十二大模型同台竞技：GPT-5.6与Grok、Claude激战四款应用

近日，一场规模空前的AI模型编程能力对决在开发者社区引发热议。来自OpenAI的GPT-5.6系列（Sol、Terra、Luna三档）、xAI的Grok 4.5、Anthropic的Claude Opus 4.8和Claude Fable 5、Meta的Muse Spark 1.1，以及开源阵营的Qwen 3.7 Plus、DeepSeek V4 Pro、Kimi K2.6和GLM-5.2，共十二个模型被要求完成相同的四款经典应用构建任务：雷神之锤风格光线投射迷宫、3D魔方（含打乱与还原动画）、计算器和康威生命游戏。每个模型对每项任务执行五次尝试，结果以成功率、成本、延迟以及所有原始构建代码形式公开。

本次评测的发起者表示，此前一次模型对决曾登上Hacker News首页，但收到了大量反馈。因此，在新模型密集发布的背景下，他们重新组织了这场更大规模的测试：不仅增加了模型数量（从少数几个扩展到十二个），还将每次任务的尝试次数从一次提高到五次，以更全面地反映模型性能的波动性。评测者强调，这并非科学结论，而是一组可供开发者自行判断的观察结果。

光线投射迷宫：GPT全面领先，Grok性价比突出

第一项任务是构建一个雷神之锤风格的第一人称光线投射迷宫，支持WASD移动、带深度感的着色墙壁、地板和天花板以及碰撞检测。评测者将“可玩性”定义为能否真正在迷宫中行走、移动和转向。结果显示，GPT系列模型（尤其是Sol档）表现最佳，在所有五次尝试中均成功生成了可玩的迷宫。Grok 4.5虽然成功率略低，但考虑到其定价，被评测者称为“真正可用的替代选择”。Meta的Muse Spark 1.1在部分运行中表现令人惊喜，而Claude系列的表现则低于预期。

3D魔方：Claude逆袭，GPT意外失手

第二项任务是构建一个彩色3D魔方，带有打乱（Scramble）和还原（Solve）按钮，且旋转动画需平滑、无闪烁、无颜色变化。评测者严格统计了“干净还原”的次数。这一轮的结果令人意外：在光线投射任务中表现强势的GPT，在3D魔方任务中却明显落后。而Claude系列则展现了强大的3D能力，尤其是Claude Fable 5，其五次尝试中有多次实现了流畅的动画和准确的还原。评测者分析，这可能与魔方任务对精确的3D矩阵变换和动画时序控制要求更高有关，而Claude在这些细节上处理得更为稳健。

计算器与生命游戏：基础能力考验

第三项是计算器任务，要求构建一个功能完整的图形界面计算器，支持加减乘除、括号和错误处理。第四项是康威生命游戏，需要实现细胞自动机逻辑、网格渲染和步进控制。这两项任务相对基础，但同样暴露了模型间的差异。在计算器任务中，几乎所有模型都能完成基本功能，但在错误处理（如除以零、非法输入）的健壮性上，GPT-5.6和Claude Opus表现更优。生命游戏任务中，Muse Spark和DeepSeek V4 Pro的代码结构最为清晰，而部分开源模型在边界条件处理上出现了逻辑错误。

成本与延迟：Sol高端但昂贵，Luna轻量高效

评测还详细记录了每个模型完成五次尝试的总成本和时间。GPT-5.6 Sol档作为旗舰，性能最强但成本也最高；Terra档在性能与成本间取得了平衡；Luna档则定位轻量高效，适合预算敏感的场景。Grok 4.5的定价极具竞争力，使其在光线投射等任务中成为“性价比之王”。开源模型方面，Qwen 3.7 Plus和DeepSeek V4 Pro在成本上具有明显优势，但成功率和代码质量参差不齐。所有模型的五次尝试原始代码均已公开，开发者可以自行运行、对比，形成独立判断。

评测方法论：五次尝试揭示模型波动性

此次评测最值得关注的改进之一，是每个模型对每项任务执行五次尝试。评测者指出，AI模型生成代码时存在显著的“运行间波动”——同一个模型、同一个提示词，五次生成的结果可能大相径庭。有的尝试完全失败，有的则近乎完美。通过公布所有尝试的原始代码，开发者可以直观地看到这种波动性，从而更全面地评估模型的可靠性。例如，Muse Spark在光线投射任务中，五次尝试中有两次成功、三次失败，这种“时好时坏”的特性对于实际开发中的可用性至关重要。

开源模型表现：追赶中仍有差距

本次评测特别加入了四款开源模型：GLM-5.2、Qwen 3.7 Plus、DeepSeek V4 Pro和Kimi K2.6，均通过Fireworks平台调用。总体来看，开源模型在简单任务（如计算器）上表现接近闭源模型，但在复杂任务（如3D魔方和光线投射）上仍有明显差距。DeepSeek V4 Pro在生命游戏任务中表现突出，代码逻辑严谨；Qwen 3.7 Plus则在多任务中保持了中等水平的稳定性。评测者认为，开源模型的进步速度很快，但要在高复杂度编程任务中与GPT-5.6 Sol或Claude Fable 5竞争，仍需更多迭代。

这场十二大模型的编程对决，不仅展示了当前AI模型在代码生成能力上的最新水平，也为开发者选择适合自己需求的模型提供了宝贵的参考。所有构建代码和运行记录均已公开，感兴趣的开发者可以自行查阅、运行，形成自己的判断。