为什么新模型发布，都要先做一个游戏？

终于等到了！《影之刃零》发售了！ 这款从 2023 年首次亮相、经过多轮实机演示和跳票（划掉）的国产动作游戏，今天正式登陆 PC 和 PS5。 再过三个星期，另一场持续多年的等待也将结束，《GTA 6》定于 11 月 19 日发售 一款大作面世，人们早已习惯以「年」为单位计算时间。开发团队要搭建城市和关卡，设计战斗规则，让角色、武器、物理与画面在玩家按下每一个按钮时正确合作。 另一边，几乎每款新的 AI 模型发布后，互联网上都会迅速出现一批游戏——速度堪比 Steam 上新。 Claude Opus 5.5 发布时，Anthropic 特意展示了不同模型根据同一条提示词制作游戏的结果，并称 Opus 5.5 在画面和完成度上得分最高。OpenAI 介绍 GPT-6 Astra 的计算机操作能力，也把游戏开发放进重点演示，一位开发者用它制作了一段可以游玩的伦敦历史。 ▲ 图片来源：soonlab.ai Kimi K3.1 Pro 上线后，社区又让它与 Claude、GPT 和 DeepSeek 同场制作第一人称射击、农场、赛车与迷宫游戏，比较生成时间、价格和最终效果。最新推出的 Genie 4，官方用的是「可交互世界」「实时模拟」「可探索原型」，仔细一看——不还是很像游戏嘛。 ▲ 图片来源：Google DeepMind 模型发布后的传统节目原本是跑分，现在，越来越多人选择让它做一款游戏。这些当然不是下一部《影之刃零》、《GTA 6》。不过有意思的是，当 AI 公司需要证明一个新模型究竟强在哪里，它们为什么越来越喜欢让模型先做一款游戏？ 一只怪鸟，如何变成了模型测试 10 月 28 日，独立开发者 Simon Willison 给这种变化下了一个判断：2025 年 11 月，代码 Agent 跨过了「可以成为程序员日常工具」的门槛；到了 2026 年 10 月，模型又跨过了制作游戏的另一道门槛。 这种展示方法有一个简单的前身。 2024 年，Simon Willison 开始用同一句提示词测试不同模型：「生成一张鹈鹕骑自行车的 SVG」，而且是模型直接写出构成图像的 SVG 代码，不能只是给个图。 任务听起来近乎玩笑，鹈鹕是哪里冒出来的怪鸟？但实际做起来并不容易：自行车需要两个对齐的轮子、相连的车架、车把与踏板；鹈鹕不仅要被画出来，还要坐在车座上，把脚放到踏板附近，身体与自行车保持合理比例。代码只要漏掉一个标签，图像便可能无法渲染；坐标关系稍有偏差，鹈鹕就会悬在车外，车轮和车架各过各的生活。 早期模型画出的结果通常只是两个圆、一个三角形和一只勉强能认出的鸟。到了 2026 年，新模型已经会给鹈鹕补上羽毛、长喙、脚蹬和车链，甚至主动增加鱼篮、帽子与沿途风景，景色要随着动作有所变化。在 Simon 的博客上，因此有了各种各样的鹈鹕。 「鹈鹕测试」并不是严谨 benchmark，它只运行一次，没有统一控制推理档位、成本和工具，也不能证明哪一个模型综合能力最强， 它流行的原因在于不需要解释。空间关系是否合理、代码有没有正确变成图像，一眼就能看见。 游戏延续了同一种逻辑，只是把静止的 SVG 变成了可以操作的系统。如果说鹈鹕测试的是模型能否把一组代码组织成连贯画面。游戏测试的是，当用户有所操作后，模型设计出来的框架和组件，还能不能继续运作。 游戏里藏着多少种能力 以近期常见的「单提示词制作 FPS」为例，玩家拿着武器移动，敌人从远处靠近，开枪后出现命中反馈，击败一波敌人后进入下一关。 ▲ Claude of Duty 项目，使用Claude Opus 5 统筹多个 Agent，写出约 5.5 万行 Three.js 代码，模型、纹理、动画和声音均由代码实时生成的仿《使命召唤》游戏。图片来源：Github @Claude of Duty 看着只是十几秒之间的操作，模型实际需要同时搭起许多相互依赖的部分：它首先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；还要生成武器、敌人与障碍物，并处理它们之间的距离和遮挡。扣下扳机后，程序需要计算射线或子弹轨迹，判断有没有命中敌人的碰撞区域，再扣除生命值、播放动画、更新得分。敌人还要知道怎样寻找玩家，关卡系统则要决定下一波在何时、何处出现。 这些功能单独写对了，游戏仍然可能没法玩：相机转动与角色方向没有同步，玩家会横着滑行；子弹击中模型却没有触发碰撞，枪便只是会发光的装饰；敌人、计分与关卡各自运行，却没有共享同一套状态，游戏就无法形成循环。 ▲ GPT-5.2 根据「制作浏览器版《反恐精英》」的提示生成的可玩 FPS。图片来源：instantdb.com 因此，一款简单游戏同时检查代码生成、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。它还要求模型完成最后那一点常被 Agent