GPT-6 Astra vs Claude, Gemini, Qwen e DeepSeek: quem vence o Teste da Bicicleta Pelicano?

O GPT-6 Astra produz um dos Pelicanos mais convincentes até à data, mas o Teste da Bicicleta com Pelicano torna-se mais interessante quando comparado com o Claude Fable 5.1, o Gemini 3.8 Flash, o Qwen 3.8, o DeepSeek V4, o Kimi K3 e o GLM-5.3-Flash. Um pedido de uma linha para gerar um SVG de um pelicano a andar de bicicleta obriga um modelo de linguagem a traduzir palavras em código, geometria, anatomia, relações entre objetos e uma cena cujos erros são imediatamente visíveis.

Os resultados mais recentes mostram que não existe um vencedor simples. O GPT-6 Astra eleva o nível mínimo de qualidade, o Claude pode dedicar muito mais raciocínio para reparar a geometria, o Gemini acrescenta uma qualidade visual excecional, o Qwen mostra quão perto os modelos locais conseguem chegar e o DeepSeek demonstra até que ponto as definições de raciocínio podem alterar o resultado de um modelo. As animações do GLM e do DeepSeek assistidas por ferramentas revelam algo diferente: quando um agente consegue inspecionar e iterar sobre o seu próprio artefacto, o teste deixa de medir apenas o modelo.

Resultados do Teste da Bicicleta com Pelicano em Resumo

Isto não é uma classificação científica. As execuções públicas foram realizadas em momentos diferentes, com APIs, definições de raciocínio, quantizações e, em alguns casos, ambientes de ferramentas diferentes.

A comparação mais defensável é comportamental. A bicicleta tem um quadro coerente? Os pés chegam aos pedais? A ave interage realmente com o guiador? O raciocínio adicional corrige essas relações ou limita-se a acrescentar mais decoração?

O que mede realmente o teste da bicicleta com pelicano?

O prompt original é deliberadamente minimalista:

Gere um SVG de um pelicano a andar de bicicleta.

Produzir uma resposta convincente exige que várias capacidades funcionem em simultâneo. O modelo tem de escrever SVG válido, construir uma bicicleta reconhecível, aproximar a anatomia de um pelicano, posicionar a ave na parte correta da cena e fazer com que objetos distintos interajam de forma visualmente plausível.

Isso torna o teste útil para observar:

• geração de código SVG e frontend,
• geometria dos objetos,
• composição espacial,
• consistência anatómica,
• interação entre objetos,
• cumprimento de instruções,
• e a eficiência do esforço de raciocínio.

Não mede diretamente a precisão factual, o raciocínio científico, a programação à escala de repositórios, a fiabilidade de agentes, o conhecimento profissional ou a inteligência geral.

Simon Willison, que tem utilizado repetidamente o prompt ao longo de várias gerações de modelos, também se tornou mais cauteloso em relação ao mesmo. Atualmente, considera-o sobretudo um teste comportamental rápido e uma forma útil de comparar versões dentro da mesma família de modelos, em vez de um teste universal de inteligência.

A sua análise do Pelican do Kimi K3 alerta explicitamente para o risco de tratar resultados individuais do Pelican como uma classificação séria de modelos.

Essa limitação é importante porque os modelos modernos já são suficientemente bons para que o gosto visual influencie cada vez mais o resultado. Quando todos os resultados contêm uma ave e uma bicicleta reconhecíveis, um pôr do sol deslumbrante ou um cesto de peixe pode fazer com que uma imagem pareça mais inteligente, mesmo quando outro modelo tem uma geometria mais precisa.

Qual foi o desempenho do GPT-6 Astra no teste da bicicleta com pelicano?

O resultado mais importante do GPT-6 Astra não é simplesmente o facto de o nível Máximo parecer impressionante. É que o nível Baixo já produz um Pelican muito mais convincente do que a anterior família GPT-5.6.

