63道地狱级3D生成题实测：GPT-5.6在多模型对比中显著领先
大模型竞技场发布63道高难度Three.js 3D场景生成题，实测GPT-5.6、DeepSeek V4 Pro、Gemini 3.5 Thinking、GLM-5.2等多款模型。GPT-5.6在场景还原度、细节完整度上明显优于其他模型，接近专业软件Fable 5水平。但其多子智能体协作模式耗时极长（如张家界石林场景耗时2小时41分），而快速模型可在10分钟内交付，两者代表不同的生产方式选择。
事件概述
大模型竞技场AI能力负责人Peter Gostev公开了63道高难度Three.js 3D场景生成题，涵盖大型3D世界、可交互场景、知名景观、极端特效等方向。测试旨在超越简单网页生成，检验AI在复杂3D场景中的真实能力，测试题目已上传至GitHub。参评模型包括GPT-5.6、GPT-5.5、DeepSeek V4 Pro、Gemini 3.5 Thinking、GLM-5.2、Hy3等最新模型。
核心测试结果
在张家界石林、熊捕鲑鱼、太空电梯等代表性题目上，GPT-5.6的生成效果最佳。其细节完整度、场景还原度和运行流畅度均显著优于其他模型，许多题目效果可与专业软件Fable 5持平。其他参评模型普遍存在问题：GPT-5.5细节明显减少；Gemini 3.5 Thinking和DeepSeek V4 Pro未能准确还原石林特征；GLM-5.2完全无法呈现张家界石林核心地貌，仅实现视角切换。
在“熊捕鲑鱼”题目中，DeepSeek V4 Pro生成的熊形态奇怪，鲑鱼退化为红色方块，彩虹仅为简单线条；Gemini 3.5 Thinking的3D熊呈现为像素化立方体。
GPT-5.6的工作模式与耗时
GPT-5.6 Sol Ultra模式默认派出4个子智能体并行工作，最多支持16个智能体同时协作。它先规划整个项目，拆分任务，由不同智能体分头推进，过程中反复检查修改，最终整理出可审核的代码差异。
这种模式导致耗时远高于其他模型：
- 张家界石林场景：GPT-5.6最高思考强度耗时2小时41分35秒（无等待批准时间，全自主处理）；DeepSeek V4 Pro仅需不到10分钟。
- 太空电梯场景：GPT-5.6降低思考强度到倒数第二档（Extra High）耗时18分钟；DeepSeek效果明显不足。
结论与思考
速度更快的模型（如DeepSeek）适合快速验证想法；耗时更长的多智能体模式（GPT-5.6）能将复杂项目推进到更完善的可交付状态。两者价值很难用单一总分衡量。当模型能够自主规划、分工、返工、验收，单次生成已近似一支临时项目组。未来比较模型强弱，应标注交付时间、资源投入、返工轮次与可运行性，不能只看生成画面的效果。