一、一个不讲理的题目
2024 年 10 月 25 日，英国程序员 Simon Willison 在博客上发了篇很短的文章。他给手头能用的 16 个大模型丢了同一句话：
Generate an SVG of a pelican riding a bicycle. （生成一张鹈鹕骑自行车的 SVG。）
然后把结果贴出来，说这是他自己的模型评测。
为什么是这句？他给的理由很朴素。一是他喜欢鹈鹕，他住在加州半月湾，海边就有。二是他很确定，互联网上还没有鹈鹕骑自行车的 SVG 文件，模型不可能在训练数据里见过。
后来他在演讲里把这题的刁钻处讲透了。大语言模型是文字模型，按理说不会画画，可它们会写代码，SVG 恰好是代码。于是这等于让一个看不见东西的系统凭坐标和半径把形状拼出来，全程不知道自己画成了什么样。自行车对人来说也很难画，你现在不看照片试一下，多半记不清车架那几根杆怎么连。鹈鹕本身也不好画。最要命的一条，他的原话是：
鹈鹕根本骑不了自行车。它们的身材就不对。
还有个意外的好处。SVG 支持注释，模型几乎都会在代码里写注释，告诉你这一坨是车轮，那一坨是喙。你能看到它本来想画什么，再对照实际画出来的东西，落差往往就是笑点。
二、2024 年的鹈鹕有多惨
头几个月的画作，Simon 自己的描述是这样的。Claude 3.5 Sonnet 交出来两个圆，中间连一个三角形，喙像一根黄色的香蕉笑脸。Llama 3.3 70B 画了一个小圆圈、一根竖线，还有一个形状像水槽的东西。Qwen2.5-Coder 的自行车是几块棕色的形状叠在一起，看着像台拖拉机。Mistral Small 3 画出来一只矮胖的白鸭子，蹲在一副杠铃上。
2025 年 1 月 DeepSeek 发布 R1，之后英伟达市值掉了六千亿美元。Simon 后来在演讲里把 R1 的鹈鹕单独拎出来，叫它「让股市崩盘的那只鹈鹕」。他的评价是，到那时为止最好的一张：自行车能看出来是自行车，旁边有只鸟勉强像鹈鹕，只是它没在骑车。
这一年里，各家的鹈鹕慢慢从一堆色块变成能认出来的东西。有意思的是，鹈鹕的好坏和模型的实际能力，在这段时间里基本对得上。画得好的模型，写代码干活也确实更强。Simon 说这个测试本来是个玩笑，用来嘲笑比较模型这件事有多荒唐，结果玩笑越玩越像真的。
三、一场 560 局的鹈鹕锦标赛
2025 年 6 月，Simon 在旧金山的 AI 工程师大会上做主题演讲。他手里攒了 34 张鹈鹕，想排个名次，又懒得自己一张张看。
他让 Claude 写了个小工具，把任意两张鹈鹕并排放在一张网页上截图。34 张图两两配对，一共 560 场对决。每一场交给 GPT-4.1 mini 当裁判，让它选出「更好的鹈鹕骑自行车插画」，并说明理由。最后用 Elo 积分算排名。
整个裁判过程花了大约 18 美分。
冠军是 Gemini 2.5 Pro 的一个预览版，垫底的是 Llama 3.3 70B。裁判给这两张对决的理由是：左图明显画了一只鹈鹕在骑自行车，右图只是几个极简的形状，看不出在画什么。
同一场演讲他还算了账。o1-pro 画一只鹈鹕花了 88.755 美分，Gemini 2.5 Pro 画一只花了 4.77 美分，画出来还是 Gemini 更好。
四、模型开始有脾气了
2025 年 8 月，Simon 在笔记本上跑了个 4B 的小模型 Qwen3-4B-Thinking。它没画自行车，画了一个蓝色的圆，上面盖了一行红字：
This is art - pelicans don't ride bikes! （这是艺术，鹈鹕不骑车！）
Simon 把这句话直接做成了文章标题。
11 月 Gemini 3 发布，低推理档位下画出来的鹈鹕戴了顶小帽子，SVG 注释里写着「帽子（可选趣味细节）」。高档位下车架总算是正确的形状。Simon 觉得题目开始不够难了，升级了一版：要画加州褐鹈鹕，自行车必须有辐条和正确的车架，鹈鹕要有大喉囊，要能看出羽毛，要明确在蹬踏板，还要画出繁殖期的羽色。他附了一张自己拍的照片。
结果几家模型都没抓到一个关键细节：加州褐鹈鹕其实不是棕色的。
五、笔记本上的小模型赢了 Opus
2026 年 4 月 16 日，阿里的 Qwen3.6-35B-A3B 和 Anthropic 的 Claude Opus 4.7 同一天发布。Simon 用一个 20.9GB 的量化版在自己的 MacBook 上跑了 Qwen，又用官方 API 跑了 Opus。
他把这一局判给了 Qwen。Opus 把车架画错了，换最高推理档位再来一次，还是错。
这个结果让他自己也起了疑心。网上一直有人说，各家实验室在偷偷针对他这个「愚蠢的测试」做训练。他不太信，但这次决定烧掉一道备用题：画一只骑独轮车的火烈鸟。
Qwen 的火烈鸟戴着墨镜，系了领结，嘴里好像还叼着根烟，旁边两个爱心表情夹着一行字「独轮车上的火烈鸟」。代码注释里写着「给火烈鸟戴上墨镜！」。Opus 画了只规规矩矩的火烈鸟，Simon 的评语是没有一点花头。这局也给了 Qwen。
他在文章里说得很直接：他非常尊重 Qwen，但不相信一个 21GB 的量化模型比 Anthropic 最新的旗舰更有用。只是如果你要的东西就是一张鹈鹕骑车的 SVG，那此刻笔记本上的 Qwen 确实比 Opus 4.7 靠谱。
从这天起，鹈鹕画得好不好和模型强不强，开始对不上了。
六、发明它的人说，别当真
