为什么每次发布新模型，大家都会用鹈鹕自行车测试呢

数据样本多，能够很轻松感受模型是否掺水，用其他案例参考样本不足，需要自己多轮测试

如果我只用来写代码，这个参考意义大不大呢

那你这个代码也要分前端后端 前端的话有意义

那如果是后端呢？画得越好是不是也可以理解为逻辑思维越严谨

这个硬要说也有 但是我觉得参考意义不大吧 毕竟屎一坨的 gemini 的鹈鹕单车还不错

那如果中转站知道大家这样测试，拦截这类题目返回一个和官方相同的效果，是不是就分辨不出来了（不是抬杠）

最早是Simon Willison做的一个测试，生成一个鹈鹕骑自行车的SVG，作为他自己的LLM的基准测试；出于几个方面考虑：一是作者自己喜欢鹈鹕，二是生成SVG代码可以考验大模型对空间想象和指令遵循能力；三是他确信目前网络资源中不太可能有鹈鹕骑自行车的图片，不会被纳入训练；即使纳入训练，那一定会泛化到其他生物和交通工具上，这两种风马牛不相及的十五搭配微调，会让模型表现更糟糕；用来写代码参考意义不大，感觉一般来说中转站也不会去抓试题拦截，因为试卷太多了很难压中

可以看看这个，鹈鹕骑自行车 最开始应该是来自 Simon Willison 在 AI Engineer World’s Fair 上的演讲

https://zhuanlan.zhihu.com/p/1916192493843750970

在Linuxdo上开始流行，我如果没记错，是来自grok4.5模型降智以后的吐槽贴，被大家围观，会心一笑，然后开始接受和跟风测试，也成了某种论坛「社交硬通货」。

[image]
本人为supergrok heavy用户。
以上结果出自grok build 内的grok4.5 high模型，完全的gpt4水平。
《震惊瘫坐，grok4.5已大幅度超越旗舰gpt模型！》
跨时代提示词：“创建一个HTML，内容是SVG绘制一个鹈鹕骑自行车的2D动画。”

从那以后，每次有新模型，都会有佬友分享这个测试，而测试测多了，样本也多了，就容易产生非常直观的对照组。

因为有了大量对照组，牛不牛，看一下就大概有个数了。

这个我不太清楚，不知道中转站的应对方式，不过这个也只是个偏娱乐化的方式，已经出来很久了，说不定有些模型官方都对提示词进行了针对训练，不能实际反应模型的能力，看这种测试就当看个热闹就行了

主要是用来检测“是否异常”，在你觉得正常的时候测一次作为标准，然后你时不时再测，看看有没有跟标准相差很远