Willison testou o Astra com raciocínio Baixo, Médio, Alto, XAlto e Máximo. As contagens de tokens de saída registadas aumentaram de 1 906 no nível Baixo para 12 638 no nível Máximo.

A observação mais forte de Willison foi que o Astra no nível Baixo parecia melhor do que qualquer GPT-5.6 Sol Pelican que ele tinha gerado em qualquer nível de raciocínio. Isso torna esta questão menos relacionada com o raciocínio Máximo e mais com um aumento geracional da capacidade visual de programação de base.

A bicicleta torna-se mais coerente, o pelicano fica reconhecivelmente integrado no veículo e toda a cena exige menos interpretação por parte do observador.

Mas a tarefa ainda não está perfeitamente resolvida. Abaixo do Max, o Astra não posicionou de forma fiável as duas pernas em lados opostos do quadro da bicicleta.

É precisamente por isso que este teste de referência disparatado continua a ser útil. Um resultado polido pode transmitir imediatamente uma impressão de competência, enquanto uma pequena relação, como a colocação das pernas, revela se a cena é estruturalmente consistente.

O Astra parece compreender melhor a composição, mas o Teste do Pelican não consegue estabelecer que mantém um modelo físico semelhante ao humano para andar de bicicleta.

O GPT-6 Astra também apareceu na demonstração para programadores da OpenAI

A apresentação para programadores do GPT-6 Astra da OpenAI contém outra referência ao Pelican, ao demonstrar uma geração visual e 3D mais rica. Esta não é a mesma execução SVG controlada, pelo que deve ser tratada como evidência suplementar e não como parte da comparação.

Exemplo visual suplementar do GPT-6 Astra retirado da apresentação para programadores da OpenAI. Não deve ser comparado diretamente com a grelha SVG controlada.

Claude Fable 5.1: Mais reflexão produz um Pelican melhor?

O Claude Fable 5.1 demonstra que um raciocínio adicional pode melhorar as relações geométricas — mas também mostra a rapidez com que o custo de uma tarefa visual simples pode disparar.

Low e Medium concluíram a tarefa em aproximadamente 23 segundos e custaram cerca de dez cêntimos cada. High demorou cerca de 29,6 segundos.

Depois, a curva mudou drasticamente.

O resultado do Max melhora, de facto, detalhes importantes. As duas pernas estão visivelmente posicionadas em torno do quadro da bicicleta, os pés chegam aos pedais, uma asa alcança o guiador e a geometria da bicicleta recebe uma atenção muito mais deliberada.

O registo do raciocínio é particularmente revelador, porque o Fable reconsiderou ativamente partes do desenho. Detetou problemas na geometria do garfo dianteiro, reconsiderou a colocação do capacete em torno do bico e verificou repetidamente se os elementos decorativos colidiriam com o resto da cena.

Isto proporciona-nos uma rara ligação visível entre mais raciocínio e um artefacto internamente mais consistente.

Mas a diferença de custo é enorme.

A questão útil não é saber se o Max é melhor. É saber se um Pelican de quase 14 minutos tem valor suficiente para justificar um custo superior a 30 vezes o do Low.

O Pelican do Claude foi então animado numa segunda passagem

A animação pública não foi criada pelo prompt original do Pelican. Willison pegou no SVG do Max e enviou-o novamente ao Fable 5.1 com uma instrução separada para animar o artefacto existente.

Essa segunda passagem utilizou 6 121 tokens de entrada e 26 201 tokens de saída e acrescentou outro custo registado de cerca de 1,37 $.

Como a animação era uma segunda tarefa, não deve ser classificada diretamente em comparação com os resultados estáticos de uma só tentativa de outros modelos. Ainda assim, é útil para mostrar o que acontece quando o modelo tem de preservar a geometria ao mesmo tempo que introduz movimento.

Veja o pelicano animado original do Claude Fable 5.1.

