AI认得出大笑奶龙吗？实测11个模型的奶蛙Bench

一个表情包引发的评测基准

刷到那只弯腰捂肚子、眯眼张嘴的“大笑奶龙”，你会心一笑。但如果把这张图丢给AI，它认得出吗？B站UP主用一套自制的“奶蛙Bench”，实测了11个视觉模型，结果比想象中更有意思。

先交代背景：大笑奶龙并非官方形象，它源自星野平台上一个名为“奶龙”的AI智能体头像——一只AI生成的变异奶龙。后来这个形象衍生出完整表情包家族，也被称作“变异奶龙”或“奶蛙”。UP主因此设计了两部分评测：看图认梗和照着画，并且要求评委回避给自家模型打分，以降低厂商偏向。

认梗环节：看得清，不等于懂得

第一轮把大笑奶龙丢给八个视觉模型，场面一度很混乱。有模型说这是《爆笑虫子》里的蝗虫，有模型给它编了个“狂笑小黄人”的外号，还有模型觉得像某部俄罗斯儿童动画但不敢确定。八个模型里只有三个认出了“奶龙”，却没有一个提到“变异奶龙”或“奶蛙”。

这说明一个关键问题：模型能识别图像内容，却缺乏对网络迷因演变脉络的认知。梗的识别依赖训练数据里对社区语境的覆盖，而表情包这类快速衍生的亚文化符号，恰恰是模型知识更新最薄弱的环节。

核心榜：Astra第一，但只有63分

13道视觉题的核心榜上，GPT-6 Astra排名第一，得分63分；Gemini 3.8 Flash垫底。换句话说，即便最强模型，在这类“认梗”任务上也刚过及格线。

奶Hobb榜：高分背后有问号

换成“奶Hobb”提及的24张图版本，规则是先判断是不是变异奶龙，再答对姿势和表情才算全对。Gemini一下冲到并列第二，Astra拿到96分。但UP主也指出：这套答案是Astra自己标注的，它的高分得打个问号。两套题口径不同，但至少说明——看得清不等于懂得。

视觉语言模型（VLM） 是一类能同时处理图像和文本输入的多模态模型，典型代表包括 GPT-4V、Gemini 系列等。它们通常由视觉编码器（如 ViT）将图像转换为特征向量，再通过投影层对齐到语言模型的空间，最后由大语言模型生成描述或回答。VLM 在图像分类、目标检测、图像描述等任务上表现优异，但其知识主要来自训练数据中的图文对，对训练时未见过的、快速演变的网络迷因往往缺乏认知。因此，VLM 能准确描述“黄色、弯腰、大笑的卡通形象”，却难以将其与特定社区中“变异奶龙”的戏称关联起来。

画梗环节：从名字到参考图，差距在哪

第二部分要求AI把大笑奶龙画成别的动物：猫、熊猫、青蛙、长颈鹿、章鱼、大象。提示词分五档：中文名、英文名、简略描述、详细描述，以及直接给参考图。

只给中文名时，Gemini给猫装上了一对龙翅膀；只给英文名时，它交出一张表情包大杂烩。ChatGPT在只给名字时画得挺可爱，但更像普通的大笑小动物，两家都只有30分上下。补上详细描述或参考图后，分数能涨到七八十分。

参考图也会“翻车”

有意思的是，给了参考图之后，Gemini干脆把那身黄色皮套原样套在了猫和大象身上——迁移是迁移了，但没真正理解形象结构。

ChatGPT有一张图被内容服务拦截，画的是一只笑弯了腰的熊猫。最终得分ChatGPT 60分，Gemini 56分。还有一个不计分的“家事”环节：把奶蛙的各种表情迁移到猫和青蛙身上，目前仍是初稿。

风格迁移 指在保持图像内容结构不变的前提下，将一种艺术风格应用到另一张图像上。在生成式 AI 中，常见方法包括基于参考图的图像生成（如 IP-Adapter、ControlNet）和文本引导的风格控制。评测中要求模型将“大笑奶龙”画成其他动物，实质是内容与风格的双重迁移：既要保留奶龙的表情和姿态特征，又要将其融入目标动物的形态。理想情况下，模型应理解形象的结构逻辑（如弯曲的腰部、夸张的嘴部），而非简单复制颜色或纹理。参考图方法虽然能提升相似度，但若模型缺乏对结构的深层理解，就容易出现“黄皮套猫”式的机械迁移。

怎么看待这份成绩单

每格只跑一次、评委也是大模型、几分的差别其实很随机，UP主自己也提醒“别太当真”。但这份评测仍然有参考价值：它暴露了当前视觉模型在网络迷因理解和风格迁移上的共性短板——能描述画面，却难以抓住一个梗的文化坐标；能模仿外形，却容易丢失形象的结构逻辑。

代码和完整评测结果都已公开，想验证的话，你也可以拿自己的模型跑一跑。