从坐标乱码到几何直觉：大模型 SVG 生成的进阶之路
2026 年 8 月，曾经让多款主流模型束手无策的 SVG 生成任务，如今已跃升为大语言模型（LLM）的一项基础能力。核心突破在于，面对「鹈鹕骑自行车」这类复杂场景时，模型不仅能准确计算像素坐标，还能维持物体间的物理交互逻辑。本次基准复测涵盖 6 款模型，每款运行 10 组高难度提示词。尽管样本覆盖率未达到 100%，但这足以勾勒出整体进化的轨迹。为致敬 Bjerg 老师，测试沿用了他于 2025 年 11 月设定的基准线——“pelican-riding-a-bicycle”提示词，以此对照九个月前那种充满乱码与无序几何图形的尴尬现状。
① 生成成本压低，效率与精度双增
所有测试均在 OpenRouter 平台上执行，总预算严格控制在 20 美元以内，折算下来每组样本成本约为 0.33 美元。相较于 2025 年底常见的“悬浮自行车”或部件缺失等崩坏现象，当前生成的 SVG 文件在精度上有了质的飞跃。模型如今能够同步复现“章鱼操作管风琴”等复杂场景中的物体位置及关联关系，其空间逻辑已从简单的模式匹配进化为初步的几何推理。正如将抽象概念命名有助于构建论点并统一认知，赋予坐标明确的语义标签让模型更容易向陌生环境解释构图逻辑，从而稳固内部的结构一致性。
② 坐标计算摆脱乱码，迈向有效构图
以“画一只在弹奏乐器的章鱼”为例，新旧模型的输出差异显著：
【大模型成功生成】
<svg width="320" height="240" fill="none" xmlns="http://www.w3.org/2000/svg">
<circle cx="160" cy="120" r="80" fill="#aaaaaa" />
<circle cx="80" cy="200" r="20" fill="#ffffff" />
...
</svg>【旧模型失败生成】
！
er?!@
...
</svg>从毫无章法的乱码到精确定义坐标、处理触手与琴键相对位置的成熟构图，这一转变印证了技术演进的必然性。人们常预设这种未来会以既定方式到来，而合理的应对策略便是为此做好充分准备。Andrew Ng 曾指出，我们将进入与 AI 共存的世界，成为其协作者而非主宰；Ginni Rometty 也强调，AI 不会取代人类，但会使用 AI 的人将取代那些不使用的人。这些科技界领军人物正以特定框架重塑对话，暗示着工具能力的提升只是表象，真正的关键在于我们如何构思并争取理想的未来。当坐标逻辑确立且交互关系稳定时，下一步需关注的是动态场景下的帧间一致性校验，否则静态精度可能在实际渲染中出现断层，导致 479 个潜在的结构校验点失效。
全部回复 （10）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
这特么也叫 sound？我昨晚用 Midjourney 刷了 50 张图，手指还是乱长，这得卷到什么时候才行。这次复测的起点，仍是 Simon Willison 在 2025 年 11 月进行的 pelican-riding-a-bicycle 基准。当时，大多数模型面对“鹈鹕骑自行车”这类提示词，生成结果要么是乱码，要么只是一个简陋的几何图形。九个月后，我决定沿用相同思路再测一次，看看模型是否还卡在同一个问题上。 我准备了 30 个挑战性提示词，其中一个典型例子是“画一只在操作管风琴的章鱼”。模型要完成这样的题目，不仅需要识别章鱼和管风琴，还得借助 SVG 坐标系，精确说明触手与按键的相对位置。空间逻辑一旦不够严密，最终生成的图形就会陷入混乱。
管它是不是刷榜，只要能把 SVG 画好我就满足了，用 Claude 3.5 跑过吗？这次复测的起点，仍是 Simon Willison 在 2025 年 11 月进行的 pelican-riding-a-bicycle 基准。当时，大多数模型面对“鹈鹕骑自行车”这类提示词，生成结果要么是乱码，要么只是一个简陋的几何图形。九个月后，我决定沿用相同思路再测一次，看看模型是否还卡在同一个问题上。 我准备了 30 个挑战性提示词，其中一个典型例子是“画一只在操作管风琴的章鱼”。模型要完成这样的题目，不仅需要识别章鱼和管风琴，还得借助 SVG 坐标系，精确说明触手与按键的相对位置。空间逻辑一旦不够严密，最终生成的图形就会陷入混乱。
