鹈鹕测试是什么：从「骑自行车的鹈鹕」看模型空间与代码能力

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。其中最有名的之一，是沿用多年的 「画一只骑自行车的鹈鹕」（pelican riding 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。

GPT-6 Astra 发布后，开发者 Simon Willison 用 low / medium / high / xhigh / max 等档位生成鹈鹕，并与 GPT-5.6 的 Sol、Terra、Luna 放在同一张图里。观感上的结论很直接：Astra 的鹈鹕明显更像「一只鸟在骑车」，而不只是抽象色块。国内也有人把任务升级成 3D/动画版，或发起「鹈鹕杯」投稿赛，用同一题材观察模型是否「降智」、结构是否稳定。

鹈鹕测试测的是什么

它不是 OpenAI 官方基准，而是社区压力测试。经典提示词大致是：

Generate an SVG of a pelican riding a bicycle
（生成一个骑自行车的鹈鹕的 SVG）

难点在于一次要同时做对几件事：

1. 空间关系——鸟、车架、轮子、腿是否在合理位置，是「骑着」而不是「漂在旁边」
2. 结构完整性——SVG 能否渲染、部件是否齐全、会不会自相交成乱码
3. 概念组合——鹈鹕特征（大喙、喉囊）与自行车几何如何凑成一个场景
4. 代码生成——在不可擦除的一笔生成里写出有效矢量，而不是只描述「我画好了」

因此它测的是 世界知识 + 空间约束 + 结构化输出，和只刷选择题的榜单互补。后续也有人扩展成带动画的 HTML、更苛刻的品种与零件描述，或用裁判模型给 SVG 打分；还有分析讨论实验室是否在「针对鹈鹕刷分」（pelicanmaxxing），目前公开实验并未给出明显刷榜证据。

Astra 网格里常见观察

综合 Willison 等人的公开对比与社区复测，大致有这些共识（定性、非官方分数）：

也有横向对比指出：Claude、Gemini、Qwen、DeepSeek、Kimi、GLM 等在鹈鹕题上各有风格——有的更花时间修几何，有的更偏视觉装饰；一旦允许 Agent 多轮改自己的 SVG，测的就不再只是单次前向，而是工具闭环。鹈鹕适合当 烟雾弹测试，不适合单独决定采购合同。

和「降智」讨论的关系

统一提示词、固定输出格式之后，质量突然变成「鸟和车分家」或结构崩坏，社区常用来怀疑额度触顶、路由降档或服务波动。它的价值在于 可截图、可复现、和聊天体感相关；局限在于样本小、有随机性，且与真实仓库工程能力不完全等同。更稳妥的做法是：鹈鹕 + 一小段固定编码任务一起看，再下「今天是否异常」的结论。

如何自己复现

1. 固定英文或中文提示，要求 只输出 SVG（或固定 HTML+SVG 模板）。
2. 记录模型名、reasoning effort、日期与是否高峰时段。
3. 浏览器打开渲染，看腿、轮、车架关系，而不是只看「像不像卡通」。
4. 需要对比多家模型时，用同一提示打 API，避免网页套餐额度干扰结论。

用 DDS Hub 做多模型鹈鹕对照

若要在 GPT-6 Astra、GPT-5.6 与其它厂商之间并排试验，可为每家维护官方 Key，也可以用统一网关减少切换成本。

DDS Hub 通过 Model Group（模型分组） 管理模型：先选分组再创建 API Key，便于把旗舰与轻量模型分账，并用同一套鹈鹕提示做 A/B。适合在订阅额度波动时，仍用按量通道验证「是模型能力差，还是账号侧限流」。

• 站点：www.ddshub.cc
• 文档：www.ddshub.cc/docs
• 模型列表：www.ddshub.cc/models

结语

鹈鹕测试能火，是因为它把抽象的「空间推理」变成一张谁都能看懂的图。GPT-6 Astra 在公开网格里抬高了这类任务的下限，但 max 以下仍可能在细节结构上翻车；它说明代际进步，并不证明任何模型已经「懂物理」。把它当作发布日的快速体检，再配合真实业务任务与可计量的 API（含 DDS Hub 这类中转/网关），比只转发表情包式的鹈鹕截图，更接近工程师的用法。

本作品采用《CC 协议》，转载必须注明作者和本文链接