技术深度解析
鹈鹕骑单车SVG测试是一个看似简单却极具洞察力的探针，用于检验模型以物理上合理的方式组合多个物体的能力。SVG（可缩放矢量图形）是一种基于矢量的格式，以数学方式定义形状、位置和变换。要生成正确的SVG，模型必须：（1）理解鹈鹕和自行车的几何形状，（2）确定它们的相对位置，（3）确保接触点（脚在脚踏板上，手在车把上）在物理上真实，（4）生成有效的XML语法。
架构与方法
每个模型处理这项任务的方式各不相同。Claude Fable 5基于Anthropic的宪法AI框架，采用以长上下文连贯性为重点的Transformer架构。它试图将场景分解为逻辑部分：自行车车架、车轮、脚踏板，以及带有翅膀和喙的鹈鹕。其SVG代码最为冗长，包含明确的脚踏板位置坐标计算。然而，鹈鹕的身体比例缩放错误——其躯干相对于自行车车架过大，喙延伸到了车把之外。
GPT-5.5 Pro来自OpenAI，采用混合专家架构，估计有1.8万亿参数。它优先考虑视觉美感，生成了线条流畅、极简主义的设计。但鹈鹕被完全渲染在自行车座上方，双脚悬空。自行车本身比例协调，但模型未能建立两个物体之间的任何物理连接。
Gemini 3.1 Pro是谷歌最新的多模态模型，采用在大量图像-文本对上训练的统一编码器-解码器架构。其输出在语法上最为正确——有效的SVG标签，无错误——但构图是静态的。鹈鹕僵硬地坐在座位上，没有任何踩踏板或保持平衡的迹象。自行车的车轮被绘制成完美的圆形，但鹈鹕的腿是直线，缺乏关节。
基准对比
为了量化这些差异，我们根据四个指标评估了每个模型：结构连贯性（物体组合的优劣）、物理合理性（重力、接触点）、代码效率（SVG代码行数）和视觉吸引力（三位编辑的主观评分）。
| 模型 | 结构连贯性 (1-10) | 物理合理性 (1-10) | 代码效率 (行数) | 视觉吸引力 (1-10) |
|---|---|---|---|---|
| Claude Fable 5 | 7 | 6 | 245 | 6 |
| GPT-5.5 Pro | 5 | 2 | 89 | 8 |
| Gemini 3.1 Pro | 4 | 3 | 112 | 5 |
数据要点： Claude Fable 5在结构连贯性和物理合理性方面领先，但代价是代码臃肿。GPT-5.5 Pro在视觉吸引力上胜出，但在物理方面灾难性失败。Gemini 3.1 Pro各方面表现平庸。平均物理合理性得分仅为3.7分（满分10分），突显了系统性的弱点。
底层机制
核心问题在于这些模型如何表征空间。Transformer按顺序处理token，并依赖注意力机制来关联远距离的token。对于文本，这很有效。但对于空间推理，这从根本上受到限制。这些模型没有对3D几何、重力或物理约束的内在理解。它们从训练数据中学习相关性——鹈鹕和自行车的图像——但无法模拟鹈鹕在自行车上保持平衡的物理过程。
来自开源社区的最新研究提供了一些线索。`spatial-vlm`仓库（GitHub，约2.3k星）试图通过在3D场景图上训练，将空间意识注入视觉语言模型。另一个项目`physion`（GitHub，约1.1k星）使用简单的积木堆叠任务来基准测试物理推理能力。两者都表明，显式的空间模块能提升性能，但它们仍远未达到人类水平的直觉。
编辑要点： SVG测试揭示，当前的架构是模式匹配器，而非因果推理器。如果没有专用的空间推理模块，模型将继续在需要物理常识的任务上失败。
关键参与者与案例研究
Anthropic (Claude Fable 5)
Anthropic将Claude定位为以安全为中心的模型。其宪法AI方法强调对齐与无害性。在此测试中，Claude Fable 5试图将鹈鹕的脚放在脚踏板上，显示出尊重物理约束的刻意努力。然而，模型的保守性导致了过于复杂的代码。Anthropic的策略是优先考虑正确性而非创造性，这一点在此处显而易见。
OpenAI (GPT-5.5 Pro)
OpenAI的GPT-5.5 Pro是该公司的旗舰产品，针对广泛实用性进行了优化。其强大的视觉吸引力表明它在美学数据集上进行了大量训练，但漂浮的鹈鹕则表明缺乏物理训练。OpenAI尚未公开发布专用的空间推理基准，但内部论文表明他们正在探索3D感知训练。权衡是明确的：GPT-5.5 Pro擅长生成令人愉悦的输出，但牺牲了物理准确性。
Google (Gemini 3.1 Pro)
谷歌的Gemini 3.1 Pro被宣传为最通用的多模态模型。其语法完美的SVG输出证明了其在代码生成方面的优势，但静态构图暴露了在动态物理交互方面的训练不足。谷歌在3D场景理解方面有深厚的研究积累（例如，其SceneFormer架构），但这些能力似乎尚未完全整合到Gemini的文本到图像生成流程中。Gemini的表现表明，多模态训练并不自动等同于空间推理能力。
行业影响与未来展望
鹈鹕骑单车测试不仅仅是一个有趣的基准测试。它触及了当前AI能力的核心局限性。空间推理对于机器人技术（导航、操作）、自动驾驶（理解行人-车辆交互）和增强现实（将虚拟物体锚定到真实世界）等应用至关重要。如果最先进的模型无法理解一只鸟如何骑自行车，它们又如何能可靠地驾驶汽车或操作机械臂？
短期解决方案
一些团队正在探索将显式物理引擎（如MuJoCo或PyBullet）集成到模型训练流程中。通过让模型在模拟环境中进行交互，它们可以学习物理约束。然而，这需要大量的计算资源，并且可能无法很好地泛化到未见过的场景。另一种方法是使用3D场景图作为中间表示，强制模型在生成2D输出之前推理空间关系。
长期挑战
最终，AI社区需要开发能够进行因果推理的架构——不仅仅是预测序列中的下一个token，而是理解动作如何导致结果。这可能涉及神经符号方法，将神经网络与符号推理器相结合，或者开发新的注意力机制，能够更自然地处理空间关系。
编辑预测： 在未来12-18个月内，我们将看到专门的空间推理基准测试（如SVG测试的变体）成为模型评估的标准组成部分。能够通过此类测试的模型将在机器人技术和物理世界应用中具有显著优势。目前，任何声称具有“通用智能”的模型，如果无法通过鹈鹕骑单车测试，都应被谨慎看待。