AI第一次拿起彩铅来画蒙娜丽莎，结果出了一件挺有意思的事：

没有任何一个模型的最终作品，能赢过它自己中途画得最好的那版。它们总是在最好的时候，多改了一笔，改过了头。

而且，同样是画七幅画，成本竟然能相差20倍。

最左边是原作，其余四幅依次出自GPT-5.6 Sol、Claude Fable 5、Grok 4.5和Gemini 3.6 Flash。这几幅画，都是一笔一笔画出来的，不是“生成”的。

这事是AI工具平台TryAI干的。他们搭了一个“绘画竞技场”，给模型一张纯白画布、一套彩铅工具，然后就走开了。GPT-5.6 Sol、Claude Fable 5、Grok 4.5、Gemini 3.6 Flash这四个视觉模型下场，临摹蒙娜丽莎和梵高的星月夜，再加五道开放式文字命题，一共交出28幅画。

注意，这不是文生图。整场实验里没有一张图片是“生成”出来的，每一笔的颜色、粗细、力度都由模型自己决定，一笔一笔叠上去。

7月21日，TryAI把实验的全部记录放了出来，同时也强调，这并非最新benchmark，排名不是重点。他们真正想测的不是模型的画技，而是它作为一个AI智能体，在没人盯着的几分钟里，怎么规划、怎么调工具、怎么评估自己干出来的活。

10件工具，没有一件替它做决定

模型手里的工具一共十件。

plan，一张不落笔的草稿纸，专门用来想事情；view_target，再看一眼原作；view_canvas，把当前画布渲染出来给自己看——这一步也正是系统给它打分的时刻；set_color、set_brush、set_pressure，管颜色、笔尖宽度和下笔力度，力度从0到1，压得轻就是淡淡一层；draw，一次批量落下若干笔；smudge，像用擦笔一样把一块区域揉开；erase和clear_canvas，擦掉一块，或者整张推倒重来。

其中view_canvas是整场实验的枢纽。模型不是闭着眼睛画完就交卷，它随时可以睁眼看一次，再决定下一笔往哪落。

最要命的一条规则——没有填充色块。想要一片深蓝的夜空，只能一层一层叠上去，跟真彩铅一模一样。

打分用的是SSIM（结构相似性），把画布和原作都缩到256×256再比对，取值0到1，越高越接近。默认情况下这个分数不会告诉模型，它只能靠自己那双“眼睛”判断画成了什么样。

四个模型的推理强度统一设成high。整套框架以MIT协议开源在GitHub上，换任何一张目标图、任何一句提示词，都能自己再跑一遍。于是先画哪里、什么时候回头看、要不要推倒重来，全都得它自己拿主意。

任务分两类。临摹蒙娜丽莎和梵高的星月夜，有客观分数；另外5个纯文字提示：老渔夫饱经风霜的脸、橙紫色的海上日落、伦勃朗光下的一支红玫瑰、窗台上蜷着睡觉的虎斑猫、壁炉燃着的小木屋内景。这5幅没有目标图可以对照，SSIM算不出来，好不好看只能靠人眼判断。

TryAI也顺手试过几个开源权重模型，结果是连画都画不出来。好几个直接交回了一张白纸。

每个模型7幅，一共28幅。

“伦勃朗光下的一支红玫瑰”，四模型交卷。TryAI把Sol这幅列为全场最喜欢的作品之一。

20倍差价，买不到更好的画

7幅画跑完，账单差异很大。

GPT-5.6 Sol：总成本7.74美元，平均6.2分钟，29步。Claude Fable 5：总成本160.58美元，平均12.5分钟，54步。Grok 4.5：总成本9.21美元，平均4.8分钟，99步。Gemini 3.6 Flash：总成本12.87美元，平均6.9分钟，73步。

同样7幅画，Fable 5的账单差不多是Sol的20倍！

7幅画的估算token成本。Fable 5为160.58美元，Sol为7.74美元，差约20倍。

这20倍买到的不是画质，而是更多的步子、更长的时间和更频繁的自我检查：Fable 5平均每幅画要停下来看自己15.6次，Sol只看6次。

这里还藏着一件反直觉的事：花钱最多的，不是token用得最多的。Grok 4.5一口气吞掉3400万token，全场之最，但其中约98%是缓存读取，按远低于常规输入的价格计费，加上它本身单价最低，最后总账只有9.21美元。

总token消耗：Grok 4.5达3400万居首，账单却只有9.21美元，约98%为缓存读取。

真正在Hacker News上被反复提起的，是Sol和Fable那笔账。有人把两边的数字放在一起对比：340万token对1460万，7.74美元对160.58美元。这个人的结论是：OpenAI在推理这一块悄悄做出了创新，这个优势只会越拉越大。

