Wala nang iba, simulan na ang Daily Sit (doge)!
Kasalukuyang nangyari, inanunsyo ni Master Kapsi, “Kami” ay nagsisimula na ng paggamit ng isang buong bagong paraan upang i-strengthen ang malalaking modelo—
The Lord of the Rings.
Ayon kay Kapasi, ang "The Lord of the Rings Benchmark" ay nagpapalit sa nakaraang sikat na SVG test na "Pelican Riding a Bicycle".
Sa partikular, pinadala nang direkta ni Kappasi ang unang bahagi ng The Lord of the Rings kay Opus 5 upang gamitin ng model ang Three.js para makabuo ng buong “Middle-earth” sa real-time.
Tungkol sa huling epekto, medyo katulad ng mga lokal na 3D animated series noong huling bahagi ng dekada 90 at simula ng 21st siglo: sobrang dulo at abstrak.
Ngunit sa pananaw ng katotohanan, kung tingnan mo nang mabuti nang ilang sandali at kung kilala mo ang Hobbiton sa New Zealand, ang lokasyon ng pelikulang The Lord of the Rings, talagang makikita mo ang isang maliit na pagkakatulad～
Gayunpaman, ang simpleng bagay na ito ay nagkost ng 1 milyong token, 2 oras, at 5,500 linya ng code para sa Opus 5.
Of course, Claude is not the only one shining on stage.
Ang pinakamasayang, ang isang bowl na itinampok ng mga netizen DeepSeek V4 Flash version.
Diretang buong “Makakalawang ang mga Tsino,” ang lahat ng mga karakter sa larawan ay nakapagpapalipad.
Sa harap ng mga nakikita ng mata na mga pagkakamali na ito, ang Kapasi ay medyo makatarungan din.
Sinabi niya na ang Opus 5 ay kasalukuyang hindi makakapag-"pumasok" sa sariling nilikhang mundo, kundi maaaring mag-take ng screenshot sa iba't ibang panahon at mag-check nang paunti-unti kung saan ang problema.
At ang mga ito ay eksaktong ipinapakita ang isang malaking kahinaan ng kasalukuyang malalaking modelo:
Nakakasulat na sila ng code, nagtatayo ng mga setting, at nagpapagawa ng mga laro, ngunit hindi pa talaga sila nakakaintindi ng mga video, at hindi rin sila sumisira ng sarili nilang nilalabas na laro.
Dalawang oras, gawain ang isang Middle-earth gamit ang mga kamay
Muna nating tingnan kung paano ginagawa ang pagsusulit na ito sa “The Lord of the Rings”.
Kung susundin ang literal na kahulugan ng tweet ni Kappaci, ang pangunahing prompt na ibinigay kay Opus 5 ay dapat ang unang bahagi ng Unang Kabanata ng The Lord of the Rings, na “Ang Inaasam-asam na Pagdiriwang.”
Ang Bilbo Baggins ng Bag End ay nagpahayag na magkakaroon ng malaking pagdiriwang sa kanyang 111th kaarawan, at agad nagkaron ng gulo sa Hobbiton...
Maaaring subukan ng mga interesadong kaibigan ang sarili nila.
Bukod dito, tinukoy ni Kappasi ang Three.js, isang JavaScript library na ginagamit para magbuo ng 3D scene gamit ang code.
Kaya ang gawain ng Opus 5 ay unang maunawaan ang unang bahagi ng teksto ng The Lord of the Rings, at pagkatapos ay isalin ito sa isang 3D na mundo na maaaring mag-run sa real-time sa browser.
Sa buong proseso, kailangan ng Opus 5 na gamitin ang mga polygon upang lumikha ng mga karakter, gusali, at mga prop, at ilagay sila nang isa-isa sa x, y, z coordinate system, pagkatapos ay ayusin ang camera, ilaw, at animation.
Kailan lalabas ang karakter, kung saan lalabas ang kamera, paano babaguhin ang ilaw, at paano mag-iinteraktib ang mga bagay sa eksena—lahat ay kailangang ilarawan ng modelo gamit ang code.
Bagaman ang huling eksena ay hindi masasabing malinis at madalas na may mga problema tulad ng clipping at pagkakaroon ng mga bagay na lumulutang, tulad ng pagkakahiwalay ng katawan at ulo ng karakter... ang buong set ay kahit paano ay natatapos na.
Mahalagang tandaan na ito ay hindi katulad ng direkta na pag-generate ng bawat frame ng pixel ng video model.
Kailangan ng Three.js na unang likhain ang mga tao, bagay, at escena bilang 3D objects, bago ito kalkulahin sa real-time batay sa code ang kanilang posisyon, anggulo, at estado ng galaw.
