Sem mais delongas, vamos direto ao Daily Sit (doge)!
Apenas agora, o especialista KappaSi anunciou: "Nós", da Anthropic, começamos a treinar grandes modelos de uma maneira totalmente nova—
O Senhor dos Anéis.
Segundo Kapasi, este "benchmark do Senhor dos Anéis" está substituindo o antigo teste SVG popular "Pelicano de Bicicleta".
Especificamente, Kapsis entregou diretamente a abertura de O Senhor dos Anéis ao Opus 5, pedindo que o modelo criasse em tempo real todo o “Média-Terra” usando Three.js.
Quanto ao efeito final, é um pouco como os desenhos animados 3D nacionais dos anos 90 e início dos anos 2000: bem rústico e muito abstrato.
Mas, objetivamente, olhando atentamente por um tempo, se você também for familiarizado com a Hobbiton, o local de filmagem da Nova Zelândia de O Senhor dos Anéis, realmente é possível perceber um certo sabor~
No entanto, esse objeto que parece pouco refinado realmente consumiu 1 milhão de tokens, 2 horas e 5.500 linhas de código do Opus 5.
Of course, Claude is not the only one shining on stage.
O mais engraçado ainda é o prato recém-servido pelos internautas DeepSeek Versão V4 Flash.
Diretamente todo mundo “chinês pode voar”, os personagens na cena estão todos flutuando.
Diante dessas falhas atualmente visíveis a olho nu, Kappasi também se mostrou bastante justo.
Ele apontou que, atualmente, o Opus 5 ainda não pode realmente “entrar” no mundo que gera, apenas capturando screenshots em diferentes momentos e verificando lentamente onde ocorreram os problemas.
E isso exatamente revela uma deficiência clara dos modelos atuais de grande porte:
Eles já conseguem escrever código, criar cenários e gerar jogos, mas ainda não conseguem realmente entender vídeos nem jogar pessoalmente os jogos que criaram.
Duas horas, construindo uma Terra Média do zero
Vamos primeiro ver como exatamente este teste do "Senhor dos Anéis" é realizado.
Se for levado ao pé da letra o tweet de Kapsi, o prompt principal inserido no Opus 5 deve ser o início do primeiro capítulo de O Senhor dos Anéis, “A Festa Esperada”.
Bilbo Baggins do Buraco da Mochila anunciou que organizará uma grande festa de aniversário de 111 anos, e imediatamente houve muito comentários em Hobbiton...
Friends who are interested can try it themselves.
Além disso, Kappaci também especificou Three.js, uma biblioteca JavaScript para criar cenas 3D por meio de código.
Assim, a tarefa do Opus 5 é primeiro compreender o texto inicial de O Senhor dos Anéis e depois traduzi-lo em um mundo 3D que possa ser executado em tempo real no navegador.
Durante todo o processo, o Opus 5 precisa usar polígonos para criar personagens, edifícios e objetos, colocá-los individualmente no sistema de coordenadas x, y, z, e depois configurar câmeras, iluminação e animações.
Quando os personagens se movem, para onde a câmera se vira, como as luzes mudam e como os objetos na cena devem interagir, tudo precisa ser definido pelo modelo por meio de código.
Embora a cena final não seja refinada e frequentemente apresente problemas como clipping e flutuação, como o corpo e a cabeça dos personagens separados... pelo menos todo o cenário foi realmente montado.
Note que isso não é o mesmo que o modelo de vídeo gerar pixels quadro a quadro diretamente.
O Three.js precisa primeiro criar personagens, objetos e cenas como objetos tridimensionais, depois calcular em tempo real suas posições, ângulos e estados de movimento com base no código.
Portanto, o demo que vimos não é um vídeo gerado por IA comum, mas sim uma gravação de tela de um cenário web 3D em execução.
No entanto, Kapasi também mencionou nos comentários que a geração programática de 3D e vídeo não é uma escolha binária.
Um usuário sugeriu que a gravação bruta do Three.js possa ser entregue à Seedance como vídeo de referência, e que o modelo de vídeo gere uma nova versão com qualidade superior.
Kapasi quickly agreed.
Segundo sua ideia, o código programático poderia ser responsável pela divisão de cenas e controle, estabelecendo primeiro os elementos básicos: onde os personagens estão posicionados, como a câmera se move e como a trama avança.
Em seguida, envie a gravação de tela para o modelo Video-to-Video, que adicionará texturas, iluminação e detalhes, elevando totalmente a aparência de todo o mundo da Terra-média.
Quanto ao áudio, a Opus 5 não incluiu tudo desta vez.
Kapasi disse que, por exigências pessoais de qualidade sonora, foi finalmente utilizado o ElevenLabs.
