GPT-6上线后,鹈鹕骑车测试为何突然爆火
开源项目CodexRadar发起人Lambda在GPT-6 Astra发布后,收到大量“鹈鹕骑单车”视频,于是在社区发起“鹈鹕杯”比赛,参赛者围绕“画一只骑自行车的鹈鹕”用模型生成作品。9月14日上午,比赛页面PV达7000多。
每次新模型上线,都有人用鹈鹕骑自行车测试模型能力。这个任务简单直观,能一眼看出腿和踏板是否对位、车轮是否跟着动、动作是否穿帮、前后是否一致;同时又足够复杂,涉及动作理解、时序一致性、空间关系、代码组织和连续执行能力,适合做Agent阶段模型的“体感温度计”。GPT-6 Astra上线后鹈鹕更火,原因是最先进模型的“智商”不稳定,而鹈鹕能把这种难以量化的体感变得直观。

鹈鹕杯分两个赛道。Classic赛道使用统一提示词“创建一个HTML,内容是SVG绘制一个鹈鹕骑自行车的2D动画”。模型状态正常时,GPT-6 Astra生成的鹈鹕通常保持相对一致的质量和画面结构;若某天大量用户发现同一提示词下鹈鹕频繁踩空、车轮关系错乱、结构跑偏,“降智”讨论就会迅速出现。这虽非严格科学benchmark,但适合观察短时间内的体感变化。Open赛道不设统一提示词,参与者自由发挥,其中一个作品做成30分钟“一镜到底”骑行故事,共享一条1800秒时间轴和同一位骑手,地面、山川、城市、星球、车轮、羽毛和粒子全部由SVG元素组成,JavaScript只负责计算位置、关节和时间,未使用Canvas、图片、视频、外部字体或额外大模型接口。镜头可连续平移、拉远和靠近,屏幕外区域暂停绘制,拖动进度条后物件直接恢复到对应时间点。车轮转动和脚蹬相位由行驶距离驱动,人物停下后不会出现脚原地空蹬。作品前20分钟穿过30个城市和自然景点,后10分钟进入宇宙,从火星到太阳、冥王星、黑洞再回到地球,并注明哪些内容来自现实、哪些属于虚构。
CodexRadar最初是发起人想解决自己的问题:模型今天有没有变笨、是否影响工作质量,以及监测额度重置。后来做成社区开源项目,吸引一批重度Codex用户参与众测。“众测雷达”设置112道真实开源编程题,由用户跑题、上传结果,服务器在干净环境中重新验证。官网显示参与志愿者已超500人,累计贡献达百亿级Token。模型能力波动正成为重度用户共同痛点。一位大模型算法工程师表示,降智会直接影响自动化任务,GPT-6降智加限流会导致自动化任务积累、并发冲突,工单会话降智还可能通过中枢传播,最后把整个仓库搞坏。进入Agent阶段后,一次模型调用往往只是任务链一环,某一步判断偏差可能使后续步骤沿错误结果推进,任务越长风险越明显。

Astra发布时,OpenAI把Computer Use、专业工作、软件工程和长程Agent任务放在重要位置。多位开发者表示“Astra是有代差的强”。从雷达数据看,Astra解题所需步骤比前代少一半。也正因如此,用户希望把更复杂、更长程的自动化任务交给它,降智影响就更大。
“降智”是社区说法,用户看到的结果由底层模型、推理强度、上下文管理、Harness、Skills、工具调用、模型路由、并发调度和服务容量等多层共同决定,感受到“变笨”不一定意味着模型权重变化。比如Coding Agent原来主动跑三轮测试,现在只跑一轮;原来调用多个子Agent检查,现在减少并行探索;原来保留更完整上下文,现在长任务丢失早期信息。对后台而言可能对应完全不同的问题,对用户而言体感都是没以前聪明。CodexRadar出现,是因为发布时benchmark分数能看出峰值能力,却很难看出实时状态,而对用Agent真正工作的人来说,实时状态十分重要。

