V2EX 社区近期分享了一个专注于测试大模型“编程绘画”能力的实验性工具。该项目探索了一种不同于传统扩散模型（如 Midjourney）的生成路径：利用大模型的代码生成能力，将自然语言提示词转化为 SVG 或 Canvas 等前端绘图代码，从而在浏览器中直接渲染出图像。用户需要自行配置大模型的 API Key，输入提示词（例如“梵高的星夜”），系统后台会调用大模型生成相应的绘图代码并在前端展示。根据帖子发布者的实测反馈，使用特定的 GPT 模型变体（文中提及 gpt5.6 sol）能够生成不仅符合逻辑且具有一定审美风格的可视化图像，效果图已在社区评论区展示。这一工具本质上是对大模型逻辑推理能力、代码语法掌握程度以及对图形空间理解力的综合评测。它剥离了传统绘图的“随机扩散”因素，要求模型必须精确地通过代码指令来构建画面结构。
事件分析
此次分享展示了 AIGC 领域一个值得关注的技术分支：基于代码的确定性生成。相比于基于概率分布的像素扩散模型，代码生图要求大模型具备极强逻辑性与精确度，将抽象的视觉概念转化为 SVG 路径或 CSS 样式。这不仅测试了模型的编程能力，也验证了其在空间几何与颜色逻辑上的理解深度。从产业角度看，这种技术路径直接关联到“AI 编程”与自动化前端构建（如 v0.dev）的核心能力。它意味着大模型正在从单纯的“内容生成器”向具备工程化落地能力的“逻辑构建器”演进。未来的竞争将不再仅限于图像的逼真程度，更在于生成内容的可编辑性与工程复用性。
核心观点：代码生图标志着生成式 AI 从“概率堆叠”向“逻辑构建”的跨越，能够精准写代码作画才是大模型真正通向 AGI 的硬实力体现。
原文链接：V2EX 分享发现
