四大AI手搓蒙娜麗莎！8次臨摹，最像那版全被自己改沒了

新智元報道

AI第一次拿起彩鉛畫蒙娜麗莎，但發生了一件奇怪的事：

沒有任何一個模型的最終作品，贏過它自己中途最好那版：它們總在最好的時候改過了頭。

而且，同樣是7幅畫，成本相差了20倍！

最左為原作，其余四幅依次出自GPT-5.6 Sol、Claude Fable 5、Grok 4.5、Gemini 3.6 Flash，全部一筆一筆畫成。

AI工具平臺TryAI搭了一個「繪畫競技場」，只給模型一張純白畫布、一套彩鉛工具，然后走開。

GPT-5.6 Sol、Claude Fable 5、Grok 4.5、Gemini 3.6 Flash四個視覺模型下場，臨摹蒙娜麗莎和梵高的星月夜，再加五道開放式文字命題，一共交出28幅畫。

這不是文生圖。整場實驗里沒有一張圖片是「生成」出來的，每一筆的顏色、粗細、力度都由模型自己決定，一筆一筆疊上去。

7月21日，TryAI把這場實驗的全部記錄放了出來，同時也強調，這并非官方benchmark，排名不是重點。

他們真正想測的不是模型的畫技，而是它作為一個AI智能體，在沒人盯著的幾分鐘里怎么規劃、怎么調工具、怎么評估自己干出來的活。

10件工具

沒有一件替它做決定

模型手里的工具一共十件。

plan，一張不落筆的草稿紙，專門用來想事情；

view_target，再看一眼原作；

view_canvas，把當前畫布渲染出來給自己看：這一步也正是系統給它打分的時刻；

set_color、set_brush、set_pressure，管顏色、筆尖寬度和下筆力度。力度從0到1，壓得輕就是淡淡一層；

draw，一次批量落下若干筆；

smudge，像用擦筆一樣把一塊區域揉開；

erase和clear_canvas，擦掉一塊，或者整張推倒重來。

其中view_canvas是整場實驗的樞紐，模型不是閉著眼睛畫完就交卷，它隨時可以睜眼看一次，再決定下一筆往哪落。

最要命的一條規則是：沒有填充色塊。

想要一片深藍的夜空，只能一層一層疊上去，跟真彩鉛一模一樣。

打分用的是SSIM（結構相似性），把畫布和原作都縮到256×256再比對，取值0到1，越高越接近。

默認情況下這個分數不會告訴模型，它只能靠自己那雙「眼睛」判斷畫成了什么樣。

四個模型的推理強度統一設成high。整套框架以MIT協議開源在GitHub上，換任何一張目標圖、任何一句提示詞，都能自己再跑一遍。

于是先畫哪里、什么時候回頭看、要不要推倒重來，全都得它自己拿主意。

任務分兩類。

臨摹蒙娜麗莎和梵高的星月夜，有客觀分數；

另外5個純文字提示：老漁夫飽經風霜的臉、橙紫色的海上日落、倫勃朗光下的一支紅玫瑰、窗臺上蜷著睡覺的虎斑貓、壁爐燃著的小木屋內景。

這5幅沒有目標圖可以對照，SSIM算不出來，好不好看只能靠人眼判斷。

TryAI也順手試過幾個開源權重模型，結果是連畫都畫不出來。好幾個直接交回了一張白紙。

每個模型7幅，一共28幅。

「倫勃朗光下的一支紅玫瑰」，四模型交卷。TryAI把Sol這幅列為全場最喜歡的作品之一。

20倍差價

買不到更好的畫

7幅畫跑完，賬單差異很大。

GPT-5.6 Sol：總成本7.74美元，平均6.2分鐘，29步。

Claude Fable 5：總成本160.58美元，平均12.5分鐘，54步。

Grok 4.5：總成本9.21美元，平均4.8分鐘，99步。

Gemini 3.6 Flash：總成本12.87美元，平均6.9分鐘，73步。

同樣7幅畫，Fable 5的賬單差不多是Sol的20倍！

7幅畫的估算token成本。Fable 5為160.58美元，Sol為7.74美元，差約20倍。

這20倍買到的不是畫質，而是更多的步子、更長的時間和更頻繁的自我檢查：Fable 5平均每幅畫要停下來看自己15.6次，Sol只看6次。

這里還藏著一件反直覺的事：花錢最多的，不是token用得最多的。

Grok 4.5一口氣吞掉3400萬token，全場之最，但其中約98%是緩存讀取，按遠低于常規輸入的價格計費，加上它本身單價最低，最后總賬只有9.21美元。

總token消耗：Grok 4.5達3400萬居首，賬單卻只有9.21美元，約98%為緩存讀取。

真正在Hacker News上被反復提起的，是Sol和Fable那筆賬。有人把兩邊的數字放在一起對比：340萬token對1460萬，7.74美元對160.58美元。

