**Karpathy 揭示 Opus 5 的新边界**
过去，人们常拿一个有趣的问题来测试大模型：“请生成一张鹈鹕骑自行车的可缩放矢量图。” 下面这张图就是 ChatGPT 给出的结果。这道题看似简单，实则考验了模型对自行车结构、鹈鹕形态以及两者空间关系的理解，需要通过坐标、路径和图形元素进行组合。模型画出的鹈鹕究竟是坐在车上、悬浮在空还是与自行车融为一体，往往能直观暴露其空间推理能力。
但现在，Andrej Karpathy 认为，评价前沿模型的方式或许需要再次升级。8月2日，Karpathy 在社交平台 X 上公布了一项实验。他将《指环王》第一章的开头文字交给 Claude Opus 5，投入约100万 Token 的推理预算——按他估算相当于10美元——并要求模型利用 Three.js 将这段故事渲染成一个三维场景。这条帖子浏览量已超280万。Opus 5 运行了约两小时，最终生成了约5500行代码。成品虽被 Karpathy 称为“有些粗糙，但很好玩”，但真正让他感到不可思议的是：一个语言模型需要自行决定场景中的角色、房屋、道路和植被，将各种多边形资产放入三维坐标系，编写动画、镜头和时间轴逻辑，最终竟真的完成了一个能在浏览器中运行的作品。
这不是简单地将文本交给图像或视频生成模型后得到一段像素画面。Opus 5 走的是一条更接近传统游戏开发的路线：通过代码创建几何体、材质、灯光、摄像机和动画，搭建一个显式存在的三维场景。在这样的系统中，一棵树不只是画面中的一团绿色像素，而是场景树中的一个对象；道路、房屋和角色都有对应坐标；镜头何时靠近、角色从哪里走到哪里、字幕在什么时间出现，都需要被写入程序。Anthropic 在7月24日的 Opus 5 发布公告中也将视觉输出列为这一代模型的主要提升之一，并展示了模型生成的交互式风洞和细胞结构。官方将 Opus 5 定位为适合长时间、多步骤任务的模型，强调其能够反复检查结果、建立测试工具，并在复杂任务中持续迭代。
Karpathy 的实验则把这种能力推向了一个更开放的场景：没有明确的功能列表，没有现成的美术资源，也没有逐个给出对象坐标，模型必须自己判断“一段小说应当如何变成一个可运行的3D叙事”。Karpathy 尤其关注的是背后的经济性变化。按照传统流程，为一段小说开头单独制作一个3D动画，需要编剧拆分场景、美术制作资产、程序员搭建交互与动画。即便最终只供一个人观看，这套成本也不会明显降低。由于需求过于定制化，绝大多数类似想法根本不会进入制作阶段。大语言模型改变的首先不是作品质量，而是“是否值得开始”。模型不在乎任务是否琐碎，也不在乎5500行代码最终只被播放一次。只要推理成本足够低，过去因为过于个性化、投入产出比太低而无人制作的内容，都可能被临时生成出来。Karpathy 将其描述为一种“按需生成的临时版GTA”：用户可以指定任何小说、历史事件或虚构设定，让模型临时搭出一个世界；玩家既可以作为旁观NPC进入故事，也可以成为其中一个角色，甚至改变原本的叙事走向。这意味着，生成式AI正在把内容定制从“更换角色名字、调整几张图片”推进到结构层面：场景、交互规则、角色关系和故事进程都可以根据单个用户即时生成。
用游戏测试模型，网友早就玩嗨了。Opus 5 发布后，X 上的开发者迅速把三维游戏和物理模拟变成了一种非正式压力测试。开发者 Matt Shumer 展示了一款由 Opus 5 生成的第一人称射击游戏“Claude of Duty”。据他介绍，项目从场景到贴图均由代码生成，没有使用任何外部美术资产。Alex Ermolov 则让 Opus 5 制作了一段滑雪板体验。他评价称，在自己测试过的模型中，Opus 5 处于领先位置，第一次生成的版本就没有明显视觉故障，滑行的物理反馈也相对自然。另一位用户 ChrisGPT 把一年前 Claude 4 Opus 的输出与 Opus 5 进行了对比。同样是生成一辆行驶在泥路上的汽车，旧版本主要由简单色块组成，而 Opus 5 已经开始自动加入车辙、植被、阴影和分层光照。