大模型的鹈鹕测试：为什么画出来都一个样

把各家模型画的「骑自行车的鹈鹕」并排放在一起。它们全都交了卷。问题出在下一眼——把这些图并排放，你会发现它们像是同一个下午、同一个人画的。

一、发生了什么

2026 年 10 月 14 日，arcfu.com 发了一篇很短的图文。图不是作者自己跑的，来自 Simon Willison 长期在做的一个非正式测试：让各家模型生成「骑自行车的鹈鹕」SVG，取每个模型在最高推理档位下仍然成功返回 SVG 的那一次。

选 SVG、选鹈鹕骑自行车，本身有讲究。SVG 是纯文本，图形怎么拆、怎么摆、坐标写在哪，全在代码里，可以直接并排比较；鹈鹕骑自行车这个题目又同时要求动物形态、器械结构和一个不可能发生的动作，任何一个环节理解偏了都会露出来。所以它成了模型能力的一个非正式标尺——便宜、直观、谁都能复现。

作者给这个现象起了个名字：多样性坍缩。他没说模型不会画，说的是这些图彼此太像——构图、比例、处理方式都落在一个很窄的范围里，换个模型也只是换个画法，不换想法。他在文末补了一句，说这是「没人讨论的那个问题」。

文末还附了一组量化，来自一个叫 Design Creativity Bench 的新基准：16 个前沿模型、80 个开放式 UI 任务，每个任务还换成两个不同产品领域，再和人类设计师的参考作品对比。评分分三维：原创性（和别的模型比有多不一样）、创作跨度（换了领域之后设计决策跟着变多少）、贴合度（是否满足需求）。最好的成绩是 GPT-6 Astra 的 65.5，人类参考是 92.3。

二、跟你有什么关系

用 AI 出图、出方案的人。 你拿到的第一版，本质上是整个训练分布的均值。它会很「顺眼」，但不「是你的」。

做设计评审的人。 如果几家供应商用的是同一批模型，撞脸是系统性的，不是谁抄了谁。评审标准里要单独留一条给「差异度」。

负责选型的人。 榜单第一名的意义有限。65.5 对 92.3 这组数说明的是整类工具离人类设计师还有距离，不是谁比谁强一点。

顺带说一句，这个基准测的是开放式 UI 设计，不是「画得像不像」。鹈鹕只是引子，真正被量化的是原创性、跨领域适应和需求贴合度这三件事。拿它去论证「模型不会画画」，属于用错了数据。

三、怎么用

1. 一次要五个方向，并且明确写「五个方案彼此不相似，不要同一个构图的变体」。不写这句，你大概率拿到五个近亲。
2. 换约束，别换形容词。改目标用户、改材料、改预算、改使用场景，比把「好看」换成「惊艳」有效得多。
3. 留一份人类参考作品在旁边。只在模型之间横向比，会把「大家都一样」误认为「这样就是对的」。这也是那个 UI 基准加人类参考分的原因。
4. 选定方向后，让它解释为什么这么选。说得出一二三，说明这是决策；说不出，说明这是模板。

四、三个别信的说法

「画得怪，说明模型不懂物理。」 这次的问题不是画错，是画得雷同。把多样性坍缩误诊成常识缺失，你会去修一个不存在的毛病——比如反复在提示词里强调「轮子要是圆的」，而真正该做的是要求它换构图。

「多试几次总能出新的。」 同一提示反复采样，结果通常在一个很小的范围里抖动。温度调高会带来随机噪声，不是新的设计思路。要拉开距离，得改输入里的约束条件。

「榜单分高就能替代设计师。」 65.5 和 92.3 之间不是小数点问题。这个基准测的是开放式设计任务，而基准本身也只是一个视角——它衡量的是「像不像有创造力的设计」，不是「能不能落地」。

五、一句话结论

模型给你的第一版是平均值。想要不一样的东西，你得先给出不一样的约束。

信息来源

• arcfu.com, "The Emperor Pelican Has No Clothes", 2026 年 10 月 14 日：https://arcfu.com/post/the-emperor-pelican-has-no-clothes/
• 文中引用的 Design Creativity Bench 数据（16 个模型、80 个任务、65.5 对 92.3）来自该文附带的基准说明。

功能与价格以官方公告为准。本文写于 2026 年 10 月 17 日。