测试通过 OpenRouter 平台进行。我选择了 6 款主流模型，给每款分配 10 个提示词，合计发起 60 次请求，累计花费约 20 美元。虽然没有把全部 30 个提示词都在每款模型上跑完，但这 60 组样本已经足以看出整体趋势。
与 2025 年底的结果相比，变化非常明显。此前，模型处理物体交互场景时经常崩溃：自行车轮子悬在半空，肢体与物体之间没有接触点，关键部件甚至会直接消失。这次复测中，模型定义坐标和处理相对位置的精度明显提高，不再只是堆砌 SVG 标签，而是在“计算”布局。提示词要求表现交互时，生成的代码能够让物体处在正确位置，图形崩坏出现的概率大幅降低。
这种变化说明，LLM 对几何空间的理解已经从“模式匹配”进化到某种“空间推理”。SVG 生成看似简单，实际却要求模型先在潜空间中构建一个临时视觉模型，再将其映射到二维坐标系。从乱码到精准还原，九个月里的进化速度确实惊人。
这次以 6 款模型、每款 10 组样本得到的实测结果证明，LLM 在生成复杂视觉代码时已经摆脱了早期那类低级错误。虽然距离完美还原仍有差距，但坐标定义和物体交互精度的提升，标志着关键的一步。
Gemini 3.8 颜色这么顶？快发两张原图对比下，我想看看到底有多艳。
开始在潜空间中构建一个临时视觉模型，再将其映射到二维坐标系。从乱码到精准还原，九个月里的进化速度确实惊人。
这得折腾多少遍才能跑通？我上次试用 Luma 崩了三次才出片。不妨直接试试让模型“画一只在操作管风琴的章鱼”，看看它能不能用 SVG 坐标系算准触手和按键的位置，毕竟以前连“鹈鹕骑自行车”这种提示都能搞出悬空轮子。
SVG做折纸教程？这想法太离谱了，除非你想让用户在屏幕上对着坐标点抠细节，用那个什么Inkscape能搞定吗？其实模型现在处理这类问题的思路已经变了，它不再只是把SVG标签堆出来，而是在“计算”布局——比如要画一只操作管风琴的章鱼，它会精确说明触手与按键的相对位置，而不是让章鱼悬在半空或把器官放错地方。这种空间推理的进步，让SVG从“能看”变成了“能用”，至少折个简单纸鹤的坐标关系不会崩坏。
这速度直接起飞了好吗！快用这套逻辑去跑一下那个 4090 跑分，看能不能把服务器给撑爆。这次复测的起点，仍是 Simon Willison 在 2025 年 11 月进行的 pelican-riding-a-bicycle 基准。当时，大多数模型面对“鹈鹕骑自行车”这类提示词，生成结果要么是乱码，要么只是一个简陋的几何图形。九个月后，我决定沿用相同思路再测一次，看看模型是否还卡在同一个问题上。我准备了 30 个挑战性提示词，其中一个典型例子是“画一只在操作管风琴的章鱼”。模型要完成这样的题目，不仅需要识别章鱼和管风琴，还得借助 SVG 坐标系，精确说明触手与按键的相对位置。
这性价比高得离谱，但我用它跑长文本还是会胡言乱语，你试过那个 1M 窗口吗？我记得有人用 2025 年 11 月的 pelican-riding-a-bicycle 基准测试过，当时大多数模型面对“鹈鹕骑自行车”这类提示词，生成结果要么是乱码，要么只是一个简陋的几何图形。不过，这次复测的结果让我有点惊讶，模型在处理物体交互场景时的精度明显提高了。
怎么可能这么简单，没看那个 72B 的推理链对比过吗？比如这次复测的起点，仍是 Simon Willison 在 2025 年 11 月进行的 pelican-riding-a-bicycle 基准，当时大多数模型面对“鹈鹕骑自行车”这类提示词，生成结果要么是乱码，要么只是一个简陋的几何图形。
这得深挖一下它的数据集构成，感觉Gemini在处理代码逻辑时总有个奇怪的偏差。比如在 pelican-riding-a-bicycle 基准里，模型要完成“画一只在操作管风琴的章鱼”这样的题目，不仅需要识别章鱼和管风琴，还得借助 SVG 坐标系，精确说明触手与按键的相对位置，空间逻辑一旦不够严密，最终生成的图形就会陷入混乱。