一直在测试简单提示词与不同模型及 harness 组合以找出最佳结果，于 /goal 模式进行。提示词要求建单页网页3D库（Three.js）科幻机库，含悬浮无人机、动画警告灯、发光跑道条与体积雾平面，含编队切换及电影相机路径，输出自包含 HTML。表格记录通用语言模型（GLM 5.3 Flash Max）与代码模型（Codex）等组合的耗时令牌。

我一直在 /goal 模式下，用同一个简短 Prompt 搭配不同的模型和 harness 组合跑测试，想找出效果最好的一组。

Prompt：做一个单页 Three.js 科幻机库，里面有悬停无人机、动态警示灯、自发光的跑道灯带、淡淡的体积雾式雾面；还要支持无人机编队切换和电影感相机路径；最后输出成一个自包含 HTML 文件，JavaScript 全部内联。

结果如下：

| 模型 | Harness | 运行结果 | 页面 | | --- | --- | --- | --- | | GLM 5.3 Flash Max | Codex | 总耗时 9 分 0.232 秒 · 9.344 秒 · 输入 457,685 · 输出 17,458（其中推理 7,694） · 总计 475,143 · 85.26% · 工具调用 14 · 失败 1 · Blocked · No | 打开 | | Luna 5.6 Max | Codex | 总耗时 9 分 13.098 秒 · 6.199 秒 · 输入 1,146,755 · 输出 25,512（其中推理 6,879） · 总计 1,172,267 · 92.76% · 工具调用 32 · 失败 2 · Yes · Yes | 打开 | | SOL 5.6 Max | Codex | 总耗时 10 分 48.765 秒 · 8.460 秒 · 输入 1,069,163 · 输出 28,278（其中推理 7,515） · 总计 1,097,441 · 94.60% · 工具调用 21 · 失败 5 · No · No | 打开 | | Astra 6.0 Max | Codex | 总耗时 37 分 29.705 秒 · 3.589 秒 · 输入 1,292,366 · 输出 43,129（其中推理 15,271） · 总计 1,335,495 · 94.93% · 工具调用 20 · 失败 5 · Yes · No | 打开 | | GLM 5.3 Flash Max | OMP | 总耗时 30 分 14.979 秒 · 6.596 秒 · 输入 1,678,509 · 输出 63,405（推理 —） · 总计 1,741,914 · 78.54% · 工具调用 57 · 失败 0 · Yes · Yes | 打开 | | Qwen 3.8 27B x-high | OMP | 总耗时 41 分 25.836 秒 · 15.275 秒 · 输入 3,407,451 · 输出 71,935（其中推理 49,131） · 总计 3,479,386 · 86.92% · 工具调用 89 · 失败 0 · Yes · Yes | 打开 | | GLM 5.3 Flash Max | OpenCode | 总耗时 20 分 28.948 秒 · 6.284 秒 · 输入 4,305,447 · 输出 50,468（其中推理 33,414） · 总计 4,355,915 · 96.89% · 工具调用 67 · 失败 0 · Yes · Yes | 打开 | | Qwen 3.8 27B x-high | OpenCode | 总耗时 8 分 48.470 秒 · 10.182 秒 · 输入 665,490 · 输出 41,817（其中推理 28,788） · 总计 707,307 · 95.64% · 工具调用 13 · 失败 0 · Yes · Yes | 打开 | | Qwen 3.8 27B x-high | DSH / PTC | 总耗时 24 分 32.929 秒 · 7.724 秒 · 输入 1,012,499 · 输出 89,894（推理 —） · 总计 1,102,393 · 91.69% · 工具调用 23 · 失败 5 · Yes · Yes | 打开 | | Qwen 3.8 27B x-high | DSH | 总耗时 18 分 15.239 秒 · 6.755 秒 · 输入 2,654,457 · 输出 78,232（推理 —） · 总计 2,732,689 · 95.48% · 工具调用 42 · 失败 2 · No · No | 打开 |