更极端的测试来自 Pankaj Kumar。他让 Opus 5 重建《我的世界》，最终得到一个包含15种生物群系、创造与生存模式的程序化世界，图形、纹理和声音都在运行时生成。不过，这次任务使用了约2500万 Token，也说明随着世界规模扩大，成本和代码复杂度仍会快速增长。atomic.chat 还让多款模型分别生成龙卷风、摆锤撞击建筑等物理场景。按照该团队自己的测试结论，Opus 5 是少数能够同时处理多个场景的模型之一。需要说明的是，这类演示通常没有统一的提示词控制、运行次数和评分标准，因此更适合被视为开发者实验，而不是严格的模型基准。这些作品的共同之处是，都告别了依赖传统游戏资产库，让模型直接把几何体、纹理、物理和交互写成代码。相比单张图片，测试对象开始变成长时间运行的系统：角色能否移动、对象会不会穿模、碰撞是否正确、几十秒后场景状态是否仍然一致。
尽管看起来像一个生成式世界，Karpathy 的实验与谷歌 DeepMind 的 Genie 等世界模型仍有明显区别。Opus 5 生成的是一套显式程序。场景中的对象、坐标和行为由 Three.js 代码决定，开发者可以阅读、修改和复用代码。其优势是结构清晰、控制性较强，但模型只能生成自己能够用程序表达出来的对象和规则。Genie 3 采取的则是生成式视频路线。根据谷歌 DeepMind 的介绍，它可以根据文本实时生成720p、每秒24帧的可交互环境，并在几分钟内保持一定视觉一致性。它不需要显式创建每一个三维模型，而是直接根据玩家操作预测下一帧画面。两条路线解决的是不同问题。代码生成世界更像“AI自动编写一个小型游戏引擎和关卡”，结果可编辑、可调试，但视觉上容易粗糙；神经世界模型更像“实时生成一个可以进入的视频”，画面表现可能更丰富，却缺少传统游戏引擎中明确的对象、状态和规则。未来的产品也可能融合两者：LLM负责规划任务、设计规则和生成代码，世界模型负责画面、物理直觉与环境反馈。
这次实验最值得注意的部分，是 Opus 5 检查这些代码的方式。Karpathy 指出，模型不能高效、原生地观看连续视频，也不能像真人测试员一样进入游戏，持续移动、碰撞、回头观察，再判断哪里出现问题。它只能运行程序，在若干时间节点截取静态画面，然后根据截图修改代码。这个循环既缓慢，又很容易漏掉只在运动过程中出现的问题。例如，角色可能在某一帧看起来位置正确，却在几秒后穿过地面；摄像机在单张截图中没有问题，运动时却可能突然转向；碰撞、速度和操作手感更难通过几张图片判断。因此，画面中仍然留下了不少错位和粗糙之处。Karpathy 由此认为，视频理解、连续状态感知以及真正“玩游戏”的能力，仍是当前大模型明显不足的原始能力。这暴露出一个正在变得越来越重要的矛盾：模型生成内容的能力，正在快于它验证内容的能力。对于普通代码，模型可以运行单元测试、查看错误日志、比较文本输出；但面对动画、游戏、机器人和复杂用户界面，正确性不再只存在于文字和数值中，而是分布在连续时间、视觉状态和交互反馈里。如果模型无法亲自体验自己生成的系统，就很难形成完整的“生成—执行—观察—修正”闭环。
从鹈鹕骑自行车，到《指环王》三维世界，大模型评测正在发生一个微妙变化。过去的问题是：模型能不能写出代码、画出图片、生成一个可以运行的页面。现在的问题逐渐变成：它能不能连续工作两小时甚至更长时间，组织数千行代码，保持对象、任务和目标的一致性；完成之后，它能不能主动进入系统，发现那些没有出现在错误日志中的问题。Opus 5 生成的还不是一款真正的《指环王》游戏，约10美元也只是 Karpathy 给出的 Token 预算估算，并不包含人工设计、运行环境、验收、修改和正式制作成本。但这个实验依然意味着一个重要变化：以前因为“太麻烦、太小众、没有人愿意做”而不存在的软件和内容，现在可能只需要一句描述和一笔很小的推理预算。模型已经开始具备建造临时世界的耐力。接下来的关键，是它什么时候能够真正看见、进入并理解自己建造的世界。