GPT-6与Claude Opus 5.5实测对比：谁在偷偷特调？

OpenAI和Anthropic在同一天发布新模型，一边是GPT-6 Sol和Luna，另一边是Claude Opus 5.5，发布时间撞在一起，颇有几分针尖对麦芒的意味。B站UP主元宝用一套统一的图像生成测试，把这几款模型放在同一条起跑线上比拼，还顺带揪出了一个耐人寻味的问题——有模型疑似针对特定测试题做了「特调」。

测试方法：为什么把刺猬骑车换成猫

这次测评沿用了经典的「动物骑自行车」生成测试，但UP主特意把原本流行的「刺猬骑车」换成了「猫骑车」。原因很直接：有些模型在刺猬这道题上表现极佳，可一换动物就露了馅，存在针对性优化的嫌疑。

评判标准锁定三件事：猫和车画得对不对、骑行姿态合不合理、以及题目要求的细节完成了多少。为了拉出参照系，测试还额外请来了更高等级的GPT-6 Astra作为标杆，形成四个模型同题竞技的局面。这种「换题验证」的思路，本质上是在测试模型的泛化能力，而非记忆特定样本的能力。

「泛化能力」是机器学习中的核心概念，指模型在未见过的新数据或新场景上保持良好表现的能力，与之相对的是「过拟合」——模型对训练数据或特定样本记忆过深，导致换一道相似题就会失手。对大型语言/多模态模型来说，过拟合不仅发生在训练阶段，还可能以「针对性优化」的形式出现：开发者察觉到某道题在社区中广泛流传后，专门对该题的生成结果进行强化调优，使模型在这道题上的表现远超其真实能力水平。这种现象在AI评测圈也被称为「benchmark gaming」（榜单刷分）。正因如此，独立测评者往往会对流行测试题进行变形或替换，以区分模型的真实泛化能力与对特定样本的记忆效果。

OpenAI阵营：三档分明的完成度

先看GPT-6 Luna。结果相当拉垮——猫的腿画成了「大分叉」，屁股没坐在座椅上，车子的行进方向也不对，几乎全是扣分点。UP主的评价直接给到「拉完了」，因为这只猫看着挺凶，但压根没在骑车。

二哥GPT-6 Sol明显正常许多：猫长得像猫了，身体和脚都在正确位置，但车子没有链条，猫脸细节也有些糊弄，整体能看但不够精致。这一档被归为「NPC」水平。

真正撑场面的是大哥GPT-6 Astra。该有的细节全都到位，画面整体更精细，被给到最高档「夯」。三个结果并排一看，从Luna到Sol再到Astra，完成度一档一档往上走，模型等级的森严一目了然，也算印证了「一分钱一分货」的定价逻辑。

Claude Opus 5.5：动态细节是亮点

Claude Opus 5.5的表现颇有意思。它在车筐里放了一只老鼠，相当于「出门骑车还带上干粮」，这种自主发挥的巧思让画面多了几分生活感。

它的短板也存在：猫的鼻子和嘴巴有点歪，道路两侧宽度一大一小不太协调。但动态细节做得确实出色——有随风飘动的效果，车上有链条，身体会随骑行上下起伏，甚至能切换到夜间模式并打开车灯。这些小细节叠加起来，让整个画面「活」了不少。

综合基础造型的瑕疵和动态完成度，UP主给Claude Opus 5.5的评级是「人上人」。仅就这一轮猫猫测试而言，最终排序基本明朗，但作者也反复强调：这只是单一图像生成任务的排名。

单一测试的局限与「特调」疑云

这条测评最值得关注的，其实是方法论上的提醒。UP主明确表示，这个排名对做网页、做动画有参考价值，但写文章、查资料、处理文件等任务不能照搬——选主力模型还得综合效果、速度和价格一起看。为此他把其他主流大模型的测试结果、AI榜单成绩和价格对比都整理进了一个排行网站，方便横向参考。

回到开头的疑点：谁家模型做了特调？作者展示了Claude在「刺猬测试」上的效果，确实很不错，但一换成其他动物，表现力就明显下滑。他谨慎地没有下定论——单凭一组结果还不能认定Claude专门针对刺猬做了优化，但可以确认的是：刺猬做得好，不代表换一道相似题它也能做得同样好。这正是把测试题从刺猬改成猫的核心动机。

这个观察对普通用户很有启发。跑分和demo里的惊艳表现，未必能迁移到自己的真实场景。评估AI模型时，用自己的实际任务去测，比看官方演示更靠谱。

「过拟合」在图像生成模型的评测场景中尤为隐蔽。文字问答类的过拟合通常会在稍作改写后暴露，但图像生成任务的提示词变化（例如「刺猬」换成「猫」）在语义层面差异极小，模型理论上应具备相近的完成度。如果两者之间出现显著落差，说明模型很可能对原始提示词的视觉输出做了专项强化，而非真正提升了「理解动物骑行姿态」的底层能力。这类针对性优化的成本远低于大规模训练改进，但在用户层面却很难被察觉——尤其当大多数人只用最流行的那几道题来评估模型时。

结语

这轮对比呈现出清晰的分层：OpenAI用Luna、Sol、Astra三档产品拉开了明显的能力和价格梯度，Claude Opus 5.5则以丰富的动态细节和自主创意见长。但更重要的一课在于——不要用单一测试题定义一个模型的全部能力，也要警惕模型可能对流行测试题存在过拟合。想选对主力模型，最终还是要回到自己的真实需求上做取舍。