Simon Willison 在 10 月 28 日写下一个时间坐标：代码 Agent 在 2025 年 11 月迈过成为日常工具的门槛；到 2026 年秋天，模型又迈过独立做游戏的门槛。这解释了一个现象：新模型亮相，总要先交出一款能玩的游戏。
Opus 5.5 上线后，Anthropic 让不同模型用同一条提示词各做一款游戏，再比完成度；OpenAI 介绍新模型的计算机操作，也把游戏开发放进重点段；Kimi K3.1 Pro 之后，社区又把它与 Claude、GPT、DeepSeek 摆在同一张桌子上比时间、价格和成品。Genie 4 改称「可交互世界」，本质仍是游戏。
更早的原型是 2024 年的鹈鹕测试：一句固定提示，模型直接写 SVG 画一只骑自行车的鹈鹕。它不比成本、只跑一次，谈不上严谨，却传播极快。
游戏把静态画面换成可操作系统。单提示词的 FPS 要同时搭三维场景、第一人称相机、碰撞判定、敌人寻路、计分与关卡循环；哪一环断开，第一次移动就会露馅，比「写一个登录页」难伪装得多。
但 Demo 也在替模型挑战场。Meta 10 月发布 Muse Wonder，附了一段可交互 3D 厨房演示；社区用同一提示词让它与 Opus 5.5 各做一款驾驶割草机的游戏，Opus 场景更完整，Wonder 停在低多边形原型。Alexandr Wang 承认团队没为 3D 演示专门训练，模型卡早把 3D 列为短板。可同一批评测里，Wonder 在 DeepSWE 1.1 长程工程测试拿到 79.0 分，高于 Opus 5.5 的 74.2 分。
两者不矛盾：一个考三维空间与视觉审美，一个考读懂复杂代码库并让测试通过。矛盾的是发布会的排序——最能传播的放封面，最能交付的放表格。
游戏当传播工具合理，当能力证据不合格。它奖励视觉冲击与短循环，而商业软件的成本压在权限、并发、版本与维护上。判断模型，得看它在剪不成 15 秒视频的任务里能否把活干完。
原文链接：https://www.ifanr.com/1686650
来源：爱范儿