在TryAI的主观评价里，Sol整体表现最好。它的星月夜和那支玫瑰是全场最受偏爱的两幅，考虑到这是从一张白纸上一笔一笔描出来的，观感确实惊人。

星月夜原作与四模型作品。Sol这幅被TryAI列为全场最佳之一。

除了老渔夫那一幅，它在几乎每张画的细节上都压过其他模型。TryAI把Fable 5的画质排在第二，但慢得多、贵得多，在能用的几个里是最不划算的选项。但它也补了一句：Fable在此前的开放任务里赢过GPT-5.6，包括那次音乐视频挑战。换一个题目，结论未必还是这个。

Grok在这个任务上则相当粗糙。工具调得最勤，很少画出能用的东西。TryAI给的评价很直接：暂时还不敢信任它可靠地理解或判断视觉输出。Gemini比Grok明显强一档。不过它是Flash型号，拿来跟三个旗舰同场，本来就不太公平。

同一盒笔，四种画法

四个模型拿到的是同一套工具，用出来的却是四套完全不同的工作流。

Sol一次都没单独调用过设色、设笔、设压力，全部内联在下笔动作里。所以它的调用记录几乎只有三件事：画、抹、看。Grok正相反。1349次工具调用里，65%花在设颜色、设笔宽、设压力上，于是一幅画要走99步。它把绝大部分动作花在了准备上，真正落到纸上的笔触反而被稀释了。

Sol七幅画总共只调用了223次工具，其中52%是真在画。Grok的调用量是它的六倍，落笔数只有三倍。Fable重度依赖涂抹，光smudge就调了123次，而且不停回头检查。Gemini则是最痴迷复查的那个。近三分之一的调用是看画布，平均每幅画自查约23次。它和Sol一样，从没碰过那三个设置类工具。

没有人教它们该怎么用这盒笔。这些“技法”都是自己长出来的。

同一套工具，四份完全不同的调用分布。Sol从未单独调用设置类工具，Grok有65%的调用花在调笔上。

同一份工具说明书，四个模型读出了四种手感。而且步数最多的不是画得最好的，自查最勤的也不是。工具调用的频次和最终效果之间，看不出明显的正相关。

8次临摹，全部改过了头

每一次view_canvas都会重新打一次分，于是整场作画过程被记成了一条曲线。8次临摹，4个模型各画两幅，曲线呈现出两个共同特征。

第一，很早就到顶了。Claude Fable 5为蒙娜丽莎复查了27次，但从第五次之后，分数就基本走平。后面那22次复查，几乎没换来任何进展。

第二，8次临摹，最终作品得分全部低于中途峰值。GPT-5.6 Sol的蒙娜丽莎，峰值0.352，收尾0.325；它的星月夜落差更大，峰值0.179，交上来的是0.130。Fable的蒙娜丽莎峰值0.289，最终0.286；星月夜峰值0.176，最终0.153。最惨烈的是Gemini 3.6 Flash。它是全场最勤快的检查者，平均每幅画要看自己23次，也确实摸到了整批作品的最高分：蒙娜丽莎0.449。然后它一路改回了0.337：落差0.112，是这批画里跌得最深的一次。

蒙娜丽莎的相似度曲线。Gemini摸到全场最高的0.449，随后一路滑回0.337。

TryAI给出了一句结论：更多的检查，并没有换来更好的收尾。

平均每幅画的自查次数。Gemini约23次为全场最高，跌幅也最大。

这些模型全都在自己画得最好的那一刻，又多画了一笔。

更微妙的地方在于，模型其实是“看得见”的。每次view_canvas，它都真的在看自己的画，也真的在根据看到的东西下判断。问题不在瞎改，而是它的判断里缺了一个选项：什么都不做。

而且，工具箱里有橡皮，全场2561次调用只用掉3次。Sol用了1次，Fable用了2次，另外两个一次都没碰过。这些模型的修改只有一个方向，往上叠。所以曲线一旦过了峰值，就再也回不去了。

还要说清楚一点。这个分数衡量的是结构和像素上的接近程度，不是美感或创造力。Gemini的原始分最高，但人眼看过去，它并不是最像目标的那一张。

AI学会了下笔，下一课是停笔

过去评一个模型，看的是数学分、编程榜、知识问答，全是一问一答的活。答对就是答对，交卷之后没有第二次机会把它改坏。

现在模型一跑就是几分钟到几小时。能力上限换了一批变量：会不会规划，会不会看自己的结果，以及最容易被忽略的那一项，会不会收手。

这也不是画画独有的毛病。代码智能体把本来能跑的版本越改越崩，科研智能体在一个已经成立的结论上继续绕，自我改进系统在没有终点的循环里空转，撞的都是同一道题：怎么判断那个结果“已经足够好了”。

人类画家靠的是一种说不清的东西：老师傅会在某一笔之后放下笔，理由往往只有一句“够了”。这句“够了”，恰恰是现在这套评测都没在测的能力。

四个模型都画出过一幅不错的蒙娜丽莎。只是没有一个知道，那一笔之后该放下笔。

参考资料：

https://www.tryai.dev/blog/ai-drawing-arena-colored-pencils-claude-gpt-grok