Gemini 3.8 Flash: O talento visual equivale a uma melhor compreensão?

O Gemini 3.8 Flash destaca-se por uma razão diferente: faz com que o benchmark pareça trabalho de ilustração, em vez de um exercício de geometria.

O resultado High inclui uma bicicleta cruiser turquesa, um lenço vermelho com bolinhas, um cesto para peixes, um passadiço junto à praia e um fundo costeiro luminoso.

É imediatamente apelativo.

Isso faz do Gemini um exemplo útil de um problema com os benchmarks visuais: os seres humanos recompensam naturalmente o estilo.

Uma composição mais polida pode parecer mais inteligente antes de verificarmos se o quadro da bicicleta fecha corretamente, se o pé chega realmente ao pedal ou se o corpo do pelicano está posicionado de forma consistente em relação ao selim.

O acabamento visual é uma capacidade real, mas o acabamento visual e a consistência física são capacidades diferentes.

À medida que os modelos melhoram, o Teste do Pelicano mede cada vez mais ambas as dimensões. Isso torna as classificações simples de vencedores menos significativas do que analisar as formas específicas como cada modelo é bem-sucedido ou falha.

Qwen 3.8 27B: Um modelo local de 17 GB consegue competir com os pelicanos de vanguarda?

O Qwen 3.8 27B pode ser o resultado mais importante para os utilizadores de IA local, porque não se tratava de um modelo enorme disponível apenas na nuvem.

Willison executou localmente, através do LM Studio, uma versão quantizada Q4_K_M de aproximadamente 17 GB, incluindo experiências em hardware local com muita memória.

O resultado é invulgarmente coerente para um modelo que pode ser empacotado num ficheiro quantizado de aproximadamente 17 GB.

A bicicleta tem a forma de quadro esperada. As duas pernas aparecem em lados opostos da bicicleta, uma relação surpreendentemente difícil para muitos modelos. O pelicano tem uma bolsa bem definida, a asa chega ao guiador e as linhas de movimento estão colocadas atrás, em vez de atravessarem a cena.

Willison descreveu-o como o melhor SVG de um pelicano que tinha gerado localmente até então.

Mas há uma ressalva importante.

O Qwen 3.8 27B pensou demasiado na tarefa.

No seu nível de raciocínio xhigh predefinido, o modelo demorou cerca de 21 minutos. Utilizou 22 276 tokens de raciocínio antes de produzir 3 223 tokens de saída final.

Quando o raciocínio foi desativado, a geração demorou pouco mais de dois minutos, mas o resultado tornou-se visivelmente pior.

O enquadramento ficou mais fraco, os pés não alcançaram os pedais e o modelo já não fez uma tentativa séria de ligar a asa ao guiador.

Isto cria uma narrativa quase oposta à do GPT-6 Astra.

A característica mais impressionante do Astra é o facto de Low já ser forte. O Qwen 3.8 27B demonstra quanta qualidade visual pode ser extraída de hardware local relativamente compacto, se for permitido ao modelo passar bastante tempo a raciocinar.

Não é prova de que um modelo de 17 GB tenha alcançado o GPT-6 no geral. É prova de que «suficientemente pequeno para funcionar localmente» e «capaz de produzir resultados estruturados sofisticados» já não são características mutuamente exclusivas.

Qwen 3.8 Flash-Next: O que consegue desenhar um MoE com 6B de parâmetros ativos?

O Qwen 3.8 Flash-Next proporciona um segundo ponto de dados de IA local proveniente de uma arquitetura muito diferente.

O modelo tem um total de 125 mil milhões de parâmetros, mas ativa aproximadamente 6 mil milhões de parâmetros para cada token. Essa distinção pode reduzir os requisitos de computação, embora o conjunto completo de pesos continue a ser muito maior do que 6B.

O resultado xhigh é uma cena polida. O pelicano está sobre uma bicicleta vermelha, um peixe ocupa o cesto dianteiro e a própria bicicleta mantém uma estrutura reconhecível, em vez de colapsar em arcos e tubos desligados.

