GPT-6 Astra「鹈鹕测试」：从骑车鹈鹕看空间与推理档位

新模型一上线，开发者社区里最快出圈的往往不是完整榜单，而是一个能截图传播的小实验。GPT-6 Astra 发布后，这类实验里最有名的之一，是沿用多年的 「画一只骑自行车的鹈鹕」（pelican on a bicycle）——通常要求模型输出 SVG，再把不同模型、不同推理档位的结果排成对比网格。

Simon Willison 等在拿到 Astra 后，用 low / medium / high / xhigh / max 等档位生成鹈鹕 SVG，并与 GPT-5.6 的 Sol、Terra、Luna 放在同一张对比图里。结论很直观：Astra 的鹈鹕明显更像「一只鸟在骑车」，而不只是抽象色块拼图。

鹈鹕测试测的是什么

它不是官方基准，而是社区压力测试，主要考察：

1. 空间关系——鸟、车架、轮子、腿是否在合理位置
2. 结构完整性——SVG 是否可渲染、部件是否齐全
3. 指令遵循——是否真的在「骑」车，而不是鸟和车分家
4. 推理档位的边际收益——多花 Token 是否换来更清晰的结构

对 Astra 这类强调 空间、机械与 Agent 的模型，鹈鹕测试恰好踩在「几何关系 + 可执行输出」上，所以参考价值比纯文笔打分更贴发布叙事。

Astra 网格里常见观察

综合公开对比与社区记录，大致有这些共识：

也有人顺带用 Blender 等做「鹈鹕骑车」三维场景，与 SVG 测试形成同一主题的 2D 结构 vs 3D 工具操作 对照，和 Astra 的 Computer Use / 空间生成讨论是一条线上的。

它能说明什么，不能说明什么

能说明：

• 模型在 向量图形级空间布局 上相对上代有肉眼可见的提升
• 提高 reasoning effort 对结构复杂度任务仍然有用
• 「好玩的小测试」可以快速暴露 地板与天花板，适合做发布后的第一轮体感

不能说明：

• 不等于 AGI，也不等于写作、法律或长文风格一定更强（有早期体验认为文笔相对上代并不占优）
• 不等于 ARC-AGI 等正式基准的分数可直接换算
• 单次 SVG 成功 ≠ 生产环境里长程 Agent 稳定

因此更合理的读法是：鹈鹕测试是空间与可控生成的烟测（smoke test），用来决定「值不值得继续做重测试」，而不是用来下最终判决。

和正式榜单怎么一起看

Astra 发布材料强调电脑操作、工程、数学与对齐；第三方则提醒综合智能指数未必暴涨、部分分数依赖评测 harness。鹈鹕网格的作用是：

• 若鹈鹕仍然「碎成几何色块」→ 空间能力叙事要打折
• 若 low 档就明显可读 → 日常成本档可能就够用
• 若只有 max 才像鸟 → 生产上要慎用默认满档，并做费用上限

这与「短任务用低档、难空间/难 Agent 再升档」的工程策略一致。

想自己复现时注意什么

1. 固定提示词（例如：生成鹈鹕骑车的 SVG，要求部件可辨、可独立打开渲染）。
2. 只改模型与 reasoning 档位，便于对比。
3. 记录输入/输出 Token 与费用，避免只比「好不好看」。
4. 多跑几次：生成有随机性，网格应看成分布而不是一张定终身。

接入与试用

鹈鹕测试用官方 ChatGPT / API 即可。若团队要在统一入口切换 GPT 与 Claude 等模型做并排实验，可用兼容网关管理密钥。

DDS Hub 按 Model Group 分组管理模型，便于把旗舰与日常模型分开计费；GPT-6 Astra 等是否在列以 www.ddshub.cc/models 为准，文档见 www.ddshub.cc/docs 。

结语

GPT-6 Astra 的「鹈鹕测试」爆红，是因为一句话提示就能把 空间结构能力 展现在网格里：相对 GPT-5.6 系列，骑车鹈鹕从「抽象拼贴」更接近「可识别的场景」。它适合作为发布后的第一轮体感与档位成本实验，但真正的选型仍要回到仓库任务、电脑操作链路与账单结构。先看鹈鹕是否像鸟，再决定要不要为 max 档买单——这是社区测试最实用的读法。

本作品采用《CC 协议》，转载必须注明作者和本文链接