Opus 5 dari Anthropic Membangun Dunia 'Lord of the Rings' 3D Menggunakan AI

Tak banyak bicara, langsung mulai duduk santai setiap hari (doge)!

Baru saja, sang ahli Kaphasi mengumumkan, "Kami" Anthropic telah mulai meningkatkan kekuatan model besar dengan cara yang sama sekali baru—

The Lord of the Rings.

Menurut Kapsis, "The Lord of the Rings Benchmark" ini sedang menggantikan pengujian SVG "Pelican Riding a Bicycle" yang dulu sangat populer.

Secara khusus, Kappasi langsung memberikan awal The Lord of the Rings kepada Opus 5, meminta model untuk secara langsung membuat seluruh "Middle-earth" menggunakan Three.js.

Untuk hasil akhirnya, agak mirip dengan animasi 3D buatan dalam negeri akhir tahun 90-an dan awal abad ke-21: sangat kasar dan sangat abstrak.

Namun, secara objektif, jika Anda memperhatikan lebih lama dan kebetulan familiar dengan lokasi syuting The Lord of the Rings di Hobbiton, Selandia Baru, Anda memang bisa melihat sedikit kemiripan~

Namun, barang yang tampak tidak terlalu halus ini benar-benar menghabiskan Opus 5: 1 juta token, 2 jam, dan 5.500 baris kode.

Of course, Claude is not the only one shining on stage.

Yang paling lucu masih tetap mangkuk baru yang disajikan oleh netizen DeepSeek Versi V4 Flash.

Langsung seluruh "Orang Tiongkok bisa terbang", tokoh dalam gambar semua mengambang.

面对这些目前肉眼可见的穿帮，卡帕西倒也相当中肯。

Dia menunjukkan bahwa Opus 5 saat ini belum benar-benar dapat "memasuki" dunia yang dihasilkannya sendiri, hanya dapat mengambil tangkapan layar pada berbagai titik waktu, lalu perlahan memeriksa di mana masalahnya.

Dan ini justru menunjukkan kelemahan jelas dari model besar saat ini:

Mereka sudah bisa menulis kode, membuat adegan, dan menghasilkan game, tetapi belum benar-benar bisa memahami video, dan tidak pernah memainkan game yang mereka buat sendiri.

Mari kita lihat terlebih dahulu bagaimana tes "The Lord of the Rings" ini dilakukan.

Jika diartikan secara harfiah dari tweet KappaSi, petunjuk utama yang dimasukkan ke Opus 5 seharusnya adalah awal dari Bab Pertama The Lord of the Rings, "The Expected Party".

Bilbo Baggins dari Bag End mengumumkan akan mengadakan pesta ulang tahun ke-111 yang megah, dan seketika itu juga Hobbiton penuh dengan pembicaraan...

Teman yang tertarik bisa mencoba sendiri.

Selain itu, Kapasi juga menentukan Three.js, yaitu perpustakaan JavaScript untuk membangun adegan 3D melalui kode.

Dengan demikian, tugas yang harus diselesaikan oleh Opus 5 adalah memahami teks pembuka The Lord of the Rings terlebih dahulu, lalu menerjemahkannya menjadi dunia 3D yang dapat dijalankan secara real-time di browser.

Selama proses ini, Opus 5 perlu menyusun karakter, bangunan, dan properti menggunakan poligon, menempatkannya satu per satu ke dalam sistem koordinat x, y, z, lalu mengatur kamera, pencahayaan, dan animasi.

Kapan karakter bergerak, kamera berpindah ke mana, pencahayaan bagaimana perubahan, dan benda-benda di adegan bagaimana berinteraksi, semuanya perlu didefinisikan oleh model menggunakan kode.

Meskipun adegan terakhir tidak bisa disebut halus, dan sering mengalami masalah seperti clipping dan mengambang, misalnya tubuh dan kepala karakter terpisah... seluruh adegan setidaknya telah benar-benar dibangun.

Perlu diperhatikan bahwa ini bukanlah hal yang sama dengan model video yang secara langsung menghasilkan piksel frame demi frame.

