AI实验室是否在刻意训练“骑自行车的鹈鹕”？一项严谨评测给出否定答案
评分
75针对广泛流传的都市传说提供了首次系统化、可复现的证据，颠覆了社区对模型训练偏向的普遍猜测。
方法设计严谨（多因素、重复、辅助评估），数据公开，结论统计清晰，文本表述专业且易读。
对模型评测社区提供了可复用的流程思路，但对普通用户直接使用价值有限。
2026年7月22日刚发布，紧跟当前关于模型训练数据污染的讨论热点。
来源为Simon Willison博客（知名AI观察者），实验由独立研究者Dylan Castillo完成，方法透明。
基础分 83 × T2 信源权重 ×0.9 = 75
精选线 70已入选精选
精选理由
实验设计完整、数据透明、结论有统计支撑，对理解模型训练偏向性具有较高参考价值。
AI 点评
「这篇研究完美诠释了如何用科学方法回应一个有趣的网络梗。对于AI评测者、模型训练工程师和关注数据污染的读者来说，这是一份难得的范例：它用详实的数据证明，尽管社区玩笑式地猜测模型存在“鹈鹕骑自行车”训练偏向，但实际评测并不支持。值得留意的是，该实验设计（多因素交叉+独立评估者）本身就可以被复用至其他类似怀疑的验证中。」
速览
Dylan Castillo 对“AI 实验室是否故意训练模型绘制骑自行车的鹈鹕”这一流传甚广的梗进行了系统评测。选取 8 种动物 × 6 种交通工具共 48 条提示词，在 7 个主流模型（GPT-5.6 Terra、Claude Sonnet 5、Gemini 3.5 Flash、Grok 4.5、Qwen3.7-Max、GLM-5.2、DeepSeek V4 Pro）上各运行 3 次，并使用 GPT-5.6 Luna 和 Gemini 3.1 Flash-Lite 辅助评估。结果未发现任何模型在“鹈鹕骑自行车”组合上表现显著优于其个体能力，驳斥了“pelicanmaxxing”传言。
- Castillo 使用 48 种提示词组合（8 动物 × 6 交通工具），在 7 个模型上重复 3 次，构建了 1000 余张图像的测试集。
- 通过辅助模型（GPT-5.6 Luna、Gemini 3.1 Flash-Lite）对生成结果进行客观评估，避免了主观偏差。
- 主要结论：没有实验室在“鹈鹕骑自行车”上的表现显著优于其绘制鹈鹕和自行车的基础能力，不支持“pelicanmaxxing”假说。
- GLM-5.2 在个别样本上略有提升，但统计上不显著，不足以证明刻意训练。
正文
我过去曾随机抽查过这一点，测试模型对其他动物骑其他类型车辆的生成情况，但从未像Dylan这里的方法那样严谨。
Dylan采用了8种动物×6种车辆=48个提示词，每个提示词在7个不同模型（GPT-5.6 Terra, Claude Sonnet 5, Gemini 3.5 Flash, Grok 4.5, Qwen3.7-Max, GLM-5.2, and DeepSeek V4 Pro）上各运行三次。然后他使用GPT-5.6 Luna和Gemini 3.1 Flash-Lite来帮助评估结果。
有一个简洁的筛选视图可用于探索结果：
对于他测试的模型，他没有发现pelimaxxing的证据：
骑自行车的鹈鹕看起来并不更好 实验室并不更擅长画鹈鹕 实验室并不更擅长画自行车 实验室并不更擅长画骑自行车的鹈鹕，即使调整难度 鹈鹕-自行车场景看起来并不像是被记住的 [...] 鹈鹕并不比其他动物画得更好。自行车并不比其他车辆画得更好。而且，没有实验室能画出比其鹈鹕和自行车本身预测组合更好的组合。GLM-5.2最接近：它在鹈鹕-自行车组合上提升最大，而且它的第一个鹈鹕骑自行车样本引起了我的注意。但效果很小且不显著，所以我不应该过分看重它。
来自 Hacker News
标签: ai, generative-ai, llms, evals, pelican-riding-a-bicycle
相关条目
精选DeepSeek V4 在 OpenRouter 上的代币份额翻倍，智能体工作负载成主要驱动力
DeepSeek V4 的快速采用表明市场对高性能、低成本推理模型的强烈偏好，尤其是智能体场景将重塑 AI 部署格局。
91
精选启用两项设置使ARC-AGI-3基准测试分数提升三倍
这项发现太关键了！它表明模型的性能不仅取决于训练，还取决于推理时的配置。对于AI工程师和研究者来说，这是一个必须注意的优化方向。特别是那些在资源受限设备上部署模型的团队，可能会因此找到低成本提升能力的方法。
91
精选GPT-5.6：前沿智能与前沿效率的融合
这条消息值得关注，因为它标志着大模型竞争从单纯拼参数转向拼效率。对于AI开发者和企业决策者来说，GPT-5.6意味着可以用更少预算获得更高性能，尤其适合那些被推理成本挡在门外的长上下文或Agent场景。OpenAI这一步，可能重新定义‘前沿’的标准。
91
精选LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
这篇博文让我眼前一亮，因为它直接解决了大模型在CPU上跑长上下文的痛点。对于没有高端GPU的团队或个人开发者，LFM2.5-Encoder系列提供了可立即使用的开源方案。尤其推荐给做RAG、文档搜索或代码分析的朋友——现在用普通服务器就能处理百万级token的文档了。
91
精选GPT-Red：OpenAI通过自我对弈实现AI红队自动化，提升模型鲁棒性
GPT-Red 是红队测试从人工到自动化的里程碑，特别适合安全工程师和对齐研究者关注。它直接降低了测试成本，但也引发了对“自动攻击”本身的伦理讨论——值得所有关注AI治理的人深入思考。
91
精选OpenAI推出GPT-5.5生物漏洞赏金计划
这个计划值得关注，因为它首次将AI漏洞赏金制度拓展到生物安全领域，不仅为安全社区提供了新的研究方向，也为AI风险治理提供了实际演练场。对模型安全研究者、生物安全专家以及关心AI双重用途的从业者尤其重要。
91
精选vLLM推出原生速度Transformers建模后端，大幅提升推理性能
这项更新对于AI工程团队非常关键：无需格式转换意味着能更快地迭代模型，而2-5倍的速度提升直接降低GPU成本。如果你正在做LLM在线服务或者批量推理，这几乎是必读的技术更新。
90
精选Google DeepMind 发布手语转文本模型 SL2T，助力聋人用户
这则消息的意义不仅在于技术突破，更在于AI开始真正关注边缘群体的需求。对开发者而言，SL2T的架构思路和技术路径值得深入研究；对无障碍倡导者来说，这是推动行业标准的重要案例。