科技社区Linux.do用户发布了针对GPT-6.1-terra Ultra模型的第三轮“黑洞测试”。该测试要求AI模型根据提示词生成一个黑洞可视化网页，用以检验模型的前端代码生成与视觉渲染能力。据帖子披露，GPT-6.1-terra Ultra完成该任务耗时8分43秒。作者同时维护着一个托管于GitHub Pages的在线横向对比页面，汇集了多款AI模型生成的网页作品，并标注对应模型名称、生成用时、调用费用及评测框架（Harness）信息，供社区成员直观比较各模型的前端生成水平。作者在测试后指出，GPT家族模型在“画黑洞”这一特定任务上的表现持续异常，生成的黑洞视觉效果甚至不及Gemini Flash级别模型的输出，astra模型的表现也不理想。作者计划后续安排时间重新测试以验证该结论。需要说明的是，这是一种社区自发的轻量级评测方式，通过单一具象化视觉任务快速检验模型前端能力，并非标准化基准测试，结论带有一定主观性与偶然性。该话题目前仅包含1个帖子、1位参与者，属于早期测试分享，但其公开的对比页面为关注AI编程能力的开发者提供了可参考的实证素材。
事件分析
这类“黑洞绘制”测试本质上是将复杂视觉渲染作为AI前端代码生成的探针任务：黑洞涉及渐变、粒子、光影与动画效果，对CSS、Canvas乃至WebGL的综合运用要求较高，能够快速暴露模型在空间想象与代码实现上的短板。社区自发评测正在成为官方基准测试之外的重要补充，将用时、费用、视觉效果并置的横向对比页面，体现了开发者对模型性价比与输出稳定性的务实关注。若GPT家族在该类任务上反复出现异常，可能指向其前端代码生成策略与视觉先验存在特定缺陷，也可能与采样参数或提示词设计有关，需多次复测排除偶然因素。后续走向上，预计会有更多社区成员跟进复测，具象化视觉任务有望成为模型评测的常见项目，推动评测体系从抽象跑分向真实开发场景演进。
核心观点：单一视觉任务正成为AI评测新探针，模型在具象场景下的稳定性差异比综合跑分更能暴露真实能力边界。
原文链接：Linux.do