Assim, aquele trecho inicial do Demo de O Senhor dos Anéis, com cenas, planos e narração, surgiu repentinamente.
Kapasi também já tornou todo o projeto de código aberto; o link específico pode ser encontrado no final do texto.
Os usuários são muito mais interessantes que Kapasi
Logo após Kapsi lançar a demonstração, muitos internautas também vieram testar.
Olhando globalmente, só se pode dizer:
Os internautas desta geração têm muito mais imaginação do que Kappa.
Alguém iniciou um projeto chamado "Earth Online" usando o Claude, com o objetivo de usar um grupo de Agentes de IA para mapear todo o planeta Clique aqui Montado.
Atualmente, o agente ainda não construiu todo o planeta, apenas montou um bairro à beira-mar de São Francisco em estilo low-poly. Mas, conforme as imagens atuais, as proporções dos edifícios, a escala das pessoas e o estilo geral estão bastante consistentes.
Esse efeito é um pouco como aqueles desenhos animados do mundo Lego. O estilo visual não é complexo, mas os personagens, cenários e ações funcionam de forma estável no mesmo mundo.
Siga nesta direção, animações com estilo simples e jogos leves, já têm um pouco da essência nativa de IA.
Outros usuários da internet criaram um modelo 3D digital de Nova York usando Fable 5 e GPT-5.6 Sol, integrando dados em tempo real.
O modelo não apenas precisa posicionar corretamente as ruas e edifícios de Nova York, mas também manter as relações espaciais entre diferentes áreas. Por isso, o autor propõe que essa tarefa de gerar mundos virtuais possa servir como um novo benchmark de raciocínio espacial.
O mais extravagante ainda está por vir.
Alguns usuários que não conseguiram comprar ingressos para o show de Kanye West simplesmente usaram IA para criar seu próprio show no navegador.
O projeto inteiro ainda é construído com o Three.js. Há apenas um arquivo HTML, sem utilizar nenhum modelo 3D pronto; o cenário, os personagens e as luzes são todos gerados por código.
A apresentação inteira contou com 14 músicas, cada uma com um design de iluminação único e um conjunto exclusivo de visuais de palco esféricos.
Usuários comuns podem ouvir trechos; após conectar ao Spotify Premium, também podem reproduzir faixas completas e apresentações inteiras.
Não conseguiu pegar os ingressos? Crie diretamente um evento privado para si mesmo — que perda!
Ainda não acabou!!!
Kapasi também especulou no final da postagem original que, posteriormente, poderia-se adicionar jogabilidade a esses mundos 3D, permitindo que os jogadores entrem neles como espectadores, NPCs ou até personagens da história.
A versão do jogo já foi criada pelos internautas antes que Kappa pudesse organizar.
Este projeto também utiliza Opus 5 e Three.js, permitindo não apenas execução e interação, mas também áudio integrado.
Mais casos de design 3D estão surgindo continuamente. Desde escala arquitetônica, layout espacial até estilo de cena, o Opus 5 já consegue manter uma consistência relativamente estável em projetos de considerável escala.
Muitos outros exemplos similares existem, por isso não os listaremos todos aqui.
Objetivamente, esses trabalhos ainda estão longe de serem jogos verdadeiramente maduros.
Ainda não há respostas sobre se as mecânicas envolventes são divertidas, se funcionam de forma estável por longos períodos ou se os jogadores realmente estarão dispostos a permanecer por 15 minutos.
Mas a barreira para criar conteúdo 3D em tempo real e protótipos jogáveis foi significativamente reduzida.
Além disso, não seria ótimo ter um novo método para testar a capacidade do modelo, ao mesmo tempo que é suficientemente interessante e divertido?
Pelican, chegou ao fim
Então, por que de repente pedir ao modelo grande para gerar O Senhor dos Anéis?
Isso remonta ao teste "Pelican Biking", que se tornou popular há alguns anos.
Esta pergunta originalmente veio do desenvolvedor Simon Willison e exige apenas uma frase:
Generate an SVG image of a pelican riding a bicycle.
Embora esteja pareça simples, na verdade ele testa bastante o modelo.
Porque o SVG parece uma imagem, mas por baixo é uma sequência de código.
O modelo não só precisa saber como o pelicano e a bicicleta parecem, mas também precisa decompor esses objetos em linhas, círculos e polígonos, e depois posicionar cada componente com coordenadas precisas.
Mais importante ainda, o pelicano e a bicicleta em si não combinam nada.
O quadro, os pneus e os pedais da bicicleta devem manter a geometria correta; o pelicano, por outro lado, possui um bico grande, pernas curtas e uma constituição que parece absolutamente inadequada para pedalar.
Ao combinar os dois, é quase imediatamente visível se o modelo compreendeu ou não as relações espaciais:
A roda está torta ou não, os pés estão ou não no pedal, a ave está realmente pedalando ou foi desmembrada pelo quadro da bicicleta.
