Andrej Karpathy刚刚做了一个实验，结果让他自己也觉得有点不可思议。
Karpathy入职A厂后第一个长推文，是关于测试模型能力的，AK认为大模型目前的能力非常震撼但还有比较大的缺陷，以Opus 5为例构建3D世界只能靠缓慢截图，原生视觉与玩游戏能力依然极度匮乏！这个结论我想大家都有体会，我测试了DeepSeek v4 flash 0731和Kimi K3 max放在文后了，对比结果显示DeepSeek急需要视觉能力，如果视觉能力加上，那么DeepSeek v4 flash 0731就会变成一个真正的怪兽模型。
Andrej Karpathy刚刚做了一个实验，结果让他自己也觉得有点不可思议。
他把《魔戒》的开头第一段文字扔给Opus 5，给了大约100万token的上下文预算，折合花费约10美元，然后问它能不能用Three.js把这段文字渲染成三维画面。
Opus 5跑了将近两个小时，写出了5500行代码，用程序化的方式把这段故事场景完整呈现出来。
Karpathy说，成品有点粗糙，但挺有意思。让他真正觉得不可思议的是这件事本身的性质：一个语言模型需要在(x,y,z)坐标空间里安置和调度各种多边形资产，还要写出让它们动起来的动画代码，而它居然做到了。
他特别提到这类例子的意义所在。没有人会在正常工作中花时间去写这么定制化的东西，但AI有的是耐心，这件事的成本几乎为零。于是，原本属于"没人会去做"这个类别的事情，现在变成了"为什么不做"。他认为这样的事情可能还有很多。
他进一步展开想象：未来可以按需生成高度定制的世界，玩家可以作为旁观者NPC进入《魔戒》故事，也可以扮演其中某个角色。他把这个想象描述为某种类似"按需生成的侠盗猎车手版X故事"。
当然，这次实验也暴露出一个明显的短板。
Opus 5在生成这些代码之后，没法有效地自己验证成果，因为它既不能高效感知视频，也没办法在生成的场景里直接"玩"。它能做的，是非常缓慢地在不同节点截图查看，结果也确实出了一些问题，留下了不少瑕疵。Karpathy认为，多模态感知能力和直接玩游戏的能力，目前依然是LLM比较明显的欠缺之处。
音频部分是Karpathy自己手动用ElevenLabs完成的，AI可以轻松调用对应的API，但他在声音选择上比较挑剔，所以这块自己来做了。
Karpathy说的这个我也深有体会，我用deepseek v4 flash 0731版本构建模拟火星登陆，同样的提示词：
用HTML和three.js制作一个火星登陆模拟过程，全程要符合物理过程，逼真，发挥你最大的想象力，开始吧
Kimi k3 max 花了1个半小时，DeeSeek V4 flash 0731花了大概20分钟，速度非常快，对于一个284B 参数，激活参数只有13B的模型效果已经非常震撼了,但是deepseek由于没有视觉能力不能一边截图一边测试，最终效果与K3还是有差距的，以下是对比：
不过如果不涉及视觉的话DeeSeek V4 flash 0731干活确实很爽，我爬了Paul Graham所有散文，制作成了eupb中英文对照电子书，全程花费10快钱左右，时间为1个小时左右，用的是Hermes ，消耗token大概1.5亿，有需要的后台可以私信我「Paul」获取电子书。
内容效果：
token消耗：