O que torna este resultado interessante não é saber se é mais bonito do que o Gemini ou o Astra.

É que os modelos MoE esparsos estão a tornar menos úteis as comparações simples da contagem de parâmetros.

Um modelo de 125B com aproximadamente 6B de parâmetros ativos não se comporta como um modelo denso convencional de 6B, nem tem as mesmas características de armazenamento e memória.

O Pelicano demonstra o lado da capacidade dessa equação: um volume de computação ativa relativamente baixo ainda consegue coordenar uma cena estruturada surpreendentemente sofisticada.

Qwen 3.8 Max: O que muda quando o modelo se torna muito maior?

O Qwen 3.8 Max proporciona uma comparação útil no extremo superior dentro da mesma família de modelos mais abrangente.

O resultado é limpo e fácil de interpretar. As pernas chegam à zona dos pedais, a bicicleta tem uma forma convencional e a cena geral mantém-se suficientemente simples para que a geometria continue legível.

Mas o Qwen Max reforça outra lição do teste:

Um modelo de maiores dimensões não deve receber automaticamente uma pontuação mais elevada por ser maior.

Para a IA local prática, o Qwen 3.8 27B pode ser, na verdade, o Pelicano mais interessante, porque nos diz algo sobre o que pode ser executado em hardware que um utilizador doméstico avançado poderia realisticamente possuir.

O Max demonstra o limite superior de um modelo. O resultado local do 27B demonstra o progresso na implementação.

Kimi K3: De quanto raciocínio precisa um pelicano?

O Kimi K3 produziu outro Pelicano coerente, mas o seu consumo de computação oculto pode ser mais interessante do que a imagem.

O prompt tinha apenas algumas palavras, mas a execução registada utilizou 95 tokens de entrada e 16 658 tokens de saída.

Desses tokens de saída, 13 241 eram tokens de raciocínio.

O custo registado foi de cerca de 0,25 $ nessa execução.

A cena final é competente: bicicleta reconhecível, pelicano reconhecível, posição razoável do ciclista, detalhes de fundo, estrada e elementos de movimento.

Mas os números revelam algo que a imagem não revela.

Um resultado visualmente simples pode esconder uma enorme quantidade de trabalho do lado do modelo.

Isso é importante para aplicações reais. Um modelo pode parecer barato quando avaliado com base num único resultado bem-sucedido, mas tornar-se dispendioso ou lento quando o mesmo padrão de raciocínio é repetido centenas de vezes num fluxo de trabalho de agente.

Para o Kimi, o Pelicano torna-se quase tanto um teste de eficiência do raciocínio como um teste de desenho.

DeepSeek V4 Pro: Porque é que diferentes níveis de raciocínio parecem modelos diferentes?

O DeepSeek V4 Pro 0813 produziu uma das comparações de raciocínio mais estranhas do arquivo.

Baixo, Médio e Alto não pareciam simplesmente versões cada vez mais aperfeiçoadas do mesmo design. Pareciam seguir estratégias visuais diferentes.

DeepSeek V4 Pro 0813 com raciocínio Baixo, Médio e Alto. Fonte: Teste do DeepSeek V4 Pro por Simon Willison.

Baixo é relativamente limpo e minimalista. Médio torna-se muito mais abstrato: arcos de roda partidos, traços soltos e uma forma estranhamente alongada dominam a composição. Alto muda novamente de direção, regressando a uma bicicleta vermelha mais convencional e acrescentando um cesto, uma bandeirola e notas musicais.

A lição não é simplesmente «Alto é melhor».

O esforço de raciocínio parece influenciar a estratégia visual escolhida pelo modelo, e não apenas o cuidado com que executa uma composição fixa.

Isto faz do DeepSeek V4 Pro um excelente lembrete de que uma única captura de ecrã é uma base muito fraca para afirmar que um modelo é bom ou mau em programação visual.

