全世界的 AI 都畫不好一隻騎自行車的鵜鶘，直到最近才有人勉強過關

「畫一隻騎自行車的鵜鶘」，這句話聽起來像幼稚園的美術題目，但從 2024 年 10 月 25 日開始，它成了 AI 圈最有名的一張考卷。英國程式設計師 Simon Willison 在部落格上發了一篇很短的文章，把手邊能用的 16 個大模型全部叫來，丟給它們同一句指令：Generate an SVG of a pelican riding a bicycle。也就是用程式碼畫出一隻騎自行車的鵜鶕。他再把結果一張張貼出來，稱之為自己的模型評測。

兩年過去，這個測試從一個笑話，長成了觀察 AI 能力變化最直觀的窗口。這篇文章把它當成一張時間軸，看模型這兩年到底進步在哪裡，以及為什麼一隻不存在的鳥，比任何跑分都誠實。

為什麼偏偏是鵜鶘，偏偏是自行車

Willison 選這個題目的理由很樸素。他喜歡鵜鶘，他住在加州半月灣，海邊就能看到。更關鍵的一點是，他非常確定網路上不存在「鵜鶘騎自行車」的 SVG 檔案，模型不可能在訓練資料裡抄答案。

這裡需要先講清楚 SVG 是什麼。SVG 是一種向量圖檔格式，本質是一段程式碼，你用座標、半徑、路徑去描述每個形狀，瀏覽器再照著這段描述把圖畫出來。這就像是蒙著眼睛，只靠口頭指示朋友在座標紙上畫圖：「在 (200, 300) 畫一個半徑 80 的圓，那是輪子。」大語言模型是文字系統，不會真正「看到」自己畫了什麼，它憑的是對形狀描述的統計記憶，全程不知道成果長什麼樣。

而自行車本身就是人類的難題。現在不要看任何照片，試著憑記憶畫一臺自行車，多數人會發現自己記不清車架那幾根桿子怎麼連。鵜鶘也不好畫。Willison 在演講裡把最刁鑽的一條講透了，他的原話大意是：鵜鶘根本騎不了自行車，牠們的身材就不對。模型得在沒有任何參考範本的情況下，硬掰出一個不存在的物理結構。

還有個意外的好處：SVG 支援註解。模型幾乎都會在程式碼裡寫註解，告訴你這一坨是車輪、那一坨是喙。對照註解和實際畫出來的東西，中間的落差往往就是笑點所在。

2024 年的鵜鶘有多慘

頭幾個月的成果，用慘不忍睹形容並不誇張。Willison 自己的描述是：Claude 3.5 Sonnet 交出兩個圓，中間連一個三角形，喙像一根黃色的香蕉笑臉。Llama 3.3 70B 畫了一個小圓圈、一根豎線，還有一個形狀像水槽的東西。Qwen2.5-Coder 的自行車是幾塊棕色形狀疊在一起，看著像臺拖拉機。Mistral Small 3 則畫出一隻矮胖的白鴨子，蹲在一副槓鈴上。

2025 年 1 月，DeepSeek 發布 R1，接下來幾天輝達市值掉了六千億美元。Willison 後來在演講裡把 R1 的鵜鶘單獨拎出來，叫它「讓股市崩盤的那隻鵜鶘」。他的評價是，那是當時為止最好的一張：自行車能看出是自行車，旁邊有隻鳥勉強像鵜鶘，只是牠沒在騎車。

有意思的是，這一年裡各家的鵜鶘從一堆色塊慢慢變成能認出來的東西，而鵜鶘的優劣和模型的實際工作能力，大致對得上。畫得好的模型，寫程式碼做事也確實更強。Willison 說這個測試本來是個玩笑，用來嘲笑「比較模型」這件事有多荒唐，結果玩笑越玩越像真的。

一場 560 局的鵜鶘錦標賽，裁判費 18 美分

2025 年 6 月，Willison 在舊金山的 AI 工程師大會上演講。他手裡累積了 34 張鵜鶘，想排個名次，又懶得一張張自己比。

他的做法很工程師：讓 Claude 寫一個小工具，把任意兩張鵜鶘並排放在網頁上截圖。34 張圖兩兩配對，一共 560 場對決。每一場交給 GPT-4.1 mini 當裁判，請它選出「更好的鵜鶘騎自行車插畫」並說明理由，最後用 Elo 積分算出排名。整個裁判過程的花費，大約 18 美分。