2026 年 7 月 Kimi K3 发布，Simon 照例让它画了只鹈鹕。这只鹈鹕消耗了 13241 个推理 token，成本 25 美分。文章后半段他专门写了一节：我们还能从鹈鹕测试里学到什么。
他的结论是，这个测试已经 21 个月了，从来就不是一个好的评测。头一年它和模型真实水平有出人意料的相关性，现在基本断了。GLM-5.2 画的鹈鹕比 GPT-5.6 和 Claude Fable 5 都好，可他不认为 GLM 是 Fable 那个级别的模型。更大的问题是，鹈鹕完全测不到今天最要紧的能力，也就是模型能不能在长对话里稳定调用工具。他的原话是：别拿鹈鹕去比较模型。
那他为什么还在画？两个理由。一是逼自己真的去用新模型，贴出一只鹈鹕，就意味着他确实跑通了这个模型，不是光看了发布会。二是哪怕一句提示词，也能暴露不少东西。Kimi K3 那次他就发现，这句只有八个单词的提示被算成了 95 个输入 token，发一个「hi」也要 86 个，背后大概藏了一段 85 个 token 的系统提示。
9 月 1 日 Claude Fable 5.1 发布，他又画了一轮，这次比同一个模型五个推理档位的差别。低档和中档几乎不推理，二十来秒出图。最高档跑了 13 分 54 秒，输出 65927 个 token，花了 3.3 美元，画出来的鹈鹕戴着蓝帽子，车筐里还放了一条鱼。他说这是他从 Anthropic 家见过的最好的鹈鹕。
所以这个梗走到今天，已经从评测变成了一种仪式。它不再告诉你哪个模型最强，但一只鹈鹕的账单和推理记录，还是能让你看出这个模型是怎么干活的，以及它会不会自作主张给鹈鹕戴顶帽子。
七、我们开了个鹈鹕动物园
这些鹈鹕散在 Simon 两年的几十篇文章里，想挨个看要翻很久。我们把它们全抓了过来，建了个站：pelicanzoo.ai
目前关着 103 只鹈鹕，来自 66 个模型、12 家厂商，从 2024 年 10 月一直排到这个月。每一只都挂着牌子，写着模型名和日期，点进去能回到 Simon 的原文。
其中 24 只是「活的」，原始矢量文件还在，页面上能无损放大，有 4 只还带动画，车轮在转，鹈鹕上下颠。剩下的只剩截图，标着「印刷品」。
猜模型。 主要玩法：给你一张鹈鹕，四个模型名，猜是谁画的。共 73 轮，覆盖 51 个模型。干扰项优先从不同厂商里挑，三个 Gemini 变体摆一起没人猜得出，那不叫难，那叫耍赖。2024 年的不难猜，2026 年的基本靠蒙。
投喂。 你自己让模型画了只鹈鹕，把 SVG 代码粘进页面上的框，填上模型名，点提交。站点当场把代码洗一遍，脚本、事件处理器、外部引用全剥掉，然后替你生成一个预填好的 GitHub 提交页面。没有后端，没有数据库，一只鹈鹕就是一个文件。
翻车合集。 收藏里最有意思的是那些画的根本不是鹈鹕的：
- 好几个模型画出来是鸭子，Mistral Small 3、Gemini 2.5 Flash 和 Pro，甚至 Claude Opus 4.8。白身子，橙嘴，蹼足，理直气壮。
- 有一只是苍鹭。
- 有两只是火烈鸟，骑的是独轮车，就是上面 Simon 烧掉的那道备用题。
- 最离谱的是 GLM：画了一只负鼠，骑电动滑板车，还带动画。Simon 的评价是「这太棒了」。
艺术评论家。 点任何一只鹈鹕下面的按钮，一个大模型会当场读这张图的 SVG 源码，然后写一段点评。让它读源码而不是看图，一半是省钱，一半是这样更好笑：它可以直接嘲讽「身体是个半径 104 的椭圆」「后轮跟车架比例对不上」。用模型点评模型，闭环了。
发徽章。 你投喂的鹈鹕合并进来以后，评论家会正式给它打一个百分制的分，不接受申诉。然后你会拿到一张徽章：上面有你那只鹈鹕、模型名、你的 ID、分数，还有评语里最毒的一句。这张徽章是一段代码，贴到自己的博客或 GitHub 主页上就能显示，点一下链回动物园。目前第一只投喂进来的 Claude Opus 5 拿了 68 分，评语说喙太大，把一辆本来画得不错的自行车全抢了戏。大多数分数都不好看，到现在也没拦住任何人。
整个站是纯静态的，跑在 Cloudflare 上。所有图片和原始评注都属于 Simon，每一只鹈鹕都链回他的原帖。我们只是把笼子搭起来。
如果你手头有一只画得特别好，或者特别离谱的，欢迎送过来。
主要来源
- Simon Willison，Pelicans on a bicycle，2024-10-25
- Simon Willison，The last six months in LLMs, illustrated by pelicans on bicycles，2025-06-06
- Simon Willison，Trying out Gemini 3 Pro with audio transcription and a new pelican benchmark，2025-11-18
- Simon Willison，Qwen3.6-35B-A3B on my laptop drew me a better pelican than Claude Opus 4.7，2026-04-16
- Simon Willison，Kimi K3, and what we can still learn from the pelican benchmark，2026-07-16
- Simon Willison，Claude Fable 5.1 made me a really nice animated pelican，2026-09-01