A variância da amostragem é importante. As definições de raciocínio são importantes. A API ou o sistema de teste também podem ser importantes. O Pelicano torna essas diferenças visíveis, porque podemos inspecionar imediatamente o resultado.

DeepSeek V4 Flash: Mais raciocínio consegue reparar uma bicicleta avariada?

O DeepSeek V4 Flash 0731 fornece um exemplo ainda mais claro de como o raciocínio afeta a geometria.

A execução predefinida produziu uma bicicleta gravemente deformada. As rodas apareciam como arcos incompletos, os tubos do quadro flutuavam sem se ligarem e o pelicano pairava sobre a cena, em vez de parecer estar a conduzir a bicicleta de forma convincente.

Willison aumentou então o esforço de raciocínio para High, utilizando a mesma tarefa básica.

O resultado mudou drasticamente.

O resultado High tem rodas completas, um quadro reconhecível, uma zona de pedaleiro, um pelicano a agarrar o guiador e um pé posicionado junto ao pedal.

Isto não prova que mais raciocínio corrija sempre a geração visual.

Isto sugere que alguns resultados SVG deficientes são falhas de coordenação, e não provas de que o modelo não tenha qualquer representação da geometria de uma bicicleta.

As peças podem já existir dentro do modelo; um raciocínio adicional pode, por vezes, ajudar a montá-las corretamente.

Porque é que o DeepSeek V4 Flash superou o V4 Pro no mesmo prompt sobre um pelicano

Uma comparação anterior do DeepSeek V4 produziu outro resultado contraintuitivo.

Fonte: A comparação de Simon Willison sobre o DeepSeek V4.

A versão Flash teve uma bicicleta excelente segundo os padrões do Pelican-Test: um quadro reconhecível, uma corrente visível, um refletor, asas que chegam ao guiador e os pés nos pedais.

O modelo Pro manteve uma bicicleta razoável, mas gerou um pelicano muito mais estranho, com um corpo desproporcionalmente grande e uma anatomia inconsistente.

Isto não deve ser interpretado como prova de que o Flash é, em geral, mais inteligente do que o Pro.

Demonstra algo mais específico e útil:

O tamanho do modelo e a reputação em benchmarks não garantem o melhor resultado num único prompt estocástico de programação visual.

GLM-5.3-Flash vs DeepSeek V4 Flash: O que acontece quando os modelos recebem ferramentas?

O GLM-5.3-Flash introduz um tipo diferente de experiência com pelicanos.

Uma comparação da comunidade utilizou um ambiente de agente em vez do simples teste de uma linha. Tanto o GLM-5.3-Flash como uma configuração experimental de visão DeepSeek V4 Flash foram executados com OpenCode, Trellis, Chrome MCP e raciocínio máximo.

A instrução pedia aos modelos que criassem uma página HTML completa contendo uma animação SVG 2D e dizia explicitamente para tratarem a tarefa como uma competição.

Isso altera aquilo que está a ser avaliado.

O modelo já não se limita a produzir um único SVG a partir de um único prompt. Pode dedicar mais tempo, utilizar ferramentas, inspecionar um ambiente de navegador e comportar-se mais como um agente de programação.

GLM-5.3-Flash: Pelicano Animado

Animação do GLM-5.3-Flash produzida com OpenCode, Trellis, Chrome MCP e raciocínio Máximo. Fonte: comparação original da comunidade.

O resultado do GLM é substancialmente mais ambicioso do que os Pelicanos estáticos acima. Contém uma cena completa, componentes explícitos da bicicleta, movimento, pedais e uma apresentação mais rica ao nível da página.

Os comentadores da comunidade preferiram geralmente o resultado do GLM, tendo vários destacado o trabalho mais completo dos pedais e da animação.