冠軍是 Gemini 2.5 Pro 的一個預覽版，墊底的是 Llama 3.3 70B。裁判給兩張圖對決的理由很直白：左圖明顯畫了一隻鵜鶘在騎自行車，右圖只是幾個極簡的形狀，看不出在畫什麼。

同一場演講他還算了成本帳。o1-pro 畫一隻鵜鶘花了 88.755 美元，換算下來每一美分都極其昂貴；Gemini 2.5 Pro 畫一隻只要 4.77 美分，畫出來的結果還更好。這組對比後來常被引用，因為它點出一件事：模型能力的進步和推論成本的下降，是同時發生的。

模型開始有脾氣了，然後考題升級

2025 年 8 月出現一個轉折。Willison 在自己的筆記型電腦上跑 Qwen3-4B-Thinking，一個 4B 參數的小模型。它沒有畫自行車，畫了一個藍色的圓，上面蓋一行紅字：This is art - pelicans don’t ride bikes!（這是藝術，鵜鶘不騎車！）Willison 直接把這句話拿來當文章標題。

一個模型面對做不到的題目，選擇拒答並嘲諷出題者，這個行為本身就比畫得爛更值得玩味。它顯示模型在「硬掰一個答案」和「承認題目有問題」之間，開始有了某種偏向。

同年 11 月 Gemini 3 發布。低推理檔位下畫出的鵜鶘戴了一頂小帽子，SVG 註解裡寫著「帽子（可選趣味細節）」；高檔位下車架終於是正確的形狀。Willison 覺得題目開始不夠難了，於是出了一版進階題：要畫加州褐鵜鶘，自行車必須有輻條和正確車架，鵜鶘要有大喉囊，要能看出羽毛，要明確在蹬踏板，還要畫出繁殖期的羽色。他附上一張自己拍的照片當標準答案。

結果各家模型都漏掉同一個關鍵細節：加州褐鵜鶘其實不是棕色的。

考題升級的邏輯值得注意。當基礎題大家都會寫之後，測試的鑑別力就消失了，必須往更細的知識和更複雜的結構壓。這和任何能力評鑑的演化是同一條路。

2026 年 4 月：筆記型電腦上的小模型，對上旗艦

2026 年 4 月 16 日，兩件事撞在同一天：阿裏巴巴發布 Qwen3.6-35B-A3B，Anthropic 發布 Claude Opus 4.7。Willison 的對照方式一如既往地不講情面：他用一個 20.9GB 的量化版，在自己的 MacBook 上跑 Qwen，再用官方 API 跑 Opus。

一個是筆記型電腦就能裝下的開源模型，一個是頂級閉源旗艦，中間隔著的是幾個數量級的訓練成本和完全不同的商業模式。而它們被放進同一張考卷，比的是同一隻不存在的鳥。

這個測試對一般人的意義

看完兩年的鵜鶘史，可以收斂出幾個對日常工作有用的判斷。

第一，評測不需要華麗。「畫一隻騎自行車的鵜鶘」之所以有效，是因為它滿足了三個條件：訓練資料裡一定沒有答案、題目對人和對機器都難、成果一眼就能判斷好壞。你在工作中要挑模型或挑工具，套用同樣的邏輯，用自己業務裡「網路上找不到範本」的真實題目去測，比看任何排行榜都準。

第二，模型的「能力」正在從模仿走向組合。早期那些色塊鸚鵡，是在背誦訓練資料裡的形狀統計；能畫出有輻條的車架和蹬踏板的鵜鶘，代表模型能把多個概念正確組裝起來。這正是寫程式、做文件、處理長流程任務需要的能力，鵜鶘畫得好不好，確實洩漏了這些能力的高低。

第三，成本下降的速度值得寫進任何採購或導入決策。從 o1-pro 的 88 美分到 Gemini 2.5 Pro 的不到 5 美分，再到能在 MacBook 上離線跑的開源模型，同一等級的輸出，兩年內價格塌了不只一個檔次。今天覺得太貴做不起的 AI 應用，兩年後再看一次帳，答案可能完全不同。

第四，注意模型的拒答傾向。Qwen3-4B 那句「鵜鶘不騎車」可以是機智，也可以是未來你在工作流程裡會遇到的麻煩：當模型開始有「意見」，你要設計的不只是怎麼下指令，還包括怎麼處理它不配合的時候。

一隻不存在的鳥，騎了兩年不存在的自行車，把 AI 產業的進步、降價和脾氣全都馱在背上。下次有人問你模型到底進步了多少，別引用跑分，叫他畫一隻鵜鶘。