這個人的結論是：OpenAI在推理這一塊悄悄做出了創新，這個優勢只會越拉越大。

在TryAI的主觀評價里，Sol整體表現最好。

它的星月夜和那支玫瑰是全場最受偏愛的兩幅，考慮到這是從一張白紙上一筆一筆描出來的，觀感確實驚人。

星月夜原作與四模型作品。Sol這幅被TryAI列為全場最佳之一

除了老漁夫那一幅，它在幾乎每張畫的細節上都壓過其他模型。

TryAI把Fable 5的畫質排在第二，但慢得多、貴得多，在能用的幾個里是最不劃算的選項。

但它也補了一句：Fable在此前的開放任務里贏過GPT-5.6，包括那次音樂視頻挑戰。換一個題目，結論未必還是這個。

Grok在這個任務上則相當粗糙。工具調得最勤，很少畫出能用的東西。TryAI給的評價很直接：暫時還不敢信任它可靠地理解或判斷視覺輸出。

Gemini比Grok明顯強一檔。不過它是Flash型號，拿來跟三個旗艦同場，本來就不太公平。

同一盒筆

四種畫法

四個模型拿到的是同一套工具，用出來的卻是四套完全不同的工作流。

Sol一次都沒單獨調用過設色、設筆、設壓力，全部內聯在下筆動作里。所以它的調用記錄幾乎只有三件事：畫、抹、看。

Grok正相反。

1349次工具調用里，65%花在設顏色、設筆寬、設壓力上，于是一幅畫要走99步。它把絕大部分動作花在了準備上，真正落到紙上的筆觸反而被稀釋了。

Sol七幅畫總共只調用了223次工具，其中52%是真在畫。Grok的調用量是它的六倍，落筆數只有三倍。

Fable重度依賴涂抹，光smudge就調了123次，而且不停回頭檢查。

Gemini則是最癡迷復查的那個。

近三分之一的調用是看畫布，平均每幅畫自查約23次。它和Sol一樣，從沒碰過那三個設置類工具。

沒有人教它們該怎么用這盒筆。這些「技法」都是自己長出來的。

同一套工具，四份完全不同的調用分布。Sol從未單獨調用設置類工具，Grok有65%的調用花在調筆上。

同一份工具說明書，四個模型讀出了四種手感。

而且步數最多的不是畫得最好的，自查最勤的也不是。工具調用的頻次和最終效果之間，看不出明顯的正相關。

8次臨摹

全部改過了頭

每一次view_canvas都會重新打一次分，于是整場作畫過程被記成了一條曲線。

8次臨摹，4個模型各畫兩幅，曲線呈現出兩個共同特征。

第一，很早就到頂了。

Claude Fable 5為蒙娜麗莎復查了27次，但從第五次之后，分數就基本走平。后面那22次復查，幾乎沒換來任何進展。

第二，8次臨摹，最終作品得分全部低于中途峰值。

GPT-5.6 Sol的蒙娜麗莎，峰值0.352，收尾0.325；它的星月夜落差更大，峰值0.179，交上來的是0.130。

Fable的蒙娜麗莎峰值0.289，最終0.286；星月夜峰值0.176，最終0.153。

最慘烈的是Gemini 3.6 Flash。它是全場最勤快的檢查者，平均每幅畫要看自己23次，也確實摸到了整批作品的最高分：蒙娜麗莎0.449。

然后它一路改回了0.337：落差0.112，是這批畫里跌得最深的一次。

蒙娜麗莎的相似度曲線。Gemini摸到全場最高的0.449，隨后一路滑回0.337。

TryAI給出了一句結論：更多的檢查，并沒有換來更好的收尾。

平均每幅畫的自查次數。Gemini約23次為全場最高，跌幅也最大。

這些模型全都在自己畫得最好的那一刻，又多畫了一筆。

更微妙的地方在于，模型其實是「看得見」的。

每次view_canvas，它都真的在看自己的畫，也真的在根據看到的東西下判斷。問題不在瞎改，而是它的判斷里缺了一個選項：什么都不做。

而且，工具箱里有橡皮，全場2561次調用只用掉3次。Sol用了1次，Fable用了2次，另外兩個一次都沒碰過。

這些模型的修改只有一個方向，往上疊。所以曲線一旦過了峰值，就再也回不去了。

還要說清楚一點。

這個分數衡量的是結構和像素上的接近程度，不是美感或創造力。Gemini的原始分最高，但人眼看過去，它并不是最像目標的那一張。

AI學會了下筆

下一課是停筆

過去評一個模型，看的是數學分、編程榜、知識問答，全是一問一答的活。

答對就是答對，交卷之后沒有第二次機會把它改壞。

現在模型一跑就是幾分鐘到幾小時。能力上限換了一批變量：會不會規劃，會不會看自己的結果，以及最容易被忽略的那一項，會不會收手。

這也不是畫畫獨有的毛病。

代碼智能體把本來能跑的版本越改越崩，科研智能體在一個已經成立的結論上繼續繞，自我改進系統在沒有終點的循環里空轉，撞的都是同一道題：怎么判斷那個結果「已經足夠好了」。

人類畫家靠的是一種說不清的東西：老師傅會在某一筆之后放下筆，理由往往只有一句「夠了」。這句「夠了」，恰恰是現在這套評測都沒在測的能力。

四個模型都畫出過一幅不錯的蒙娜麗莎。

只是沒有一個知道，那一筆之后該放下筆。

參考資料：

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

編輯：元宇