Ainda existem erros visíveis. Alguns movimentos das patas parecem mecanicamente pouco naturais, e adicionar mais animação cria mais oportunidades para que as relações se desfaçam.

Isto cria uma distinção útil:

Um resultado com mais funcionalidades não é automaticamente um resultado fisicamente mais correto.

Pelicano Animado com Visão do DeepSeek V4 Flash

Experiência de visão do DeepSeek V4 Flash gerada no mesmo ambiente assistido por ferramentas. Fonte: metodologia e discussão do teste da comunidade.

A versão do DeepSeek adota uma abordagem diferente, utilizando uma composição ao pôr do sol e uma apresentação responsiva mais limpa.

O feedback da comunidade favoreceu geralmente a completude mecânica do GLM, embora tenha reconhecido o mérito do DeepSeek na composição visual e na apresentação em dispositivos móveis.

Mais importante ainda, ambos os resultados demonstram a rapidez com que o significado de um benchmark de IA muda quando são introduzidas ferramentas.

O sistema que está a ser testado é agora:

• o modelo de base,
• configuração do raciocínio,
• harness do agente,
• ferramentas do navegador,
• feedback visual,
• tempo de execução,
• e a estratégia de iteração.

Descrever simplesmente o resultado como «GLM vs DeepSeek» oculta grande parte do que realmente produziu o artefacto.

Porque é que os pelicanos gerados de uma só vez e as animações assistidas por agentes não devem partilhar uma única classificação

Esta distinção é suficientemente importante para ser explicitada.

Uma animação assistida por um agente é, discutivelmente, mais relevante para os fluxos de trabalho modernos de programação do que um SVG gerado de uma só vez.

Mas é um teste diferente.

Se o GPT-6 Astra receber uma resposta, enquanto o GLM dispõe de vinte minutos, de um navegador e de feedback visual, não podemos afirmar responsavelmente que a animação final prova que o GLM é melhor no benchmark original.

O que isto prova é que os modelos se tornam substancialmente mais capazes quando são integrados em sistemas que podem inspecionar, executar e rever o seu próprio trabalho.

Que modelo de IA venceu realmente o teste da bicicleta-pelicano?

Não existe um único vencedor cientificamente defensável, mas os resultados atuais revelam, de facto, vários destaques por categoria.

Se a questão for simplesmente saber qual é o modelo atual que produz o Pelican mais forte numa única tentativa e com um raciocínio mínimo, é difícil ignorar o GPT-6 Astra.

Se a questão for saber qual é o resultado mais surpreendente para hardware que pode realmente estar numa secretária e funcionar localmente, o Qwen 3.8 27B torna-se muito mais importante.

Se o teste passar da geração numa única tentativa para um fluxo de trabalho de agente de programação com ferramentas e iteração, o GLM-5.3-Flash demonstra até que ponto o limite pode ser diferente.

Essas são três perguntas diferentes, precisamente por isso um único vencedor numérico ocultaria mais do que explicaria.

Estes modelos de IA compreendem realmente aquilo que desenham?

O Pelican Bicycle Test não pode provar uma compreensão física genuína.

Um modelo pode gerar uma bicicleta com aspeto correto porque o seu treino lhe proporcionou representações poderosas de bicicletas, aves, código SVG e composições visuais comuns.

Coordenar com êxito essas representações é uma prova de competência espacial útil.

Isto não demonstra que o modelo compreenda o equilíbrio, a gravidade, a carga mecânica, o movimento dos pedais ou a locomoção da mesma forma que um ser humano.

As falhas restantes tornam isto particularmente claro.

O Astra consegue criar uma bicicleta atraente, embora continue a posicionar incorretamente ambas as pernas em torno do quadro. As rodas animadas do Claude podem revelar problemas de movimento que eram invisíveis no SVG estático. O Qwen pode gastar 22 000 tokens de raciocínio a construir uma cena que outro modelo produz muito mais depressa. O DeepSeek pode produzir uma bicicleta danificada a um nível de raciocínio e uma bicicleta coerente a outro.