Three.js harus terlebih dahulu membuat karakter, objek, dan adegan sebagai objek tiga dimensi, lalu menghitung secara real-time posisi, sudut, dan status gerakan mereka berdasarkan kode.

Jadi, demo yang kita lihat bukanlah video yang dihasilkan AI biasa, melainkan rekaman layar dari runtime adegan web 3D.

Namun, Kapasi juga menyebutkan di kolom komentar bahwa generasi 3D dan video berbasis program tidak saling eksklusif.

Seorang pengguna mengusulkan agar rekaman layar Three.js yang kasar ini diberikan kepada Seedance sebagai video referensi, lalu model video tersebut merender ulang dengan kualitas gambar yang lebih tinggi.

Kapasi segera setuju.

Menurut rencananya, kode terprogram dapat bertanggung jawab atas pembagian adegan dan pengendalian, terlebih dahulu menetapkan kerangka dasar seperti di mana karakter berdiri, bagaimana kamera bergerak, dan bagaimana alur cerita berkembang.

Selanjutnya, berikan rekaman layar ke model Video-to-Video untuk mengisi tekstur, pencahayaan, dan detail, sehingga penampilan seluruh dunia Middle-earth menjadi maksimal.

Untuk audio, Opus 5 kali ini tidak membeli semuanya sekaligus.

Kapasi menyatakan bahwa, karena persyaratan pribadi terhadap kualitas suara, akhirnya menggunakan ElevenLabs.

Jadi, demo The Lord of the Rings yang awalnya memiliki gambar, adegan, dan narasi, tiba-tiba muncul begitu saja.

Kapasi juga telah mengopen-source seluruh proyek, tautan detail dapat dilihat di akhir artikel.

Setelah Kapasi merilis demo, banyak netizen juga datang untuk mencobanya.

Secara keseluruhan, hanya bisa dikatakan:

Netizen saat ini jauh lebih imajinatif daripada Kappa.

Seseorang telah meluncurkan proyek "Earth Online" dengan Claude, bertujuan untuk menggunakan sekelompok AI Agent untuk seluruh bumi Klik Dibangun.

Saat ini, Agent belum membangun seluruh Bumi, hanya membuat kawasan pelabuhan San Francisco dengan gaya low-poly. Namun, dari gambar yang ada, proporsi bangunan, skala manusia, dan gaya keseluruhan tetap konsisten.

Efeknya agak seperti animasi dunia Lego. Gaya gambar tidak rumit, tetapi karakter, latar, dan gerakan dapat berjalan stabil dalam dunia yang sama.

Teruskan arah ini, animasi dengan gaya sederhana dan game ringan, sudah mulai menunjukkan bentuk awal AI-native.

Masih ada netizen yang membuat model digital 3D Kota New York menggunakan Fable 5 dan GPT-5.6 Sol, serta mengintegrasikan data real-time di dalamnya.

Model tidak hanya harus menempatkan jalan dan bangunan di New York dengan benar, tetapi juga mempertahankan hubungan spasial antar wilayah. Oleh karena itu, penulis mengusulkan bahwa tugas menghasilkan dunia virtual semacam ini mungkin dapat menjadi Benchmark penalaran spasial baru.

Yang lebih ekstrem lagi masih datang.

Ada pengguna internet yang tidak mendapatkan tiket konser Kanye West, jadi mereka menggunakan AI untuk membuat konser sendiri di browser.

Seluruh proyek tetap dibangun menggunakan Three.js. Hanya ada satu file HTML, tanpa memanggil model 3D siap pakai; panggung, karakter, dan pencahayaan semuanya dihasilkan melalui kode.

Seluruh konser menyiapkan 14 lagu, masing-masing lagu memiliki desain pencahayaan terpisah dan visual panggung bola eksklusif.

Pengguna biasa dapat mendengarkan cuplikan, dan setelah terhubung ke Spotify Premium, mereka juga dapat memutar lagu lengkap dan seluruh pertunjukan.

