8月2日，Andrej Karpathy 在 X 上发布了一条配着 92 秒视频的推文：他把《指环王》的第一段文字交给 Anthropic 的 Opus 5，附上 100 万 token（约 10 美元）的预算，看模型能交出怎样的答卷。推文不到一天收获 2.3 万点赞，相关讨论以 401 分、315 条评论冲上 Hacker News 首页第一。
从”骑自行车的鹈鹕”说起
长期以来，社区测试新 LLM 有一个经典土法：让模型”画一只骑自行车的鹈鹕的 SVG”。这个由 Simon Willison 发扬光大的测试任务小到能在一次回复内完成，却又足够考验模型的空间想象、代码生成和常识。几乎每家新模型发布，都要被拉来画一次鹈鹕。
Karpathy 的判断是：我们正在离开这个测试的适用区间。前沿模型的能力已经超越这种一次性小探针，社区需要更具一般性的评测思路。
一百万 token 的开放式命题
作为”一般化”的一种尝试，Karpathy 给出的新任务是：输入《指环王》开篇第一段，配上 1M token（约 $10）的预算，让 Opus 5 自由演绎，最终产出一段 92 秒的视频成果。这把评测从”单次响应”拉向”长程 agentic 任务”——模型需要自行规划、调用工具、迭代数十上百步。
与鹈鹕测试的本质区别在于：考察的不再是”能不能做到”，而是”在巨大自由度下，模型的品味、规划与执行力能走多远”。
为什么这个思路重要
其一，传统静态基准日益饱和，越来越难区分前沿模型；开放式长任务提供了新的区分度。其二，约 10 美元的固定预算让评测变成可量化、可复现的工程实验，而非玄学感受。其三，这类任务同时考察长上下文管理、工具使用、多模态生成与审美判断——正是 agent 时代的核心能力。
社区反响
高赞评论 c0rruptbytes 调侃这是”完美的烧钱基准”。matchagaucho 认为这证明我们距离”为个人而非大众生成 1:1 超个性化娱乐”只差几个数量级。skippyfish 则泼冷水：AI 图像已近乎完美，却并未改变人类表达，大多沦为垃圾博客和营销物料。artisin 分享了一则轶事：当地图书馆用了一年 AI 海报后换回 Word 剪贴画风格，原因是活动参加人数掉了 40-60%。
也有尖锐批评。quantumleaper 认为 Karpathy 从”AI 领域最理性的声音”变成了为 Anthropic 带货——8 个月前他还说可靠 agent 至少还需十年；azan_ 反驳称这 8 个月 agent 确实进步巨大。cocoa19 提醒版权问题：”换我试，Opus 5 多半会因版权拒绝。”w rxd 的评价最为中肯：”比预期好？当然。令人印象深刻？绝对。但最终成果算好吗？”
结语
鹈鹕测试的意义在于它足够小，一次调用见分晓；Karpathy 新测试的意义在于它足够大，大到必须动用 agent 的全部本领。当评测任务本身需要百万 token 才能完成，”评测”与”真实工作”的边界正在消失。