2026年7月22日 - 链接博客

AI实验室是否在刻意训练“鹈鹕骑自行车”？（pelicanmaxxing）（来源链接）这是一项相当扎实的研究成果。Dylan Castillo 全面剖析了一个经常被拿来调侃的问题——AI实验室是否故意让模型生成“鹈鹕骑自行车”的图像，以回应他那套颇受争议的基准测试。

此前也有研究人员进行过随机抽查，例如用其他动物搭配其他交通工具来对比，但从未有任何实验设计像Dylan这样细致入微。

Dylan 选取了8种动物 × 6种交通工具 = 48个提示词，每个提示词重复运行3次，共测试了7个模型（GPT-5.6 Terra、Claude Sonnet 5、Gemini 3.5 Flash、Grok 4.5、Qwen3.7-Max、GLM-5.2、DeepSeek V4 Pro）。随后，他使用GPT-5.6 Luna和Gemini 3.1 Flash-Lite辅助评估结果。

这个交互式筛选视图非常方便，可以直接查看结果：

在他所测试的模型范围内，并未发现任何“鹈鹕最大化（pelimaxxing）”的证据：

• 鹈鹕骑自行车的生成质量并未优于其他组合
• 各家实验室在绘制鹈鹕方面没有明显优势
• 各家实验室在绘制自行车方面同样没有明显优势
• 即便控制难度差异后，鹈鹕骑自行车这个组合依然没有更出色
• 鹈鹕+自行车的场景看起来并非模型记忆化（memorization）的结果

鹈鹕并不比其他动物画得更好，自行车也不比其他交通工具画得更好。没有任何一个实验室在“鹈鹕骑自行车”这个组合上的表现超出其单独绘制鹈鹕和自行车的预期。GLM-5.2最接近：它在这个组合上的提升幅度最大，而且第一张鹈鹕骑自行车的样本确实令人眼前一亮。但效果非常微弱，统计上也不显著，因此不必过于当真。