文章摘要
根据用户反馈，文章重新评估了12个AI模型（包括GPT-5.6、Grok 4.5、Claude、Muse Spark等）构建4个应用的能力，每个模型尝试5次，并增加了开源模型对比，改进了评估方法，强调结果非客观但更透明。
文章总结
好的，这是根据您的要求，对原文进行的中文重述，保留了核心细节，并删减了与主题无关的推广性内容。
文章标题： GPT-5.6、Grok 4.5、Claude 和 Muse Spark 构建了相同的4个应用
核心内容：
本文延续了之前对AI模型编程能力的对比评测。在收到读者反馈后，本次评测进行了升级：引入了12个模型（包括GPT-5.6的三个版本、Grok 4.5、Claude Opus 4.8、Claude Fable 5、Meta的Muse Spark 1.1，以及GLM-5.2、Qwen 3.7 Plus、DeepSeek V4 Pro和Kimi K2.6等开源模型），针对4个应用任务，每个模型进行5次尝试，并公开所有原始结果供读者自行判断。
主要改进点： 1. 加入了开源模型作为对比。 2. 每个任务每个模型进行5次尝试，并公布所有结果链接，以展示模型表现的波动性。 3. 明确声明评测并非客观科学结论，仅为观察结果。
评测任务与结果：
任务1：Doom风格射线投射迷宫 * 要求： 第一人称视角，WASD移动，带深度阴影的墙壁，地板和天花板，碰撞检测。 * 结果： GPT系列整体表现最佳。GPT-5.6 Sol表现最稳定、细节最丰富。Grok 4.5在价格上极具竞争力。Muse Spark 1.1在成功运行的尝试中表现令人惊喜，但成功率不高（5次中仅2次成功）。Claude表现低于预期。GLM-5.2所有尝试均无法移动角色。
任务2：3D魔方（打乱+还原） * 要求： 构建彩色3D魔方，带有“打乱”和“还原”按钮，并能显示旋转动画。 * 结果： Claude Fable 5表现最佳，5次尝试全部成功且无瑕疵。GPT-5.6 Sol和Terra表现良好，但Luna版本在打乱后即出现错误。Claude Opus 4.8意外地未能完成一次完美还原。Grok 4.5表现尚可。
任务3：计算器 * 要求： 包含数字、运算符、清除、等于键，支持正确的运算符优先级，外观像真实计算器。 * 结果： Claude系列表现最佳，Opus和Fable均5次全成功，且Fable版本在样式上最受青睐。GPT-5.6 Sol试图过度设计样式（如3D渲染），反而影响了体验。Grok 4.5和GPT-5.6 Luna表现简洁稳定。Kimi K2.6无法处理负数。
任务4：康威生命游戏 * 要求： 网格画布，包含播放/暂停/单步/随机/清除按钮，点击可切换细胞状态，显示动画世代。 * 结果： 此任务相对简单，开源模型表现极佳。Qwen 3.7 Plus和GLM-5.2在极低成本下完成了高质量构建。Grok 4.5表现也不错。这表明开源模型在处理常见、有大量示例代码的任务时，性价比极高。
额外测试：SVG图像生成 * 测试1： 绘制一匹马骑着一个宇航员。 * 结果： Claude Fable 5生成的SVG质量最高，细节丰富且有趣。GPT-5.6系列表现平平，未能清晰呈现马或宇航员。Grok 4.5表现不错。 * 测试2： 绘制埃隆·马斯克和杰夫·贝佐斯观看蓝色起源火箭着陆。 * 结果： Claude Fable 5再次胜出，细节丰富（如贝佐斯的光头反光、着陆台的烟雾）。GPT系列生成结果偏卡通风格。开源模型GLM-5.2和Qwen 3.7 Plus在此任务中也表现出色。
速度与成本对比（简短回答）： * GPT-5.6 Luna 速度最快（约1秒），成本极低。 * Qwen 3.7 Plus 速度极快且成本极低。 * DeepSeek V4 Pro 和 GLM-5.2 速度较慢。
总结（TL;DR）： 1. 前沿模型在复杂任务上仍具明显优势。 GPT-5.6 Sol（擅长射线投射）和Claude Fable 5（擅长魔方）是本次评测的佼佼者。 2. 前沿模型与开源模型在复杂、新颖任务上存在明显差距。 但在简单、常见的任务（如生命游戏）上，开源模型（如Qwen 3.7和GLM-5.2）能以极低成本表现出色。 3. Grok 4.5 在某些任务上达到了“Opus级别”。 在考虑成本时，它是一个非常可靠的备选模型。 4. Muse Spark 1.1 表现令人惊喜。 整体水平略低于Grok 4.5，但优于其他开源模型，是一个不错的初次亮相。
最终结论： 最新、最贵的旗舰模型并非总是最佳选择。读者可根据自身需求，参考所有原始构建结果进行判断。
评论总结
根据评论内容，总结主要观点如下：
1. 测试方法的价值与局限 - 正面评价：部分评论认为这种“真实应用构建”测试优于传统基准测试，能避免模型“刷分”（benchmaxxing）。例如，评论24指出：“I actually like this methodology of testing AI much better than all the other benchmark tests... other benchmarks are clearly gameable by the Chinese open models.” - 质疑：也有评论认为“一次性提示”构建应用的方式脱离实际。评论18表示：“asking agents to one-shot random apps is nothing like how I actually use AI in software engineering.” 评论22更尖锐：“I think there's approximately zero value in seeing how a model can turn 100 tokens into a 100k... It's not useful in the real world.”
2. 模型表现对比 - GPT-5.6系列：在速度与质量平衡上表现突出。评论2提到：“Terra took 1/2 as much wall-clock time as Sol... Terra quality is usually nearly as good as Sol, but much faster and cheaper.” - 开源模型落后：评论16总结：“OSS models were so behind on most task... (lol at the SVG of the moon without any sign of life by GLM-5.2)” - GLM系列：被指“benchmaxxed”，实际能力不如基准分数。评论3指出：“models like GLM are benchmaxxed and not as close to the frontier as you’d think based on their numbers.” 评论19补充：“GLM isn’t multimodal, that might explain why it did better on the calculator question and not much else.”
3. 文章风格与可信度 - 批评AI写作痕迹：评论6希望文章由人类撰写：“I wish it was written by a human.” 评论13批评语言生硬：“how hard would it have been really to type these two sentences by hand, in your own natural voice?” - 质疑营销意图：评论7认为连续发布类似文章是“desperation”：“two gimmicky 'one-shot prompting shootout' marketing pieces in two days smells like desperation.”
4. 技术细节与改进建议 - 评分标准争议：评论15指出Muse Spark的魔方动画最佳却仅得2/5分：“Muse Spark has the best Rubik's cube by far... yet it gets a 2/5.” - 功能缺失：评论5发现成本符号错误：“The cost seems to be using the wrong symbol: ¢ vs $”；评论20建议表格可排序：“Could you make the tables sortable?” - 提示词缺失：评论17要求公开提示词：“Missing the exact prompts - would love to replicate...”
5. 对AI能力的深层思考 - 知识vs推理：评论9担忧视觉基准测试更多反映知识而非推理：“likely more indicative of knowledge... than of reasoning ability.” - 创新性不足：评论1指出测试应用多为克隆：“the requested apps are essentially all clones of others.” 评论25呼应：“how can any of these really be considered indicators of performance for the 'genuinely novel' when the results are all so similar?”