最强AI画《蒙娜丽莎》

01. AI画画「小学生水平」

之前一直都在讲干货，今天轻松点介绍一个有意思的开源仓库：https://github.com/hershalb/canvas-arena

仓库作者想让AI通过画笔，临摹《蒙娜丽莎》和《星夜》，测试下目前AI的临摹水平。

作者给目前公认的最强模型 GPT-5.6 Sol、Claude Fable 5、Grok 4.5、Gemini 3.6 Flash，每人一张白纸和一套工具，工具包含：调色、换笔尖、调压力、画线、涂抹、擦除，看画布和原画。

下面是代码里给到LLM对应的画画工具：

下面是最终结果：

最终结果：GPT-5.6综合表现最好，细节最强，《星夜》全场最佳，Claude排第二，但是最贵，耗费是其他模型的将近20倍。Gemini中规中矩，Grok主要负责搞笑的。

我最近也在搭建一套动画harness，也顺便尝试画了下，工具主要是各种几何图形，同样惨不忍睹，但我觉得略好于上面。

可能有人会说，不对啊，ChatGPT 和 Gemini 不是画图很强的么，为什么画成这个鬼样子？

这里要解释下：你说的那是生图模型，而canvas-arena是一套画图的harness，让「AI」+「工具」按照原画进行临摹，看一眼画一画，流程更像人画画的过程。

下面简单解释下两者区别。

生图模型考的是先验——它记住了几亿张画长什么样，生图的时候是进行像素的推算。

这套harness测试考的是执行闭环——通过LLM大脑，看懂、规划、下手、回看、修正、停手。

也正因如此，这套东西有个生图模型永远给不了的东西：过程可审计。每一笔为什么这么画、哪一步开始改坏，都能倒回去看。

而生图模型出图是一次性的黑箱，存在不可解释性。

既然harness可以回放步骤，那我们来细看下具体的步骤，看看为什么会画成这样呢？

我们来看看各个工具的使用情况，其中Gemini 是全场最执着的自检者，平均每幅画会看23次，GPT-5.6 平均每幅画看6次。

而Grok几乎不看画，全程都在调色，换画笔，可以想象一个人在画室里忙了一小时，反复摆弄画具，纸上几乎没东西。

而且步骤记录中发现各个大模型画画的过程中都曾经画过更好，但是改来改去越改越不像。

所以最核心的问题，其实是不是AI不会改，是它好像不知道：什么时候已经够好了。

所以对于harness，如果没有好的评估标准，Harness很难优化出更好的结果。

这也是Harness的魅力，通过工程化，给定标准，就可以进行调试和优化。

于是我就想，我如果给他各种形状，搭建一套Harness，它能画一些简单的动画么？

于是我给了AI画图工具，还有一些动画库，它真的画出来了简单的动画。

（我的办公空间）

（上篇文章有了AI，所有人都能写代码么？，澄清部分的动画）

感觉搭建过程挺有意思的，像是在引导和教一个小孩儿做视频。

看文章是枯燥的，未来如果能转化成动画，看起来理解起来也会更轻松，目前harness还在搭建中，希望未来会用上。

回过头来看，我觉得搭建一个Harness，最开始要思考的不是记忆如何做，上下文如何管理，多Agent如何协调。

最核心的是一个好的评测标准，一份足够丰富的，干净的，清晰的评估数据，得让harness先知道什么是好。

联想到最近看李飞飞的《我看见的世界》书里描述的ImageNet项目，也是为了搭建一套评估标准，人工标注了1500万张图片，想到这里肃然起敬。

也许一切的源头还得是数据。Harness是，LLM也是，他们本质是同一套东西。

作者提示: 个人观点，仅供参考