Hemen başlayalım, her gün yataktan kalkmadan! (doge)
Just now, the great KAPASI announced, “We” Anthropic has started strengthening large models in an entirely new way—
The Lord of the Rings.
Kapasi'ye göre, bu "Lord of the Rings Benchmark", geçmişte popüler olan "Pelican Bicycling" SVG testini yerini alıyor.
Kapasi, doğrudan The Lord of the Rings'un başlangıcını Opus 5'e vererek modelin Three.js ile doğrudan bir "Middle-earth" oluşturmasını istedi.
Son etki olarak, 1990’ların sonu ve 2000’lerin başındaki yerel 3D animasyon filmlerine biraz benziyor: oldukça thap ve soyut.
Ancak nesnel olarak biraz daha dikkatle bakarsanız, Yeni Zelanda'da bulunan "Yüzüklerin Efendisi" çekim yerleri olan Hobbiton'u tanıyorsanız, gerçekten bir benzerlik fark edebilirsiniz~
Ancak, görünüşü pek de ince olmayan bu şey, Opus 5 için gerçek anlamda 1 milyon token, 2 saat ve 5.500 satır kod harcadı.
Elbette, sahne sadece Claude tek başına değil.
En komik olan, internet kullanıcılarının yeni getirdiği bir tabak DeepSeek V4 Flash sürümü.
“Çinliler uçabiliyor” tamamıyle doğrudan, sahne karakterleri tümüyle havada yüzen.
Bu şu anda gözle görülebilir hatalara karşı Kappasi oldukça adil davranıyor.
O, Opus 5'in şu anda kendi oluşturduğu dünyaya gerçekten "giremediğini", sadece farklı zaman noktalarında ekran görüntüsü alıp sorunların nerede olduğunu yavaşça kontrol edebildiğini belirtti.
Bu da şu anda büyük modellerin açıkça görülen bir zayıflığını ortaya koyuyor:
Kod yazabiliyor, sahneler kurabiliyor, oyunlar üretebiliyor, ancak videoları gerçekten anlayamıyorlar ve kendileri oluşturduğu oyunları kendi başlarına oynayamıyorlar.
İki saatte, orta toprakları elle yapmak
Öncelikle bu “Yüzüklerin Efendisi” testinin nasıl yapıldığını görelim.
Kapasi'nin tweet'indeki kelime kelime anlamına göre, bu girişte Opus 5'e verilecek ana ipucu, 'Yüzüklerin Efendisi'nin birinci bölümü 'Uzun Süreden Beri Beklenen Parti'nin başlangıcı olmalıdır.
Bag End'deki Bilbo Baggins, 111. yaş gününü büyük bir partiyle kutlayacağını duyurdu ve Hobbiton hemen haberlerle doldu...
İlgilenenler kendi kendilerine deneyebilir.
Ayrıca, Kappasi, kodla 3D sahne oluşturmak için kullanılan bir JavaScript kütüphanesi olan Three.js'yi de talimatlarda belirtti.
Bu nedenle, Opus 5'in görevi, The Lord of the Rings'in başlangıç metnini önce anlamak ve ardından bunu bir tarayıcıda gerçek zamanlı olarak çalışabilen bir 3D dünyaya çevirmektir.
Sürecin tamamında, Opus 5, karakterleri, binaları ve eşyaları çokgenlerle oluşturup, bunları sırayla x, y, z koordinat sisteminde yerleştirmeli, ardından kamera, ışık ve animasyonları ayarlamalıdır.
Karakterler ne zaman hareket edecek, kamera nereye dönecek, ışık nasıl değişecektir ve sahnede bulunan nesneler nasıl etkileşime girecektir, bunların tümü model tarafından kodla tanımlanmalıdır.
Son sahne zarif diyemese de, sürekli olarak model geçişleri ve yüzeyde yüzen sorunlar ortaya çıkıyor; örneğin karakterlerin vücutları ve başları birbirinden ayrılıyor... Ancak tüm sahne nihayet gerçek bir şekilde kuruldu.
Bu, video modelinin doğrudan piksel çerçeveleri üretmesiyle aynı şey değildir.
Three.js, karakterleri, nesneleri ve sahneyi önce üç boyutlu nesneler olarak oluşturmalı, ardından kodla bunların konumlarını, açılarını ve hareket durumlarını gerçek zamanlı olarak hesaplamalıdır.
