 5 天行程插画。这次「鹈鹕」两个字竟然对了，我们测评过这么多模型，能生成这两个字的可谓凤毛麟角，看来这个模型有点东西。只是后面「淇澳」的澳字里面稍微有点糊，否则这个生成就完美了。这已经相当不错，对平时做海报是大大利好——做过这行工作的都知道，为了一个字反复抽卡该有多崩溃。 第二题是文生图综合能力：书房丰满优雅美甲美女。时钟时间对了；但杯子有问题，提示词要求三个杯子清晰可见，现在只能看到一半，没法判定；指甲油也不对，要求一只手食指是红色、另一只手中指是白底红点波点，结果食指出现很严重的穿模，两个指甲叠在一起，虽然其中一头的指甲油是红色的；另一手中指的波点对了，可另一只手无名指也涂了同样的指甲油；最后，提示词要求的「丰满」，恕我眼拙，看不出来。 第三题是同一角色多视角一致性：女孩四宫格不同角度图片。问题有三个：第三张女孩的发夹在右边，其他三张都在左边；书...