讓大語言模型去畫蒙娜麗莎，聽起來就像是讓詩人去搬磚，本質上就是一種對 Token 預測機制的極限霸凌。最近在一些技術社群裡，不少人拿著各種生成的座標代碼去拼湊圖像，想看看這幾家巨頭的空間幾何感到底進化到了什麼地步。結果很有趣，ChatGPT 寫出來的代碼規矩得像教科書，Claude 畫出的線條透著一種精緻的僵硬，Gemini 則是在理解指令和執行之間反覆橫跳。最讓人坐不住的是 Grok，這傢伙生成的結果完全不按牌理出牌，甚至讓人懷疑它是不是在訓練數據裡偷吃了什麼奇怪的東西。
這不是簡單的「畫得像不像」的問題。當我們要求模型繪製複雜的人像時，實際上是在考驗它對像素空間分佈的邏輯重構能力。ChatGPT 依仗著強大的代碼生成底子，會試著用 SVG 或者是 Python 的 Matplotlib 來構建圖案。這種方式很聰明，它把視覺問題轉化成了邏輯問題。但問題在於，當你要求它畫出蒙娜麗莎那種神秘的微笑時，它生成的代碼往往只能畫出一個類似樂高積木組成的黃臉表情符號。這種「邏輯正確但審美缺失」的表現，說明了 OpenAI 在對齊過程中，過度壓制了模型在非文字領域的發散性。
Claude 在這方面的表現稍微好一點，它的代碼結構更具備層次感，對於顏色代碼的選取也更接近人類的直覺。如果你觀察 Claude 生成的 Canvas 組件，你會發現它試圖在模擬光影的過渡，雖然最後呈現出來的效果依然像是一幅低像素的抽象畫，但起碼它理解了什麼叫「漸層」。相較於 Kimi K3，xAI 在 Grok 的訓練策略上顯然走了一條完全不同的路。xAI 似乎並沒有給 Grok 戴上太多的腳鐐，這導致 Grok 在處理這類任務時，展現出了一種近乎野蠻的生命力。
Grok 產出的代碼往往不夠優雅，有時候甚至會包含一些無效的冗餘邏輯，但它敢於嘗試那些其他模型不敢碰的複雜結構。當 ChatGPT 和 Gemini 還在糾結於如何畫出一個對稱的圓形當作臉部輪廓時，Grok 可能已經在嘗試用數千個隨機點陣來堆砌光影了。這種差異並非單純的技術落後，而是一種底層哲學的不同。馬斯克推崇的是所謂的「真相」，反映在模型上，就是一種不加修飾的輸出傾向。這種傾向在文字對話中可能表現為毒舌，但在繪圖代碼生成中，就變成了一種不可預測的視覺實驗。
當然，很多人會說這毫無意義，因為它們本來就不是圖像生成模型。這種說法太過膚淺。我們觀察的是模型如何理解這個世界。Gemini 在這方面顯得有些掙扎，Google 似乎在它的多模態融合上做了太多的權衡，導致它在純代碼繪圖時，經常會出現邏輯斷裂。它可能前一秒還在精確地定義座標，下一秒就開始胡言亂語。這反映出 Gemini 在長上下文的空間維度保持上，依然存在著不穩定的抖動。
我們把這些模型放在一起看，就會發現一個很諷刺的現象。越是經過嚴格安全對齊和人類反饋強化學習（RLHF）的模型，在這種開放式、創造性的技術任務中，表現得就越像是一個平庸的公務員。它們害怕出錯，所以選擇了最穩妥、最無聊路徑。而 Grok 就像是一個在課堂上亂塗亂畫的差生，雖然畫出來的東西常常讓人摸不著頭腦，但偶爾露出的那一兩手，卻讓人看到了大模型在跨模態理解上的另一種可能性。
這就引出了一個值得思考的問題：如果我們追求的是極致的邏輯和安全，我們是否正在閹割 AI 的某種原始創造力？當 Grok 拋棄了那些條條框框，試圖用一種近乎瘋狂的方式去解析蒙娜麗莎的輪廓時，它到底是走火入魔了，還是觸碰到了某種我們尚未理解的數據聯覺？在未來，我們到底需要一個永遠給出「標準答案」的工具，還是需要一個能給我們帶來意外驚喜、甚至是不安的觀察者？下一次，當你試著讓它畫出一個不存在的東西時，你希望看到的是一份完美的報告，還是一張混亂但充滿可能性的草圖？