Bu nedenle gördüğümüz demo, sıradan bir AI tarafından oluşturulan video değil, 3D bir web sahnesinin gerçek zamanlı ekran kaydıdır.
Ancak Kappaci, yorumlarda programlı 3D ve video üretiminin ikisinden biri olmadığını da belirtti.
Bazı kullanıcılar, bu ham Three.js ekran kaydını Seedance'a referans videosu olarak sunup, video modelinin daha yüksek kalitede yeniden işlemesini önerdi.
Kapasi hemen kabul etti.
Onun tasarıma göre, programlı kod, sahne planlamayı ve kontrolü üstlenebilir; önce karakterlerin nerede duracağını, kameranın nasıl hareket edeceğini ve hikayenin nasıl ilerleyeceğini temel yapıyı belirleyebilir.
Daha sonra kaydı Video-to-Video modeline verin, böylece doku, ışık ve detayları tamamlayarak Orta Dünya'nın genel görünümünü maksimum seviyeye çıkarın.
Sesle ilgili olarak, Opus 5 bu sefer tamamen ele geçirmemiş.
Kapasi, ses kalitesi için kişisel bir tercih nedeniyle nihayetinde ElevenLabs'ı kullandı.
Bu yüzden, sahne, kamera ve seslendirme içeren《Yüzüklerin Efendisi》 demo'su aniden ortaya çıktı.
Kapasi, projenin tamamını açık kaynak hale getirmiştir; ayrıntılı bağlantı için metnin sonuna bakın.
Çevrimiçi kullanıcılar, Bicapası çok daha ilginç buluyor.
Kapasi demo'sunu yayınladıktan sonra birçok internet kullanıcısı test etmek için geldi.
Genel olarak bakıldığında, sadece şunu söyleyebiliriz:
Bu nesil internetsizler, Kapaşi'den çok daha yaratıcı.
Birisi, Claude ile bir "Earth Online" projesi başlattı ve hedefi, bir dizi AI Agent ile tüm dünyayı Nokta Nokta Yapıldı.
Şu anda Agent, tüm dünyayı henüz tamamlamadı, sadece düşük çokgen tarzında bir San Francisco kıyı bölgesi inşa etti. Ancak mevcut sahnelerde binaların oranları, insan ölçekleri ve genel stil oldukça tutarlı görünüyor.
Bu etki, bir Lego dünyasından alınmış bir animasyon gibi. Stil basit, ancak karakterler, sahneler ve hareketler aynı dünyada kararlı bir şekilde çalışır.
Bu yönde ilerlemeye devam edin, basit tarzda animasyonlar ve hafif oyunlar, AI'nın doğuştan bir çekirdeğini zaten oluşturuyor.
Ayrıca bazı kullanıcılar, Fable 5 ve GPT-5.6 Sol'u kullanarak New York City'nin 3D dijital modelini oluşturdu ve bunu gerçek zamanlı verilerle entegre etti.
Model, New York'un sokaklarını ve binalarını yalnızca doğru şekilde yerleştirmekle kalmaz, aynı zamanda farklı bölgeler arasındaki uzamsal ilişkileri de korumalıdır. Bu nedenle yazar, bu tür sanal dünyaların oluşturulmasının yeni bir uzamsal akıl yürütme benchmark'ı olabileceğini öne sürmüştür.
Daha çarpıcılar hâlâ gelmeyi bekliyor.
Bazı kullanıcılar Kanye West'in konser biletlerini alamayınca, tarayıcılarında AI ile kendi kendilerine bir konser düzenledi.
Tüm proje hâlâ Three.js ile kurulmuştur. Tek bir HTML dosyası kullanılmıştır ve herhangi bir hazır 3D model çağrılmamıştır; sahne, karakterler ve ışık tümüyle kodla oluşturulmuştur.
Konsert boyunca toplam 14 şarkı hazırlanmıştır; her şarkı için ayrı bir ışık tasarımı ve özel küresel sahne görseli bulunmaktadır.
Normal kullanıcılar fragmanları dinleyebilir, Spotify Premium'a bağlandığında tam şarkıları ve tam konserleri çalabilir.
Bilet alamadıysanız, doğrudan kendi kendinize bir tam doluluk oluşturmak çok büyük bir kayıp!
Hâlâ bitmedi!!!