Tidak mendapatkan tiket, langsung membuat pemesanan eksklusif sendiri, sangat rugi!

Belum selesai!!!

Kapasi juga membayangkan di akhir postingan aslinya, dunia 3D ini dapat ditambahkan mekanisme permainan di masa depan, memungkinkan pemain masuk sebagai penonton, NPC, atau bahkan karakter cerita.

Hasil versi game sudah dibuat oleh netizen sebelum Kapasian mengatur.

Proyek ini juga menggunakan Opus 5 dan Three.js, tidak hanya dapat dijalankan dan diinteraksi, tetapi juga dilengkapi dengan audio.

Lebih banyak contoh desain 3D terus bermunculan. Dari skala arsitektur, tata ruang, hingga gaya adegan, Opus 5 telah mampu mempertahankan konsistensi yang relatif stabil dalam proyek-proyek berukuran cukup besar.

Masih banyak contoh serupa yang tidak ditampilkan satu per satu di sini.

Secara objektif, karya-karya ini masih jauh dari menjadi game yang benar-benar matang.

Apakah fitur yang beragam menarik, apakah berjalan stabil dalam jangka panjang, dan apakah pemain benar-benar bersedia tetap berada di dalamnya selama 15 menit, semuanya masih belum diketahui.

Namun, ambang batas untuk membuat konten 3D real-time dan prototipe yang dapat dimainkan memang telah diturunkan secara signifikan.

Apalagi, memiliki cara baru untuk menguji kemampuan model sekaligus cukup menarik dan menyenangkan, bukankah itu indah?

Lalu, mengapa tiba-tiba perlu meminta model besar untuk menghasilkan The Lord of the Rings?

Ini masih harus dimulai dari tes "Pelican Bersepeda" yang meledak beberapa tahun lalu.

Soal ini awalnya berasal dari pengembang Simon Willison, dan hanya memerlukan satu kalimat:

Buat gambar SVG seekor pelikan yang mengendarai sepeda.

Meskipun pertanyaan ini tampak sederhana, sebenarnya cukup menantang bagi model.

Karena SVG tampak seperti gambar, tetapi di dasarnya adalah serangkaian kode.

Model tidak hanya perlu tahu seperti apa bentuk pelikan dan sepeda, tetapi juga harus memecahnya menjadi garis, lingkaran, dan poligon, lalu mengatur posisi setiap komponen menggunakan koordinat.

Lebih penting lagi, pelikan dan sepeda memang tidak cocok satu sama lain.

Bingkai sepeda, ban, dan pedal harus mempertahankan geometri yang benar; sementara burung pelikan memiliki paruh besar, kaki pendek, dan tubuh yang tampaknya sama sekali tidak cocok untuk mengayuh sepeda.

Ketika keduanya digabungkan, apakah model benar-benar memahami hubungan spasial, hampir bisa langsung terlihat:

Roda miring atau tidak, kaki menyentuh pedal atau tidak, burung itu benar-benar sedang mengendarai sepeda, atau justru langsung dihancurkan oleh rangka sepeda.

Lihat demo di akhir tahun 2024 di atas~

Karena itu, "Pelican Bersepeda" pernah menjadi tes klasik dalam masyarakat untuk mengamati kemampuan model besar dalam memahami ruang, menggabungkan objek, dan menghasilkan kode.

Tetapi seiring model menjadi semakin kuat, pelikan ini juga hampir sampai di akhir perjalanannya.

Lihat di bawah DeepSeek R1 dan DeepSeek Dari kinerja V4, dapat diketahui bahwa model saat ini sudah mampu menyelesaikan soal ini dengan cukup baik.

Lebih penting lagi, satu SVG hanya dapat mengevaluasi output sekali jalan dari model.

It cannot measure whether a model can plan a complex project, work continuously for several hours, and repeatedly check and correct its own errors within thousands of lines of code.

Kapasi kemudian mengganti soal kecil “gambar sebuah gambar” menjadi proyek besar “membangun sebuah dunia”—

The Pelicans can get off, Middle-earth has officially taken over.

