Kimi K3, and what we can still learn from the pelican benchmark
397 points • 1 day agoArticle Link

Moonshot AI 推出了 Kimi K3,拥有 2.8 万亿参数,是首个达到 3T 级别并开放权重的模型,标志着重要里程碑。该模型已可通过其网站和 API 使用,开源权重计划于 2026 年 7 月 27 日发布。基准测试显示其表现令人印象深刻,常能与 Anthropic 、 OpenAI 等竞争对手的顶级产品相抗衡。 Artificial Analysis 报告称,Kimi K3 在 Elo 评分上较前代 Kimi K2.6 有显著提升,同时在定价上保持竞争力并提高了 token 效率。值得注意的是,此次发布也体现了 Moonshot AI 的战略转变:这是他们迄今为止定价最高的一款模型,价格与 Anthropic 的 Claude Sonnet 系列相当。

为评估新模型的能力,作者使用了长期沿用的个人基准测试——生成一幅 pelican 骑自行车的 SVG 。 Kimi K3 的运行凸显其对 reasoning tokens 的高度依赖,大部分输出用于内部推理。虽然生成过程非常成功,模型在图像分析方面也展现出强大的 vision 能力,但这也暴露了其密集推理带来的高昂成本。有趣的是,对 token 数量的分析显示存在一个隐藏的 system prompt;在被质询时,模型拒绝透露该提示的内容。

尽管 "pelican benchmark" 已沿用近两年,且无法覆盖 agentic tool-calling 或 long-context reliability 等关键现代需求,作者依然将其视为实用的非正式 "hello world" 测试。这个测试促使动手实践,有助于快速评估新模型的成本、几何感知能力和基本指令遵循情况。通过在不同版本中持续运行相同提示词,作者可以衡量模型家族的进展,并验证诸如 LLM CLI 等工具与流程是否已正确接入最新更新。

总之,pelican 测试虽非衡量 AI 专业效用的科学手段,但为对新发布进行初步审计提供了一种一致、透明且沿袭已久的方法。该练习能揭示模型的具体行为特征,例如在输入 token 与 reasoning tokens 之间如何权衡,并留下一件有形的产物,证明模型已被充分检验。对作者而言,它仍是快速发展的 AI 领域中重要的探索手段,在快速获得可操作洞见与维持可靠、可重复标准之间取得了平衡。

209 comments • Comments Link

长久以来,"pelican on a bicycle" 的 SVG 生成基准测试已成为检验 LLM 能力的一种常见且非正式的"hello world"测试。尽管是否对该题目进行了针对性训练仍有争议,但普遍认为模型也可能只是从整体技术进步中获益。

怀疑者指出,这类基准很可能被训练数据或实验室的目标导向训练所污染;支持者则坚持认为,它仍然是衡量模型审美、构图技巧以及应对新颖且无意义提示词能力的一个有用但并不完美的指标。

当把注意力从该基准迁移到其他同样荒诞且未被广泛基准化的提示词(例如 "a sloth riding a skateboard")时,模型性能会出现明显且可观测的差异。这表明,即便是最先进的 frontier models,在各种离奇场景中保持一致性仍然困难重重。

通过 SVG 生成来评估模型可以揭示其在 visual reasoning 方面的能力,但模型通常难以自我修正:在被要求检查自己的输出时,经常无法识别出渲染错误。

模型在处理 pelican 和 bicycle 时倾向于默认采用从左向右的运动轨迹,这很可能受阅读方向偏好和摄影中常见的构图法则影响——即主体通常安排成向画面中心或右侧移动。

对来自西方和东方实验室的 proprietary models 进行比较显示,参数数量已不再是衡量智能的可靠代理;attention mechanisms 、 RL tuning 以及架构效率在性能中扮演着愈发重要的角色。

除了静态图像之外,使用 video generation 或基于 SVG 的 animation 等更复杂的任务来测试模型,能更清晰地反映出"品味"和创意规划能力,因为这些任务需要持续的叙事连贯性,而这是简单提示词无法体现的。

这个 benchmark 经常被描述为带有表演性和主观性的实验,但它之所以长期存在,恰恰是因为它占据了一个独特位置:作为一个人类可读、可重复的测试,能够以形式化 benchmark 常常捕捉不到的方式探测模型泛化能力的极限。

关于生成这些 SVG 的成本问题,通常从 developer efficiency 的角度来考量,尽管也有人认为这种视角忽视了更广泛的经济现实——即在性价比上,LLM 已经远超其所替代的人类劳动力。

最终,pelican 项目作为一个社区驱动的产物得以保留,连接了技术评估与数字文化,其持续存在记录了这一行业快速且常常不可预测的发展轨迹。

这场讨论反映了科学界对严谨无偏 benchmark 的追求与用户在与 AI 互动时那种务实且带有戏谑色彩的态度之间的张力。尽管许多参与者承认 "pelican on a bicycle" 测试因在训练数据中过于常见而可能变得陈旧或带有偏见,但他们认为其价值在于作为一个易于理解且非抽象的代理,用来评估模型的"taste"。各方普遍认为,虽然 frontier models 已取得显著进步,但在处理类似荒诞且未经优化的提示词时仍会持续失败,这凸显了当前 AI 能力更多依赖记忆与模式复制,而非真正广义的创造性推理。