Kapasi, orijinal gönderinin sonunda, bu 3D dünyalara oyuncuların izleyici, NPC veya hikâye karakteri olarak girebileceği oyun mekanikleri eklenmesini hayal etti.
Sonuç oyun sürümü Kappax tarafından planlanmadan önce zaten kullanıcılar tarafından oluşturuldu.
Bu proje aynı zamanda Opus 5 ve Three.js kullanıyor, sadece çalıştırma ve etkileşim değil, ses efektleri de eklenmiş durumda.
Daha fazla 3D tasarım örneği sürekli ortaya çıkıyor. Mimari ölçek, mekan düzenlemesi ve sahne tarzı gibi konularda Opus 5, oldukça büyük projelerde nispeten tutarlı bir tutarlılık sağlıyor.
Benzer örnekler daha birçok tane vardır, burada hepsi tek tek gösterilmemiştir.
Nesnel olarak bakıldığında, bu eserler gerçekten olgun bir oyun düzeyine hâlâ uzak.
Yorulucu oyunlar eğlenceli mi, uzun süre çalışır mı, oyuncular gerçekten 15 dakika boyunca orada kalır mı, şu anda henüz cevaplanmamıştır.
Ancak gerçek zamanlı 3D içerik ve oynanabilir prototip oluşturma engeli gerçekten büyük ölçüde düşürüldü.
Daha da önemlisi, modelin yeteneklerini test etmenin aynı zamanda yeterince ilginç ve eğlenceli yeni bir yöntemi olmasa mı güzel olur?
Pelikan, üstüne bindi
Peki, neden birdenbire büyük modelin Yüzüklerin Efendisi'ni üretmesi gerekiyor?
Bu, birkaç yıl önce popüler olan "Pelikan Bisiklet Sürme" testine kadar uzanır.
Bu soru, geliştirici Simon Willison'den gelmiştir ve yalnızca bir cümle gerektirir:
Bir pelikanın bisiklet sürdüğünü gösteren bir SVG resmi oluşturun.
Bu soru basit gibi görünse de aslında modeli oldukça zorlar.
SVG bir resim gibi görünse de, temelde bir kod dizisidir.
Model, pelikanın ve bisikletin nasıl göründüğünü bilmekle kalmalı, bunları çizgiler, daireler ve çokgenlere ayırmalı ve her bileşenin konum ilişkilerini koordinatlarla düzenlemelidir.
Daha da önemlisi, pelikan ve bisiklet birbirine pek uygun değil.
Bisikletin çatısı, tekerlekleri ve pedalları doğru geometriye sahip olmalıdır; pelikan ise büyük gagaya, kısa bacaklara ve hiç bir şekilde bisiklete binmeye uygun olmayan bir vücuda sahiptir.
İkisi bir araya getirildiğinde, modelin uzamsal ilişkileri anlayıp anlamadığı neredeyse hemen belli oluyor:
Tekerlek çarpık mı, ayak pedala basılmış mı, kuş gerçekten bisiklet sürüyor mu, yoksa çerçeve tarafından anında parçalanmış mı.
Yukarıdaki 2024 yılının sonundaki demo'ları inceleyin～
Bu nedenle, "Pelikan Bisiklet Sürer" bir zamanlar büyük modellerin uzaysal anlama, nesne birleştirme ve kod oluşturma yeteneklerini test etmek için halk arasında klasik bir test haline geldi.
Ancak model giderek daha güçlü hale geldikçe, bu pelikan da neredeyse sonuna geldi.
Aşağıya bakın DeepSeek R1 ve DeepSeek V4 performansından, şu anki modellerin bu soruyu oldukça iyi tamamlayabildiği anlaşılıyor.
Daha önemlisi, bir SVG yalnızca modelin tek seferlik çıktısını değerlendirebilir.
Bu, modelin karmaşık bir projeyi planlayıp, saatlerce sürekli çalışıp, binlerce satır kod içinde kendi hatalarını tekrar tekrar kontrol edip düzeltip edemeyeceğini ölçemez.
Bu yüzden Kapaşi, “bir resim çiz” adlı küçük bir soruyu, “bir dünya kur” adlı büyük bir projeye değiştirdi—
Pelikanlar inebilir, Orta Dünya resmen devraldı.