Segera, kabar bahwa Kapsi akan mengganti soal “Uji Coba Pelican” juga menyebar ke berbagai komunitas.

Komentar populer di Hacker News berpendapat bahwa meskipun kualitas visual demo-demo ini cukup biasa, hal ini justru menunjukkan bahwa kita membutuhkan tes baru yang lebih sulit daripada hanya menghasilkan satu gambar.

Standar baru seharusnya tidak hanya melihat apakah model bisa menggambar dengan benar, tetapi juga mengevaluasi apakah ia bisa memahami suatu dunia.

Setelah semua, "Pelican Bersepeda" sudah terlalu lama digunakan.

Model terus memecahkan rekor untuk tugas semacam ini, sehingga perbedaan antara satu sama lain semakin sulit dilihat.

Sebaliknya, menghasilkan dunia 3D yang lengkap memerlukan model untuk memahami hubungan spasial antara karakter dan objek, serta menangani kamera, gerakan, dan perubahan adegan, bukan sekadar memanggil model generasi video untuk menghasilkan sepotong gambar.

Of course, some people have also raised objections.

The pelican test is sufficiently simple, low-cost, and results are easy to compare.

Untuk menguji satu model, menghabiskan begitu banyak token untuk menghasilkan seluruh dunia 3D rasanya seperti membakar daya komputasi seperti kembang api.

Meanwhile, whether Three.js itself can measure the comprehensive capabilities of large models has also been questioned.

Beberapa orang berpendapat bahwa demo semacam ini paling-paling hanya membuktikan bahwa Anthropic telah dilatih dengan baik dalam kode Three.js, tetapi tidak menunjukkan bahwa model benar-benar memahami ruang dan dunia fisik.

Namun segera ada netizen yang membantah:

Mengubah teks sastra yang abstrak dan ambigu menjadi animasi 3D memerlukan model yang mampu menangani hubungan spasial, hukum fisika, objek sehari-hari, serta masalah matematis dalam transformasi 3D dan grafika komputer.

Jika ini masih dianggap hanya “bisa menulis Three.js”, agak meremehkan 5.500 baris kode ini.

Masih ada netizen yang mengajukan pertanyaan yang lebih terbuka:

Apakah yang disebut "penalaran spasial" benar-benar berbeda dari penalaran yang biasa dilakukan model besar saat memproses teks dan kode?

Satu pandangan berpendapat bahwa apakah gambar dapat diterima bergantung pada apakah model memahami hubungan spasial seperti "depan-belakang, dalam-luar, jauh-dekat, dan penyamaran", serta jarak, sudut, dan ukuran relatif objek dari berbagai sudut pandang.

Namun, pandangan lain berpendapat bahwa, entah model tersebut menangani "di samping batu" atau "di dalam array", yang mungkin dilakukannya adalah hal yang sama: menghasilkan Token satu per satu berdasarkan konteks, dan dalam proses ini menyelesaikan penalaran.

Jika demikian, maka yang ditunjukkan oleh Opus 5 bukan hanya kemampuan "ruang" yang tiba-tiba muncul.

Kemungkinan besar, kemampuan penalaran umum dari model bahasa besar yang awalnya digunakan untuk memahami teks dan kode, telah mulai secara alami meluas ke dunia tiga dimensi.

Dari menggambar seekor pelikan, hingga membangun dunia Middle-earth, tampaknya topiknya berubah, tetapi yang diuji mungkin tetap sama:

Apakah model dapat mengubah pemahamannya terhadap dunia menjadi satu struktur yang benar-benar dapat dijalankan?

Dan di akhir, mungkin ada pertanyaan yang lebih absurd lagi—

Jika model besar umum sudah mampu menulis kode sendiri untuk membangun dunia 3D, lalu memanggil API seperti Seedance dan ElevenLabs untuk menghasilkan gambar dan suara, seberapa besar kebutuhan pengguna untuk secara manual membuka produk generasi video khusus dan memasukkan Prompt?

Tautan referensi

[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

Artikel ini berasal dari akun WeChat "Quantum Bit", penulis: henry