GPT-5.6 Sol
决策快，先搭完整生产管线，再做少量关键修正。
观察到的优势
网格水密、单组件；整体叙事与交付效率突出。
本轮问题
体量偏保守且过重，切片 62.65 分钟，刚刚越过硬门槛。
MULTIMODAL AGENT · TWO TASKS · SINGLE RUN
多模态模型两题运行倾向
同图、同 Prompt、Pi 0.82.0、thinking=max：六模型各跑一轮 3D 白模，四模型各跑一轮 30 秒 MG 动画。证据来自运行日志、生成脚本、统一渲染成品、网格/切片检查与视频逐帧统计。
证据边界：每模型仅一轮，下面是“本轮行为倾向”，不是稳定能力、普遍模型性格或底层架构定论。
3D TASK
6 模型
程序化 SDF / 网格提取路线。
MG TASK
4 模型
PIL / NumPy 逐帧与 ffmpeg。
TOP 3D SCORE
53 / 60
Kimi K3，本轮自动评分。
DENSEST MOTION
Kimi
15 fps 抽样近静止帧 13.8%。
PROGRAMMATIC 3D
六模型 3D 白模：同题不同取舍
Kimi K3
工程与质检优先，长时间推导后多轮抽帧、构图和动作修正。
观察到的优势
3D 自动分最高（53/60），水密、单组件，切片 51.29 分钟。
本轮问题
耗时最长，且漏交 README；深度推理没有自动保证交付清单完整。
Qwen 3.8 Max
强规划、强符号化，把视觉特征拆成明确几何元素，并主动修复预览、法线和索引问题。
观察到的优势
造型特征抓取明确，切片 49.54 分钟。
本轮问题
自述水密，但独立检查仍发现 21 条非流形边、47 个退化三角。
Doubao Seed Evolving
反复局部修补，日志记录了字体、遮挡、图标、对比度和并行渲染等问题的修正。
观察到的优势
四项媒体硬规格全部通过，执行闭环完整。
本轮问题
人物抽象偏通用，身份特征弱；网格 2 组件，切片 74.45 分钟。
Claude Fable 5
倾向堆高分辨率、复杂 SDF 与自证文档。
观察到的优势
特征清单完整，脚本组织较工程化。
本轮问题
复杂度失控：48.7 万三角、3157 条非流形边、2822 个退化三角，切片 73.54 分钟；“水密”自述与独立检查冲突。
Grok 4.5
算法野心大，构建了最长的自制 marching-cubes 管线，并推翻失败首版。
观察到的优势
最终网格水密、单组件。
本轮问题
丢失坐标/打印语义：高度落在 Y 轴、底面稳定性失败，切片 70.46 分钟。
QWEN COUNTEREXAMPLE
“硬眉毛”不能证明 VL / LLM 分离
本轮更直接的解释在生成脚本里：Qwen 在 build_model.py 中把闭眼弧显式写成裁切后的 torus_y，再用较小的平滑并集接到脸上，因此轮廓天然更硬、边界更清楚。
其他模型也走了“看图 → 文字/代码规划 → SDF 基元 → 网格”的相近路线，只是选择凹刻椭球、球链或更强平滑。图像能支持的有限结论是：Qwen 本轮倾向把视觉特征离散成清晰、可命名、可编程的符号，并偏爱硬边几何基元。
不能由此证明：服务端一定是“小视觉模型先描述，再喂文本模型”；也不能区分独立 VL/LLM、视觉编码器接入统一主干或其他实现。
若要验证架构假设，应设计保留连续视觉信息的反事实题：只改变微妙曲率、遮挡和材质，不改变可命名语义，再观察错误是否稳定呈现“文字摘要瓶颈”。
30-SECOND MOTION GRAPHICS
四模型 MG：故事完成度与运动密度要分开
| 模型 | 本轮时间 | 近静止帧 | 证据化解读 |
|---|---|---|---|
| GPT-5.6 Sol | 约 5 分 49 秒 | 22.5% | 导演、剪辑和故事完成度最好，镜头类型多、起承转合完整；有明显纯色转场，因此近静止比例不是最低。 |
| Kimi K3 | 约 36 分 24 秒 | 13.8% | 持续运动最密，角色与剧情衔接稳定；代价是本题运行最慢，并漏交 README。 |
| Qwen 3.8 Max | 单轮记录 | 61.2% | 分镜完整，但更像一组设计良好的关键帧与场景切换，连续动画活动量最低。 |
| Doubao Seed Evolving | 单轮记录 | 27.2% | 动作量不是最低、硬规格也全部完成；短板主要是造型与美术抽象，整体观感最生硬。 |
逐帧变化只是运动密度代理，不等于审美评分。更准确的本轮表述是：GPT 的导演、剪辑和故事完成度最好；Kimi 的连续动画活动量最高；Qwen 最偏关键帧/场景切换；豆包的主要短板是造型与美术质量，不是没有动起来。
WHAT THIS SAMPLE SUPPORTS
可以得到什么，不能得到什么
本轮材料支持
- 1. 两题主要测多模态 Agent 的程序化生产能力，不是原生 3D/视频生成能力；环境与题面强烈塑造了解法。
- 2. “会自检”与“自检有效”必须分开；Qwen、Fable 的自述与独立拓扑检查出现冲突。
- 3. 能力至少分为整体叙事/效率、持续动画、几何工程、显式规划/符号化、局部修补等轴。
- 4. Qwen 正式版暂不能宣称较 Preview 提升：旧题 3D 48/60 对 55/60，宣传片 SSIM 0.7781 对 0.7886，均为 Preview 略高。
下一轮应补
- 1. 每模型至少 3 次，区分偶然代码策略与稳定行为。
- 2. 增加人工盲评，避免自动指标替代相似度与审美判断。
- 3. 3D 将人物相似度、几何合法性、打印成本拆开。
- 4. 视频将故事完整度、持续运动、角色一致性、转场节奏拆开。
一次轨迹只能写成“本轮观察”。模型自述是待验证材料，不是事实；从行为反推内部架构则是更低证据等级的假设。