Kapasi'nin Pelikanı
Kapasi, "Pelican Test" için soru değiştirmeyi planladığını duyurdu ve bu haber tüm topluluklara yayıldı.
Hacker News'teki en çok oy alan yorumlar, bu demoların görsel kalitesinin düşük olduğunu, ancak bunun bize tek bir resim üretmekten daha zor bir yeni test gerektirdiğini gösterdiğini düşünüyor.
Yeni temel, modelin resimleri doğru çizebilip çizemediğine bakmakla kalmamalı, aynı zamanda bir dünyayı anlayıp anlayamadığını da değerlendirmelidir.
Sonuçta, “Pelikan Bisiklet Sürüyor” çok uzun zamandır kullanılıyor.
Modeller, bu tür görevler için sürekli olarak sıralamada yer alıyor ve arasındaki farklar giderek daha az görülür oluyor.
Buna karşılık, tam bir 3D dünya oluşturmak, modelin karakterler ve nesneler arasındaki uzamsal ilişkileri anlamasını, kamera, hareket ve sahne değişimlerini işlemesini gerektirir; sadece bir video üretme modelini çağırarak bir sahne çıkarmak gibi değildir.
Elbette, bazıları karşı çıkıyor.
Pelikan testi yeterince basit, maliyeti düşük ve sonuçları karşılaştırması kolay.
Bir modeli test etmek için tüm 3D dünyayı oluşturmak üzere o kadar çok token tüketmek, bir nevi hesaplama gücüyle ateşworks yapmak gibi.
Aynı zamanda, Three.js'nin büyük modellerin genel kapasitesini ölçebilir olup olmadığı da sorgulandı.
Bazıları, bu tür bir demo'nun Anthropic'ın Three.js kodunda iyi eğitildiğini gösterebileceğini, ancak modelin gerçekten uzay ve fiziksel dünyayı anladığını kanıtlayamayacağını düşünüyor.
Ancak kısa sürede kullanıcılar karşı çıktı:
Soyut ve anlamsız bir edebi metni 3D animasyona dönüştürmek, uzaysal ilişkileri, fizik kurallarını, günlük nesneleri ve 3D dönüşümlerle bilgisayar grafiklerindeki matematiksel sorunları aynı anda işlemeyi gerektirir.
Bu, hâlâ sadece “Three.js yazmayı biliyor” olarak kabul edilirse, 5500 satır kod biraz aşağılanıyor.
Ayrıca bir kullanıcı daha açık bir soru sordu:
“Uzamsal çıkarım” denilen şey, büyük modellerin genellikle metin ve kodla yapmış olduğu çıkarımdan gerçekten farklı mı?
Bir görüşe göre, görüntünün geçerli olup olmadığı, modelin "ön-arka, iç-dış, uzak-yakın, engelleme" gibi uzamsal ilişkileri ve nesnelerin farklı bakış açılarındaki mesafeyi, açıyı ve göreli boyutları anlayıp anlamadığına bağlıdır.
Ancak başka bir görüşe göre, model "taşın yanında" mı "dizinin içinde" mi işliyorsa, muhtemelen aynı şeyi yapıyor: Bağlama göre tek tek Token üretiyor ve bu süreçte çıkarım yapıyor.
Eğer öyleyse, Opus 5'in gösterdiği sadece aniden ortaya çıkan bir "uzay yeteneği" değil.
Daha olası olan, büyük dil modellerinin metin ve kodu anlamak için orijinal olarak geliştirilen genel akıl yürütme yeteneklerinin, doğal olarak üç boyutlu dünyaya doğru genişlemeye başlamasıdır.
Bir pelikan çizmekten Orta Dünya kurmak kadar görünüşte konu değişse de, arkasında test edilen belki de her zaman aynı soru:
Model, dünyaya dair anlayışını gerçekten çalışır bir yapıya dönüştürebilir mi?
Ve sonunda, belki de daha çılgın bir soru daha var—
Eğer genel büyük modeller, kendi kendine kod yazarak 3D dünyalar kurabiliyor ve Seedance, ElevenLabs gibi API'leri kullanarak görselleri ve sesleri oluşturabiliyorsa, kullanıcıların hâlâ özel bir video üretme ürünü açıp Prompt girmeye ihtiyacı ne kadar var?
Referans bağlantısı
[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
Bu yazı, WeChat hesabından "Quantum Bit" tarafından yazılmıştır, yazar: henry