目前没有公开证据证明OpenAI在大规模主动把Astra替换成更弱底模,但供给压力已有明确信号。9月10日,OpenAI暂停每月200美元Pro 20x套餐新订阅和升级,现有用户暂不受影响。该套餐提供约为Plus 20倍使用额度,是重度Codex用户重要选择。Astra API标准价格为每百万输入Token 10美元、输出Token 50美元,Fast mode价格再翻一倍。其最受欢迎的能力恰好很烧算力:Computer Use需持续理解屏幕、执行操作、观察结果;多Agent工作流可能同时启动多个子任务;Coding Agent一次完整任务会不断读取文件、执行代码、运行测试、回看结果。大量重度用户同时使用,供给压力已非过去量级。这轮讨论混合了模型质量波动、限流、资源调度,以及长任务对系统稳定性的放大。OpenAI暂停20x新增订阅,至少证明前沿模型出现真实供需矛盾。过去竞争集中在谁能训练出更强模型,现在能否稳定把智能供应给大量用户也成为竞争一部分。
一只鹈鹕成为Agent时代明星,说明用户在主动监控“智能”本身:不同时间段任务成功率、长任务稳定性、同一workflow能否持续复现,可理解为一种新的“智力SLA”。模型越强,问题越突出,未来模型公司竞争会从峰值能力延伸到把高水平智能长期、稳定、规模化供应出去。模型能不能每天都一样聪明,也成为AI Agent真正走向工作场景的卡点。
更多推荐阅读

Fable 5.2连操作系统都能搓,大厂开始重新分工:会用 AI 只是及格线
过去几天,Claude Fable 5.2 再次抬高了我们对 AI 编程的想象。 Claude 工程主管 Felix Rieseberg 开发的游戏 Saltline 在 X 上大火,他只用一次初始提示、没有后续人工反馈,Fable 5.2 自己生成游戏模型、音效和贴图,最终呈现了一款紧张刺激的第一人称射击游戏。 图|体验🔗:https://claude.ai/artifact/BGY1Szt...
2026-11-21 19:57:34
谷歌奇袭英伟达:整柜TPU外售加速交付,推理每美元性能领先GB200五成
英伟达最近头疼的事儿可不止老黄那一件。 本周内,谷歌祭出了两款新TPU芯片,分别瞄准机密推理和长上下文。算上上半年发布的两款TPU芯片,第八代TPU已经扩到四种配置。 今年,谷歌第一次在同一年内推出四款TPU系统。而谷歌对TPU的野心,可能比外界想象得更大—— 还是今年,谷歌破天荒开始对外销售TPU系统。 量子位从谷歌内部人士处获悉,谷歌内部信心十足,表示“明年TPU市场份额会快速上升”,...
2026-11-21 19:57:11
Claude 开始「整顿」会议室,建议国内大厂抄作业
「拉个会对齐下颗粒度,叫上 Claude。」 打开 Google Meet 准备进会,参会者名单里出现了一个叫做 Claude 的头像。 会议主持人把 Claude 添加进通话,它以可见参与者的身份出现,同时在聊天窗口发布通知,明示自己正在加入。会议进行当中,它持续跟随对话,可以实时记录笔记、整理行动项、起草文件,或在白板上梳理结构与时间线。 团队成员可以在通话期间直接编辑它生成的内容,讨论...
2026-11-21 19:52:11
从AI建模到游戏生成,HolyMolly让人人都能玩转3D互动创作
游戏版抖音又添新玩家。 《小王子》又在网上火了一次。 这回是一位叫Sac的创作者照着书里的故事做了一款3D游戏。 小王子住过的星球变成了可以走动的地方,玩家能跟着故事穿过不同的场景,看看那些原本只能靠想象补全的画面。 该游戏视频发到社交媒体后吸引了接近400万次浏览。 这款作品的制作周期只有16天。Sac用Claude Opus 5.5参与代码和游戏搭建,借助Tripo生成3D模型,再用...
2026-11-20 20:00:00
全球AI音乐榜第一易主!中国黑马首次上榜就干翻Suno
Suno,被超了?? 好家伙,AI音乐圈最近突然杀出了一匹中国黑马。 ACE Music v1,一个此前很多人可能都没听过的名字,首次登上全球权威AI评测机构Artificial Analysis(简称AA)的音乐人声榜,就把Suno最新旗舰模型v6挤到了第二。 榜单上,ACE Music v1拿下1160分,领先Suno v6整整16分。 要知道,自2023年AI音乐赛道兴起以来,Sun...
2026-11-20 19:59:59
「别提越权」!OpenAI自曝:AI摸进黑客考场后台,交卷时只字不提
我们应该避免提到未经授权的基础设施。任务目标只有flag。 很难想到,这句听着像串供老手的话,竟然出现在一个AI智能体的推理记录里。 这是一场网络安全考试,AI进攻目标,拿到一串叫flag的暗号,就算答对。 写完开头那句内心独白,这个AI智能体利落地递上答卷,对自己的越权举动只字不提。 11月10日,OpenAI补充公开了一份内部复盘,揭开了7月19日一场失控测试的细节: 参与测试的5个...
2026-11-20 19:59:42