智东西8月3日消息，昨天，OpenAI联合创始人、现Anthropic预训练团队成员、AI大神安德烈·卡帕西（Andrej Karpathy）在X展示了一种模型测试的新方法。他让Claude Opus 5将《指环王》开篇的故事用Three.js制作成3D动画，预算100万token。最终，Claude Opus 5运行约2小时，写出约5500行代码，任务成本约为10美元（约合人民币68元），卡帕西认为成片虽然有些粗糙，但很有趣。
▲卡帕西推文（图源：X）
与“用SVG画一只骑自行车的鹈鹕”这类静态测试相比，《指环王》测试把任务从一次代码生成扩展到持续约2小时的完整制作流程。
Claude Opus 5需要理解原文、拆解场景、创建多边形资产，将人物和物体放入三维坐标，再编写镜头与动画代码，并在运行过程中检查和修改结果。最终交付物不是视频模型合成的画面，而是一个能够在浏览器中运行的Three.js程序。
▲Claude Opus 5根据《指环王》开篇生成的Three.js动画画面（图源：X）
但测试也暴露了模型的短板。Claude Opus 5不能高效观看连续视频，也无法进入场景试玩，只能缓慢截取不同时点的画面逐张检查。卡帕西称，Claude Opus 5因此出现了数次错误，最终成片仍有不少粗糙之处。
芬兰手游公司Supercell创意AI主管、AIGC创作者鲁普·雷尼斯托（Roope Rainisto）提议，将程序化动画输入Seedance等视频模型，提高画面质量。卡帕西赞同这一思路，认为程序化代码可以负责分镜和控制，视频到视频模型则负责纹理和最终视觉效果。
▲雷尼斯托建议使用视频模型提升画面质量（图源：X）
一、从骑车鹈鹕到搭建中土世界，卡帕西把静态测试扩展为两小时3D任务
过去测试大模型视觉编程能力时，开发者经常让模型“用SVG画一只骑自行车的鹈鹕”。这类任务结果直观，生成时间短，也方便比较模型能否正确理解物体、空间关系和代码语法。
卡帕西认为，模型能力已经开始越过这类单幅图像测试的范围。他此次将任务扩展为一个长程项目，向Claude Opus 5输入《指环王》开篇第一段，提供100万token预算，并要求该模型用Three.js把文字内容渲染出来。
Three.js是一款面向网页的JavaScript 3D库。开发者可以用它处理场景、灯光、阴影、材质、纹理和三维数学运算，并在浏览器中绘制3D内容。
这意味着Claude Opus 5面对的并不是一次简单的“文字转画面”请求。该模型需要先理解原文涉及的场景和叙事元素，再将这些内容拆解为程序能够调用的几何资产，确定它们在x、y、z三个坐标轴上的位置，并编写镜头、动作和时间线代码。
经过约2小时运行，Claude Opus 5生成了约5500行代码，用程序化方式完成了故事渲染。卡帕西评价成片“有些粗糙，但很有趣”。并且，令他感到难以置信的是，Claude Opus 5能够在三维坐标中摆放和组织多种多边形资产，编写动画代码，并最终生成可以运行的内容。
卡帕西在评论区附上了“鹈鹕骑自行车”测试提出者西蒙·威利森（Simon Willison）的博客链接，供用户查看更多测试案例。他还公开了此次项目的源码和浏览器版本，用户可以直接运行或继续修改。卡帕西随后调侃称，可以期待“《侠盗猎车手》霍比屯版”，它说不定会赶在《侠盗猎车手6》之前问世。
▲卡帕西公开项目源代码和浏览器版本（图源：X）
二、Claude Opus 5生成动画，配音由ElevenLabs生成
这段作品并非全部由Claude Opus 5独立完成。有网友在评论区询问，视频中的音频是否也由Claude Opus生成。卡帕西回复称，配音来自AI语音公司ElevenLabs，而且由他手动选择声音，因为他对配音效果有明确偏好。
▲卡帕西回复配音由ElevenLabs生成（图源：X）
卡帕西同时称，大模型可以比较容易地调用此类语音API。此次实验中，Claude Opus 5主要负责Three.js场景、资产和动画代码，ElevenLabs则承担配音生成。
Three.js官方账号在评论区给出专业建议，提示模型应当合理使用“实例化网格”优化渲染性能。实例化网格能够批量渲染外形、材质一致、位置不同的物体，削减GPU渲染指令开销。
卡帕西将这条建议交给Claude Opus 5后，模型检查了场景代码。按照模型给出的统计，原版霍比屯场景包含1569次独立渲染调用；如果对草地、野花等重复物体使用实例化网格，只需4次调用即可渲染1154个同类物体。
这组数据说明，Claude Opus 5生成的初版程序虽然能够运行，但没有主动采用这一常见的3D渲染优化方式，仍需外部专业反馈。
▲Three.js评论模型适当情况下使用“实例化网格”与卡帕西的恢复（图源：X）
三、10美元让定制化世界成为可能，但Claude Opus 5还不会“玩”自己的作品
卡帕西没有披露输入、输出和工具调用分别消耗了多少token，因此100万token是任务预算，不能直接理解为模型最终输出了100万token。
此次实验的价值，不在于用10美元替代一部专业动画电影，而在于让过去投入产出比过低、几乎没人愿意制作的一次性项目变得可行。大模型能够连续工作约2小时，完成数千行只服务于特定场景的代码。
卡帕西认为，这类能力可能催生按需生成的高度定制化世界。未来用户只需给出一个主题，大模型就能临时生成一个类似《侠盗猎车手》的可探索世界。例如，用户可以进入模型生成的中土世界，以旁观者、非玩家角色或原作人物的身份参与《指环王》的故事。
不过，模型的生成能力已经走在审查能力之前。Claude Opus 5无法连续观看动画或控制角色试玩，只能逐张检查截图。这种方式不仅速度慢，还会丢失动作和镜头之间的连续信息。
卡帕西称，Claude Opus 5在检查和修改过程中数次出错。该模型虽然能够生成5500行代码，却无法确认最终结果在画面、空间和时间线上是否全部正确。
与静态SVG相比，这项测试不再只看模型能否生成一张图，而是观察模型能否持续规划、运行程序、检查结果并修复错误。实验说明，Claude Opus 5已经可以把一段文字转化为可运行的3D场景，但视觉审查和错误修复能力仍未跟上代码生成能力。
卡帕西的实验没有提供一个新的标准化评测分数，但提出了另一种观察模型的方法:将模型放进开放式、跨模态、长时间运行的任务中，检查它能否把文字理解、代码生成、空间推理和视觉反馈串成完整工作流。
结语：模型已经能够搭建场景，完整游戏仍需形成测试闭环
从静态SVG到可运行的3D程序，大模型能够承担的任务长度和复杂度都在增加。一些过去因制作成本过高而无人实施的定制内容，已经可以用较低成本快速验证。
要让这类程序进一步变成可玩的游戏，模型还需要理解连续视频、操作游戏角色，并根据试玩结果定位和修改代码。目前，这些环节仍需人类参与。
来源：X
