AI实验室是否在偷偷训练模型画“骑自行车的鹈鹕”？一项严谨测试给出否定答案

一句话看懂

一项系统测试表明，主流AI实验室并未刻意优化模型生成“骑自行车的鹈鹕”的能力，所谓的pelicanmaxxing现象缺乏证据。

详细发生了什么

AI社区流传一个梗：实验室是否在偷偷训练模型，让它们更擅长画“骑自行车的鹈鹕”（pelican riding a bicycle）？这个说法源于Simon Willison的“非科学基准测试”。为了验证，Dylan Castillo设计了一套严谨方法：

他选取8种动物（鹈鹕、火烈鸟、苍鹭等）× 6种交通工具（自行车、独轮车、滑板、踏板车、飞机、船）= 48个提示词，每个提示词重复3次，分别测试7个模型：GPT-5.6 Terra、Claude Sonnet 5、Gemini 3.5 Flash、Grok 4.5、Qwen3.7-Max、GLM-5.2和DeepSeek V4 Pro。然后使用GPT-5.6 Luna和Gemini 3.1 Flash-Lite辅助评估结果。

结论明确：没有发现任何pelicanmaxxing证据。具体来说：

鹈鹕骑自行车的图片质量并不比其他组合更好
实验室模型画鹈鹕的能力并不突出
画自行车的能力也不突出
即使调整难度，鹈鹕骑自行车也没有表现出特殊优势

中文圈视角

这个测试对中文用户有几点启示：

国产模型表现如何？ 测试包含Qwen3.7-Max（阿里通义千问）、GLM-5.2（智谱）、DeepSeek V4 Pro（深度求索）。结果显示，它们与其他国际模型在“特定动物+交通工具”任务上无明显差距，说明国产模型在图像生成的基础能力上已与国际接轨。
“过度拟合”担忧被缓解：中文社区常担心模型被“定向优化”导致泛化能力下降。这个测试表明，至少在这个趣味场景下，实验室没有作弊。用户不必担心模型只会画鹈鹕骑自行车。
实际使用建议：如果你用国产模型生成“猫开汽车”或“狗骑摩托”，效果应该与“鹈鹕骑自行车”相当，无需刻意回避特定组合。
测试方法可借鉴：中文用户评估AI图像模型时，可以用类似“多动物×多交通工具”的交叉测试，更全面了解模型能力，而非依赖单一提示词。

几条值得记住的细节

测试涉及48个提示词（8动物×6交通工具），每个提示词重复3次，共144次生成/模型
7个测试模型包括GPT-5.6 Terra、Claude Sonnet 5、Gemini 3.5 Flash、Grok 4.5、Qwen3.7-Max、GLM-5.2、DeepSeek V4 Pro
评估使用GPT-5.6 Luna和Gemini 3.1 Flash-Lite辅助
结论明确：无证据表明实验室在“pelicanmaxxing”
测试结果可通过交互式网格视图探索

一句话总结

别担心AI模型被偷偷“特训”成画鹈鹕专家——至少目前没有证据，你可以放心尝试各种动物+交通工具组合。