Veja essas demos do final de 2024 acima～
Por isso, "o pelicano andando de bicicleta" tornou-se um teste clássico para observar, na comunidade, a capacidade de modelos grandes de compreensão espacial, combinação de objetos e geração de código.
Mas à medida que os modelos ficam cada vez mais fortes, essa garça também está prestes a chegar ao fim.
Veja abaixo DeepSeek R1 e DeepSeek Pela performance da V4, sabe-se que os modelos atuais já conseguem resolver esse problema de forma bastante satisfatória.
Mais importante, um único SVG só pode avaliar a saída única do modelo.
Ele não consegue medir se o modelo é capaz de planejar um projeto complexo, trabalhar continuamente por várias horas e revisar e corrigir repetidamente seus próprios erros em milhares de linhas de código.
Então, Kappasi trocou um pequeno exercício de "desenhar um gráfico" por um grande projeto de "construir um mundo"—
The Pelicans can get off; Middle-earth has officially taken over.
Pelican of Kappasi
Logo, a notícia de que Kapasi estava prestes a trocar as questões do “Teste da Tucano” também se espalhou por diversas comunidades.
Os comentários mais bem votados no Hacker News afirmam que, embora a qualidade visual dessas demonstrações seja bastante básica, isso justamente mostra que precisamos de um novo teste mais desafiador do que gerar uma única imagem.
O novo padrão não deve apenas avaliar se o modelo consegue desenhar corretamente, mas também se ele consegue compreender um mundo.
After all, "Pelican on a Bike" has been around too long.
Os modelos continuam a superar recordes nesse tipo de tarefa, e as diferenças entre eles estão se tornando cada vez mais difíceis de perceber.
Em contraste, gerar um mundo 3D completo exige que o modelo compreenda as relações espaciais entre personagens e objetos, lidando com câmeras, ações e mudanças de cena, em vez de simplesmente invocar um modelo de geração de vídeo para produzir uma sequência de imagens.
Claro, também há quem apresente opiniões contrárias.
The pelican test is sufficiently simple, low-cost, and results are easy to compare.
Para testar um modelo, gastar tantos tokens para gerar todo um mundo 3D parece um pouco como usar capacidade de processamento para fazer fogos de artifício.
Ao mesmo tempo, a capacidade do Three.js em avaliar a capacidade geral de grandes modelos também foi questionada.
Alguns acreditam que esse tipo de demo só pode provar que a Anthropic treinou bem o modelo no código Three.js, mas não indica que o modelo realmente compreende o espaço e o mundo físico.
Mas logo em seguida, usuários da internet contestaram:
Converter um texto literário abstrato e de significado vago em uma animação 3D exige que o modelo lide simultaneamente com relações espaciais, leis físicas, objetos cotidianos, bem como problemas matemáticos envolvendo transformações 3D e gráficos computacionais.
Se isso ainda for considerado apenas “saber escrever Three.js”, está subestimando um pouco essas 5.500 linhas de código.
Outros usuários também fizeram uma pergunta mais aberta:
A chamada "raciocínio espacial" é realmente diferente do raciocínio que os grandes modelos normalmente usam ao processar texto e código?
Uma visão sustenta que a validade da imagem depende de o modelo compreender relações espaciais como "antes/depois, dentro/fora, perto/longe, obstrução", bem como a distância, ângulo e tamanho relativo dos objetos sob diferentes perspectivas.
Mas outra perspectiva sugere que, independentemente de o modelo estar lidando com “ao lado da pedra” ou “dentro do array”, ele pode estar realizando a mesma coisa: gerar tokens um a um com base no contexto, realizando raciocínio ao longo desse processo.
Se for esse o caso, então o Opus 5 não está apenas demonstrando uma "capacidade espacial" que surgiu do nada.
É mais provável que a capacidade geral de raciocínio dos grandes modelos de linguagem, originalmente destinada a compreender texto e código, já esteja se estendendo naturalmente para o mundo tridimensional.
De desenhar uma garça à construção de um mundo da Terra-média, o tema pode parecer ter mudado, mas o que está sendo testado por trás talvez seja sempre a mesma pergunta:
O modelo pode transformar sua compreensão do mundo em uma estrutura realmente funcional?
E, por fim, talvez haja uma questão ainda mais absurda—
Se modelos gerais já conseguirem escrever código sozinhos para criar mundos 3D e chamar APIs como Seedance e ElevenLabs para gerar imagens e sons, ainda há muita necessidade para o usuário abrir manualmente um produto especializado de geração de vídeo para inserir um prompt?
Link de referência
[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
Este artigo é do canal do WeChat "Quantum Bit", autor: henry