所有 GLM 行都标为 GLM 5.3 Flash Max。输入 token 含缓存输入；输出 token 是包含推理在内的生成总数；如果 harness 单独上报推理，推理列就显示这一部分。DSH 适配器不单独上报推理数。DSH 的时长是两个回合内活动时间的总和，不含回合之间的暂停。工具错误按失败的工具事件记录；破折号表示未上报或不可用。

这场讨论像一次公开“代码生成效果评测”的验收现场：有人对 Astra 的表现感到惊艳，也有人觉得所有画面都差不多。真正的分歧不在“谁最好看”，而在“靠一次生成怎么评判”，以及“该夸模型还是该夸执行框架”。

认为“最好”有好几个答案：Astra 呼较高，Qwen+OpenCode 也有人站

• 不少评论把 Astra 列为视觉与功能上的最佳，甚至有人说它像 Unity 示例工程一样完整（较多人）。 > Astra 看起来像 Unity demo 项目，比我预期的强太多了（@andai）
• 也有人觉得 Qwen 3.8 配 OpenCode 是性能与画面最平衡的组合，另有人觉得 Sol 最顺眼（少数人）。

认为视觉差异其实不大，结论容易主观

• 有参与者直问“怎么判断哪个更好”，理由是各结果肉眼看来差不多；还有人觉得差别没那么大（少数人）。 > 它们看起来多多少少都差不多，你是怎么选出“最好”的？（@pdp）
• 另有一条评论提醒：测试里说的“简单提示词”并不简单，不同人对“简单”的定义可能完全不同（@stuaxo）。

认为真正拉开差距的是“模型 + 执行框架”的配对

• 有实测者发现，同一个模型换到不同执行框架后观感差别很大，例如 GLM 在非 Codex 的框架上明显更好（较多人）。 > 没想到执行框架的影响这么大，GLM 在非 Codex 的框架上好太多了（@sashank_1509）
• 也有人分享了自己的观察：Pi（OMP）作为执行框架在这个任务上比 OpenCode 更可用，并认为模型与 harness 的配对比单看模型更重要（@rao-v）。
• 还有评论质疑是否真的存在“不管配哪个模型都赢”的执行框架，还是每次都得看具体配对（@quietraster）。

认为评测缺少必要信息：成本、日期、重复运行

• 多个评论强烈要求补充“估算成本”一列，最好连带注明测试日期，免得结果随着时间或版本快速失效（较多人）。
• 还有评论指出，单次生成看不出稳定性，同一配置多跑几次，结果可能只是噪声。 > 同一套配置多跑几次，结果差异有多大？这个信息被漏掉了（@karlkloss）
• 另有人担心，模型可能是在公开比赛、书籍示例或已有模板上“押中”了题目，而不是真的理解任务；这会让榜单失真（@utopiah）。

好奇为什么各方案都跑出“Hangar 07”

• 多条评论都在问同一个现象：为什么这么多模型/框架都把场景叫成“Hangar 07”？这种高度雷同让人怀疑是提示词引导太强，还是模型都背到了类似的训练数据（较多人）。 > 所以它们到底是从哪儿都学会把这里叫“Hangar 07”的？（@BurpyDave）
• 也有评论借此反问：如果提示词真像测试者说的那么简单，为什么结果却整齐地落到同一个名字上？（@jonasdn）

有价值的补充

• 有参与者从 Three.js 细节指出：这些生成结果普遍没用 tone mapping，色彩被锁在 sRGB 里；也没用 node materials、阴影烘焙或后处理；而且拉取的 three.js 版本从 r160 到最新版不一。与其说 AI 会做 3D，不如说它离真正的 Three.js 工程还有不小距离（@onion2k）。
• 另有人分享了一组可配本地模型使用的开源工具链：用 OpenChamber 做桌面端，再通过 OMP 服务端接入任意开源模型，方便新模型出来后快速试跑（@alvins82）。
• 测试风格本身也有人认同：不堆长篇说明、直接把结果摆出来看，这种呈现方式在 AI 评测文章里反而少见（@ande-mnoc）。