Estes modelos estão a tornar-se excelentes na construção de estruturas visuais a partir de linguagem.

A questão de saber se isso deve ser descrito como «compreensão» depende do nível de representação interna que exigimos da palavra.

Porque é que os modelos abertos chineses são a parte mais interessante deste teste

A alteração mais importante desde as versões anteriores do Pelican Test poderá não ser o facto de o GPT-6 produzir uma ave melhor.

É que os modelos abertos e implementáveis localmente estão agora a produzir resultados que, ainda há relativamente pouco tempo, teriam parecido de nível de vanguarda.

O Qwen 3.8 27B consegue gerar localmente um Pelicano coerente a partir de um modelo quantizado de aproximadamente 17 GB. O Qwen 3.8 Flash-Next combina uma grande capacidade total de MoE com uma utilização computacional ativa muito menor. O DeepSeek V4 Flash consegue recuperar de um resultado visual deficiente quando é ativado raciocínio adicional. O GLM-5.3-Flash consegue operar num ciclo de agente de programação equipado com navegador e produzir um artefacto animado sofisticado.

Nada disso significa que tenham alcançado universalmente o GPT-6 Astra ou o Claude Fable 5.1.

Isso significa que a diferença está a tornar-se específica da carga de trabalho.

Para os problemas de raciocínio mais difíceis, os modelos de nuvem de vanguarda ainda podem ter uma vantagem clara.

Para geração estruturada, programação, fluxos de trabalho privados e agentes locais cada vez mais sofisticados, a questão está a tornar-se menos óbvia.

O Teste do Pelicano visualiza acidentalmente a mesma tendência que está a acontecer na IA local: a vanguarda continua a avançar, mas o nível de capacidade disponível fora dela avança quase à mesma velocidade.

O Que Devemos Aprender com os Pelicanos?

O resultado mais claro não é que uma IA tenha finalmente aprendido como um pelicano deve andar de bicicleta.

É que a qualidade de base dos artefactos visuais gerados por código está a aumentar rapidamente, enquanto as diferenças entre os modelos se tornam mais subtis.

O GPT-6 Astra mostra que uma geração visual estruturada forte pode agora surgir mesmo com um nível de raciocínio Baixo. O Claude Fable 5.1 demonstra quanto poder computacional adicional pode ser usado para reparar a geometria. O Gemini 3.8 Flash mostra como uma composição estética forte pode influenciar o julgamento humano. O Qwen 3.8 27B mostra o que é possível numa implementação local compacta. O Kimi K3 expõe o custo oculto de um raciocínio intenso, enquanto o DeepSeek demonstra como as gerações visuais individuais podem continuar instáveis.

O GLM-5.3-Flash acrescenta a peça final: quando um modelo recebe ferramentas de navegador, feedback visual e autorização para iterar, o benchmark começa a medir um sistema de IA, em vez de um modelo isolado.

Isso torna o Teste da Bicicleta do Pelicano menos útil como classificação e mais útil como microscópio.

Expõe a diferença entre:

• um modelo que consegue escrever SVG válido,
• um modelo que consegue manter relações espaciais,
• um modelo que consegue usar mais raciocínio para corrigir erros,
• um modelo local que consegue aproximar-se de resultados com aspeto de vanguarda,
• e um sistema de agentes que consegue inspecionar e melhorar o seu próprio artefacto.

O GPT-6 Astra pode atualmente produzir um dos pelicanos mais fortes, mas a história mais importante é que Claude, Gemini, Qwen, DeepSeek, Kimi e GLM agora falham — e têm sucesso — de formas cada vez mais sofisticadas.

O pássaro continua ridículo. O benchmark é imperfeito. Mas, como instantâneo visual da rapidez com que o comportamento dos modelos está a mudar, o Teste da Bicicleta do Pelicano continua a ser surpreendentemente revelador.