Kaya ang demo na nakikita natin ay hindi isang karaniwang video na ginawa ng AI, kundi isang screen recording ng isang 3D web scene habang ito ay nasa runtime.
Gayunpaman, sinabi rin ni Kappaci sa mga komento na ang programang 3D at video generation ay hindi isang piliin sa pagitan ng dalawa.
May nagmungkahi ang isang netizen na ipasa ang groso na Three.js screen recording sa Seedance bilang reference video, at pagkatapos ay i-render muli ng video model sa mas mataas na kalidad.
Kapasi ay agad nag-angkop.
Ayon sa kanyang plano, ang programang code ang magiging responsable sa paghahati ng mga eksena at pagkontrol, kung saan muna niya itataya ang mga balangkas tulad ng kung saan tatayo ang mga karakter, paano mamalay ang kamera, at paano lalabas ang kuwento.
Susunod, ipapasa ang screen recording sa Video-to-Video model upang idagdag ang texture, ilaw, at detalye, at pataasin ang overall appearance ng buong Middle-earth.
Tungkol sa audio, hindi kasama ni Opus 5 ang lahat ng ito sa pagkakataong ito.
Sinabi ni Kapasi na dahil sa kanyang personal na paghingi ng kalidad ng tunog, ginamit niya ang ElevenLabs.
Kaya ang unang bahagi ng Demo ng The Lord of the Rings, na may imahe, shot, at narration, ay lumabas nang bigla.
Kapasi ay nag-open source na ang buong proyekto; ang detalyadong link ay maaaring tingnan sa dulo ng artikulo.
Mas interesante ang mga netizen kaysa kay Kapasi
Agad na sumulpot ang maraming netizen upang subukan ang demo pagkatapos ipalabas ni Kapsi.
Kapag titingnan nang buo, masasabi lang:
Mas may imahinasyon ang mga netizen ngayon kaysa kay Kapasi.
Ginagawa ng isang tao ang isang proyektong “Earth Online” gamit ang Claude, na layunin ay gamitin ang isang grupo ng AI Agent upang maibigay ang buong mundo I-click Nakabuo na.
Kasalukuyan, hindi pa natatapos ng Agent ang buong mundo; only na-building niya ang waterfront ng San Francisco sa estilo ng low-poly. Gayunpaman, batay sa kasalukuyang imahe, panatilihin nang maayos ang proporsyon ng mga gusali, sukat ng mga tao, at kabuuang istilo.
Ang epekto ay parang isang animated show sa isang Lego world. Ang estilo ay hindi kumplikado, ngunit ang mga karakter, setting, at galaw ay maaaring magtrabaho nang tama sa iisang mundo.
Patuloy ang direksyon na ito, ang mga animation na may simpleng istilo at mga lightweight na laro, ay mayroon nang mga unang anyo ng AI-native.
May mga netizen din na gumawa ng 3D digital model ng New York City gamit ang Fable 5 at GPT-5.6 Sol, at pinagdugtong ang mga real-time data dito.
Hindi lamang kailangan ng modelo na i-arrange nang tama ang mga kalye at gusali ng New York, kundi pati na rin ang panatilihing maayos ang mga ugnayang espasyal sa pagitan ng iba’t ibang rehiyon. Dahil dito, ipinapahiwatig ng may-akda na ang gawain na ito ay maaaring maging isang bagong benchmark para sa spatial reasoning.
Mas kakaibang mga bagay pa ang darating.
May nag-iisa na hindi nakakuha ng tiket sa konsiyerto ni Kanye West, kaya ginamit niya ang AI para mag-organisa ng sariling konsiyerto sa browser.
Ang buong proyekto ay patuloy na binubuo gamit ang Three.js. Mayroon lamang isang HTML file, at walang paggamit ng anumang pre-built 3D model; ang stage, mga karakter, at ilaw ay lahat ay ginawa sa pamamagitan ng code.
Ang buong konsyerto ay may 14 awit, at bawat awit ay may sariling disenyo ng ilaw at isang eksklusibong visual na stage na bola.
Ang mga karaniwang gumagamit ay maaaring mag-listen ng mga fragment, at pagkatapos mag-connect ng Spotify Premium, maaari rin silang mag-play ng buong mga awit at buong palabas.
Hindi makakuha ng tiket, direkta na lang gumawa ng sariling private screening, sobrang lugi!
Hindi pa tapos!!!
Isinulong rin ni Kapsi sa dulo ng orihinal na post na maaaring idagdag ang mga gameplay sa mga 3D world na ito, upang maaaring pumasok ang mga manlalaro bilang manonood, NPC, o kahit anong karakter sa kuwento.
