新模型发布先做个游戏，这仪式从哪来

新手机发布会跑跑分，新模型发布会——做个游戏。从射击到赛车再到迷你即时战略，每家实验室的演示页都开始像一个游戏库。这股风气不是巧合，背后是一套越来越成熟的「发布仪式」。

一、发生了什么

爱范儿 10 月 30 日的文章梳理了这条脉络。起点是独立开发者 Simon Willison 从 2024 年起用一句固定提示词测各家的模型：让模型直接写出鹈鹕骑自行车的 SVG 代码。这个看似恶搞的测试流行开来，因为不需要解释——轮子对没对齐、鸟有没有坐上车座，一眼见分晓。到了今年，鹈鹕测试升级成了游戏测试：Anthropic 展示过不同模型按同一提示词做游戏的对比，OpenAI 用游戏演示新模型的计算机操作能力，社区还让各家模型同场做射击、农场和赛车游戏比成绩。

文章的判断是，一款小游戏同时检验了代码生成、空间理解、状态管理、物理规则和交互反馈，而且观众不用懂代码，看十几秒视频就能判断穿帮与否——技术上足够复杂，传播上又足够轻巧，这让它成了比跑分更高效的「肌肉秀」。还有一个更现实的考虑：几十万行的编程项目没法浓缩成可传播的素材，而游戏天然自带画面、动作和结果，一段人物奔跑加子弹命中的视频，就是最好的能力说明书。

二、跟你有什么关系

想选模型的开发者：游戏演示能证明模型能交付能跑的原型，但证明不了它能维护商业项目，选型还是得拿自己的任务试。

准备发产品的团队：如果你的产品也涉及「能力难以展示」，演示物的设计本身值得抄作业，找一个人人秒懂的可验证场景。另外可以借这个趋势反向理解竞品：一家公司反复拿什么当演示，往往说明它真正有把握的只有那块。

普通围观者：看演示时多问一句代价，能帮你少被宣传稿带着走。

三、怎么判断

1. 记住游戏测的是「一次性生成」，不是长期维护。浏览器小游戏不必处理账号、并发和版本更新，这和真实交付是两种工作。
2. 找公开记录里的失败数据。同一场演示背后常有几十轮重试和被毙掉的版本，比如一个三维城市演示项目实际分十一轮、消耗数十亿 token 才成片。
3. 有评测机构做过更严的版本：让 agent 按自然语言完成上百个游戏任务并真机运行，最强 agent 的整体完成度仍只有四成多——原型惊艳和稳定达标是两回事。

四、三个别信的说法

模型一分钟能做出游戏公司几年的活。 演示视频剪掉了提示词迭代、人工挑选和失败版本，成本上千万 token 的项目在标题里只有一个「一键」。

能做游戏就等于代码能力强。 游戏是训练数据里范式最丰富的领域之一，模型是在拼装成熟惯例。换一个惯例稀少的专业领域，表现会缩水。

跑分没用了，看游戏就行。 游戏同样可以被刷：选熟悉的玩法、优化演示路径，本质还是一种 benchmark，只是更上镜。

五、一句话结论

游戏是新的发布会礼仪：证明模型会交付成品，但别把它当成工程能力的全部答卷。

信息来源

• 爱范儿：为什么新模型发布都要先做一个游戏

功能与价格以官方公告为准。本文写于 2026 年 10 月 31 日。