用GPT-5.6、Claude、Gemini和Grok“绘制”蒙娜丽莎

一项新颖的AI绘画实验将四个前沿模型（GPT-5.6 Sol、Claude Fable 5、Grok 4.5和Gemini 3.6 Flash）置于同一个“绘画竞技场”中。每个模型都获得了一张空白画布和一套彩色铅笔工具——包括设定颜色、笔尖宽度、压力、绘制笔画、涂抹、擦除等操作——并需要重现名画（蒙娜丽莎和梵高的星夜）或根据文本提示自由创作。模型可以随时查看自己的作品和目标图像，并调整策略。整个实验共产生了28幅画作。

结果差异显著。GPT-5.6 Sol在几乎所有画作中都表现最佳，尤其是星夜和玫瑰，其细节丰富且色彩协调，无论从主观质量还是客观评分看都是明显赢家。它的成本也最低（约7.74美元），使用了最少量的工具调用。相比之下，Claude Fable 5的成本高达160美元（其他模型的20倍），耗时最长（平均每幅超过12.5分钟），但画作质量并不比Sol更好。Grok 4.5表现最差，画作基本不可用，尽管它使用了最多的工具调用和最高的token量（3400万），但凭借缓存和低价策略，成本仅9.21美元。Gemini 3.6 Flash在结构相似度（SSIM）评分上获得了最高分（蒙娜丽莎峰值0.449，星夜0.190），但画作的外观并不最接近目标，且它经常过度编辑，导致最终评分低于峰值。

工具使用模式也揭示了各模型的行为差异。GPT-5.6 Sol和Gemini 3.6 Flash将颜色和笔刷设定直接嵌入绘制调用中，因此工具调用次数较少。而Grok 4.5则频繁调用单独的设定工具（占总调用的65%），说明它在规划上更混乱。Claude Fable 5倾向于大量使用涂抹功能（123次）和频繁查看画布。Gemini是自我审查最频繁的模型，每幅画平均查看画布23次。尽管如此，频繁的审查并未带来更高的最终评分——所有模型都在早期达到平台期，然后随着持续编辑而评分下降。例如，Gemini的蒙娜丽莎在峰值0.449后最终降至0.337。

作者认为，这项实验并非严格的基准测试，而是揭示“前沿模型”与开源模型之间的差距。GPT-5.6 Sol在绘画任务上展示了显著能力，而开源模型在此类任务上几乎不可用。Claude Fable 5尽管在其他任务中表现优异，但这里性价比最低。Grok 4.5则尚未能可靠理解或判断视觉输出。Gemini 3.6 Flash虽比Grok好，但作为快速模型，与真正的前沿版本相比仍有差距。作者邀请读者在TryAI平台上自行尝试这些模型。