Hindi pa nagkakaroon ng pagkakataon ang Kapaxian na ayusin ang bersyon ng laro, nang masagot na ito ng mga netizen.
Ginagamit din ng proyektong ito ang Opus 5 at Three.js, hindi lang naaayos at interaktibo, kundi may kasamang audio rin.
Lumalaganap din ang higit pang mga kaso ng 3D design. Mula sa sukat ng gusali, layout ng espasyo, hanggang sa istilo ng eksena, nakakamit na ng Opus 5 ang relatibong matatag na konsistensya sa mga malalaking proyekto.
Marami pang katulad na halimbawa, kaya hindi ito ipinapakita nang isa-isa.
Sa pananaw na obhetibo, ang mga gawaing ito ay may layo pa sa pagiging tunay na matatag na laro.
Kung ang mga paglalaro na nakakalito ay kasiyahan, kung ang mahabang pagpapatakbo ay matatag, at kung ang mga manlalaro ay talagang handang manatili nang 15 minuto—ang mga ito ay wala pa ring sagot.
Ngunit ang hadlang sa paggawa ng real-time 3D content at playable prototypes ay talagang nabawasan nang malaki.
Paano pa kung mayroon pang isang bagong paraan upang subukan ang kakayahan ng model, habang nananatiling interesante at masaya?
Pelicans, nasa dulo na ang pag-akyat
Bakit biglaang kailangan ng malaking modelo na lumikha ng The Lord of the Rings?
Dito pa rin ang kuwento mula sa “Pelican Biking” test na naging sikat noong ilang taon na ang nakalipas.
Ang tanong na ito ay nagmula sa developer na si Simon Willison, at nangangailangan ng isang pangungusap lamang:
Gumawa ng isang SVG image ng isang pelikano na sumasakay sa bisikleta.
Kahit na tila simpleng tanong ito, talagang nakakapagsubok sa modelo.
Dahil ang SVG ay tila isang imahe, ngunit sa ilalim nito ay isang serye ng code.
Dapat alam ng model kung paano nakikita ang pelikano at bisikleta, at kailangan din nitong i-decompose ang mga ito sa mga linya, bilog, at marami-sulok, at pagkatapos ay ayusin ang posisyon ng bawat bahagi gamit ang mga koordinado.
Mas mahalaga pa, ang pelikano at ang bisikleta ay hindi talaga magkakatugma.
Ang frame, gulong, at pedal ng bisikleta ay dapat manatili sa tamang geometriya; ang pelikano naman ay may malaking bibig, maikling mga paa, at isang katawan na tila hindi kayang mag-pedal.
Kapag pinagsama ang dalawa, agad mong makikita kung nagkakaroon ba ng pag-unawa ang modelo sa spatial relationship:
Nasaan ang gulong, nakasakay ba sa pedal, o talagang nagmamaneho ang ibon o na-disembowel ng frame ng bisikleta.
Tingnan ang mga demo noong katapusan ng 2024 sa itaas～
Dahil dito, ang "Pelican Riding a Bicycle" ay naging klasikong pagsubok sa pambayan para sa pag-unawa sa espasyo, pagkakaisa ng mga bagay, at kakayahan sa paggawa ng code ng malalaking modelo.
Ngunit habang lumalakas ang modelo, malapit na ang pelikano na mabuhay.
Tingnan ang ibaba DeepSeek R1 at DeepSeek Mula sa pagganap ng V4, alam nating ang kasalukuyang modelo ay kayang tapusin ang tanong na ito nang lubos na maganda.
Mas mahalaga pa, ang isang SVG ay nagpapakita lamang ng isang beses na output ng modelo.
Hindi ito makakatukoy kung ang modelo ay kayang magplano ng isang kumplikadong proyekto, magtrabaho nang tuloy-tuloy sa loob ng ilang oras, at paulit-ulit na i-check at iayos ang sariling mga kamalian sa libo-libong linya ng code.
Kaya isinukal ni Kappasi ang isang maliit na tanong na “gumawa ng isang larawan” para maging isang malaking proyekto na “bumuo ng isang mundo”—
The Pelicans can get off; Middle-earth has officially taken over.
Kapasi's Pelican
Mabilis na, ang balita na handang palitan ni Kapasi ang mga tanong sa “Pelican Test” ay naramdaman din sa mga komunidad.
Ang mga pinakamataas na pinaliwanag sa Hacker News ay naniniwala na, bagaman ang kalidad ng mga larawan sa mga Demo ay medyo mahina, ito ay nagpapakita na kailangan natin ng isang bagong pagsubok na higit na mahirap kaysa sa pagbuo ng isang iisang larawan.
