鹈鹕骑自行车基准：提示词、示例与局限

鹈鹕基准要求语言模型编写一张「鹈鹕骑自行车」的 SVG。它是一项直观的小实验：模型能否把一句描述变成可辨认的形状，以及关系合理的画面？

原始提示词

Generate an SVG of a pelican riding a bicycle

这是历史静态 SVG 提示词（pelican-v1）。与历史画作比较时，请使用上面的原文、新建对话，并保留未经修改的回复。让图像生成器输出位图是另一项任务，应与语言模型编写 SVG 的结果分开比较。

Simon Willison 在 2024 年 10 月记录了这项实验，并维护着公开结果仓库。本站历史示例均链接到来源。这些示例来自不同时间，不能视为对今天各家服务的受控测试。

现在的 HTML 动画测试

首页参与流程

使用 Pelican Test 的 pelican-bicycle-cli-v1 提示词：生成自包含的 HTML/SVG 动画，不调用工具或子 agent。它与上面的历史静态 SVG 题目不同，请只比较提示词、模型设置和评分器版本一致的结果。

可以把提示词发给任意 Agent。终端连接器目前专门调用本机 Codex CLI，并不自动支持所有 Agent。完成后，网站会将 HTML、静态评分、effort 和 SVG 缩略图带入草稿；登录、检查内容并提交审核即可。只有 Canvas、没有 SVG 的作品需要补一张截图。复测 Skill 也可以分析其他 Agent 已生成的文件，此时不需要 Codex。

评分检查静态结构、SVG 丰富度、动画标记与工程细节，不验证画面是否正确、后端模型身份或模型是否降智。投稿评分始终标注为用户提交。

先看哪些细节

先记录能明确讨论的画面特征：

• 鹈鹕： 能否认出鸟、长喙和喉囊。
• 自行车： 两个轮子是否由合理的车架连接，是否有车座和车把。
• 骑行关系： 鸟是否坐在车上，身体和肢体的位置是否合理。
• SVG： 文件能否渲染，内容是否超出画布，形状与图层关系是否连贯。

画风偏好因人而异。画得好看不能直接证明代码能力更强。先描述「前轮与车架脱离」这样的具体问题，再写整体感受。

从这些示例开始

打开GPT-4o 的历史示例查看来源，再浏览其他模型的画作。每个结果页提供多种尺寸的分享图。比较前先核对模型标签与来源日期，不要默认它们来自同一时期。

社区投稿和它们的标签

另有九份社区投稿使用动画 prompt，而不是上面的静态 SVG prompt：八份要求画鹈鹕，一份要求画海鸥。它们发布于 2026 年 9 月 23 日至 10 月 9 日，下面按日期排列。标签按投稿者原样抄录，拼写也不改，本站没有验证模型身份。自报分数来自 html-svg-heuristic-v2，它描述静态 HTML/SVG 结构，不涉及画面好坏。比较任何两份之前，先看各自的 prompt 与产物。有两份投稿的标签相同，都是 gpt-6-astra (ultra)，在同一评分器名下自报 93 分和 98 分，同一个标签内部就差了 5 分。

• 9 月 23 日：标注为「GPT6-Luna medium」；画面文字为简体中文的鹈鹕 prompt；未显示分数。
• 9 月 23 日：标注为「gpt-6-sol (medium)」，自报 76 分；英文鹈鹕 prompt；自报分数 76/100。
• 9 月 24 日：标注为「GPT-6-Sol Xhigh」；英文鹈鹕 prompt；未显示分数。
• 9 月 24 日：标注为「GPT-6-Astral Xhigh」；英文鹈鹕 prompt；未显示分数。
• 9 月 26 日：标注为「gpt-6-astra (ultra)」，自报 93 分；英文鹈鹕 prompt；自报分数 93/100。
• 9 月 30 日：标注为「SOL6.1 (xhigh)」；要求画一只穿着服装的海鸥而非鹈鹕，与其余八份不同口径；未显示分数。
• 10 月 1 日：标注为「gpt-6.1-sol-max」；英文鹈鹕 prompt；未显示分数。
• 10 月 7 日：标注为「gpt-6-astra (ultra)」，自报 98 分；英文鹈鹕 prompt；自报分数 98/100。
• 10 月 9 日：标注为「GPT-6.1 Sol (low)」；画面文字为简体中文的鹈鹕 prompt；未显示分数。

2026 年 9 月 15 日：新一轮 CLI 实测

我们用同一句提示词运行了 12 次：GPT-5.6 Sol 和 GPT-6 Astra，分别选择 low 与 high 推理强度，每组运行三次。这些来自新的独立 CLI 会话，与历史图库示例分开记录。下方按运行编号保留了全部尝试，没有重画 SVG。

模型和推理强度记录来自 CLI 请求参数，不能独立验证后端快照。使用 Codex CLI 0.154.0，在只读临时目录中运行，关闭用户配置与项目文档加载。运行时指令、skills 和工具仍然可用，部分尝试调用了工具；每次运行都提示 skill 描述因上下文预算而缩短；同时最多有两个运行。这是一组 CLI 行为观察，不是无工具的模型对照实验，也不能证明质量回退。

我们从最终回复提取 SVG；其中一次回复使用 data URL，经百分号解码得到 SVG。PNG 预览只为统一画布添加了白色留边。运行记录与原始 SVG包含时间、请求设置、哈希、提取方式和工具调用次数。没有为了得到更好的画作而重试。

先用保留的 9 月 15 日运行清单核对方法，再评价画作：

12 次尝试使用相同提示词，但当时允许调用工具，其中 4 次实际调用了工具。提取到 SVG 只说明回复包含 SVG，不能给鹈鹕、自行车或编程质量打分。复现这组观察时，应保留每档全部 3 次结果，并单独记录工具使用情况；不能凭这些计数排列模型名次。

查看全部 12 次尝试及原始 SVG

怎样让比较更公平

1. 明确选择模型和推理强度，记录产品或 CLI 版本与日期。
2. 用全新对话、相同提示词、工具权限和指令开始。无法保持一致的条件也要记录。
3. 每个设置重复运行几次，保留失败和普通结果，不能只选最好的一张。
4. 保存原始回复。从代码块提取 SVG 可以记录为格式处理，但不要悄悄修补模型画错的部分。
5. 把耗时与画面质量分开。网络等待和工具调用都可能增加总耗时。
6. 如果进行了追问修改，要标注为多轮尝试，并保留后续提示词。

一份有用的记录至少包括：请求的模型、推理强度、完整提示词、时间、运行编号、原始 SVG，以及是否编辑或重试。客户端中选择的模型名称不能独立证实后端具体快照。

它不能证明什么

一张图无法证明 Codex 降智、服务商更换了模型，或某个模型最擅长软件工程。这个提示词已经公开传播很久，模型对它的熟悉程度也可能影响比较的意义。

Willison 明确提醒过，鹈鹕画得更好不等于模型整体更强。他在 2026 年 9 月的 Astra 比较中也把推理设置作为实验条件。记录设置并保留多次尝试，比发布一个没有条件说明的排名更有用。

如果要检查实际工作中的可靠性，应选一个验收标准明确、能够重复检查的小任务。Codex 变慢或质量下降？排查指南给出了具体步骤。

分享时带上运行条件

可以提交画作时填写实际使用的模型与提示词，在分享说明中补充推理强度和生成日期。社区标签由投稿者提供；公开展示不代表本站验证了模型身份，也不代表已经证实质量回退。