Hindi dapat tukuyin ang bagong batayan sa pagkakatama ng larawan lamang ng modelo, kundi sa pag-unawa nito sa isang mundo.
After all, “Pelican on a Bicycle” has been used for too long.
Patuloy na nagpapabuti ang mga modelo sa ganitong uri ng gawain, at ang pagkakaiba sa pagitan nila ay naging mahirap makita.
Sa kumpara, ang pagbuo ng isang buong 3D mundo ay nangangailangan ng pag-unawa ng modelo sa mga ugnayang espasyal sa pagitan ng mga tauhan at bagay, paghahandle ng mga lens, galaw, at pagbabago ng eksena, hindi lamang ang pagpapatawag ng isang video generation model upang maglabas ng isang clip.
Kasama rin ang ilang mga pagtutol.
The pelican test is sufficiently simple, low-cost, and results are easy to compare.
Para sa isang pagsubok ng model, ang paggamit ng maraming token upang lumikha ng buong 3D mundo ay parang pagpapalabas ng fireworks gamit ang computing power.
Sambil noon, ang kakayahan ng Three.js mismo na sukatin ang kabuuang kakayahan ng malalaking modelo ay tinanong din.
May ilan na naniniwala na ang ganitong Demo ay kahit na makapapatotohanan na ang Anthropic ay mahusay sa pagtuturo sa Three.js code, hindi ito nagpapakita na ang modelo ay talagang naiintindihan ang espasyo at pisikal na mundo.
Ngunit agad na binatikos ng mga netizen:
I-transform ang isang abstraktong, malabo ang kahulugan na literaturang teksto sa isang 3D animation, kung saan ang modelo ay kailangang magtratrabaho nang sabay-sabay sa mga relasyon sa espasyo, mga batas ng pisika, karaniwang bagay, at mga matematikal na problema sa 3D transformation at computer graphics.
Kung ito ay maaaring tawagin lang na “nakakasulat ng Three.js,” medyo nababawasan ang 5,500 na linya ng code.
Mayroon pa ring netizen na nagtanong ng mas bukas na tanong:
Totoo bang iba ang “spatial reasoning” sa karaniwang pag-iisip ng malalaking modelo kapag nilulutas nito ang teksto at code?
Isang pananaw ay nagsasabing ang pagiging balido ng isang imahe ay nakasalalay kung ang modelo ay nagkakaroon ng pag-unawa sa mga espasyal na ugnayan tulad ng “nanguna at pumanaw, loob at labas, malayo at malapit, at pagkakatagod,” pati na rin ang distansya, anggulo, at relatibong laki ng mga bagay sa iba’t ibang pananaw.
Ngunit may isa pang pananaw na nagsasabing, anuman ang itinuturing ng modelo bilang “katabi ng bato” o “loob ng array”, maaaring gawin nito ang parehong bagay: pagbuo ng mga Token ayon sa konteksto, at sa prosesong ito ay natatapos ang pag-iisip.
Kung ganito ang sitwasyon, ang Opus 5 ay hindi nagpapakita lamang ng isang biglaang lumabas na “spatial capability.”
Mas malamang na ang pangkalahatang kakayahan sa pag-iisip ng malalaking modelo sa wika, na orihinal na ginagamit para maunawaan ang teksto at code, ay nagsimulang natural na umabot sa mundo ng tatlong dimensyon.
Mula sa pagguhit ng isang pelikan, hanggang sa pagbuo ng isang Middle-earth, baka magbago ang paksa, ngunit ang tinutukoy na pagsubok ay maaaring palaging ang parehong tanong:
Maaari ba ang model na i-convert ang kanyang pag-unawa sa mundo sa isang tunay na gumagana na istruktura?
At sa huli, baka mayroon pa isang mas kakaibang tanong—
Kung ang isang pangkalahatang malaking modelo ay kaya nang sumulat ng sariling code upang buuin ang isang 3D mundo, at pagkatapos ay gamitin ang mga API tulad ng Seedance at ElevenLabs para sa larawan at tunog, ilan pa ba ang kahalagahan ng pagbukas ng isang espesyalisadong produkto para sa paggawa ng video at pagsulat ng prompt nang personal?
Link ng referensya
[1]https://karpathy.ai/lotr-movie/
[2]https://simonwillison.net/2025/Jun/6/six-months-in-llms/
[3] https://x.com/wizardbrainz/status/2083012159341203708
[4]https://x.com/aniketjart/status/2083645765097033845
[5]https://x.com/davidfromkansas/status/2075691129899528254
[6]https://x.com/MindaugasLT/status/2083488027343470939
Ang artikulong ito ay galing sa WeChat public account na “Quantum Bit”, may-akda: henry