GPT-6 Astra jämfört med Claude, Gemini, Qwen och DeepSeek: Vem vinner pelikanens cykeltest?

GPT-6 Astra skapar en av de mest övertygande pelikanerna hittills, men Pelican Bicycle Test blir mer intressant när det jämförs med Claude Fable 5.1, Gemini 3.8 Flash, Qwen 3.8, DeepSeek V4, Kimi K3 och GLM-5.3-Flash. En uppmaning på en rad om att generera en SVG-bild av en pelikan som cyklar tvingar en språkmodell att översätta ord till kod, geometri, anatomi, objektrelationer och en scen där misstagen omedelbart blir synliga.

De senaste resultaten visar att det inte finns någon enkel vinnare. GPT-6 Astra höjer den lägsta kvalitetsnivån, Claude kan lägga dramatiskt mer resonemang på att reparera geometri, Gemini tillför exceptionell visuell finess, Qwen visar hur nära lokala modeller kan komma, och DeepSeek demonstrerar hur mycket resonemangsinställningarna kan förändra en och samma modells resultat. Verktygsassisterade animationer med GLM och DeepSeek visar ytterligare något: när en agent kan inspektera och iterera på sitt eget alster mäter testet inte längre enbart modellen.

Resultat från Pelican Bicycle Test i korthet

Det här är inte en vetenskaplig resultattavla. De offentliga körningarna utfördes vid olika tidpunkter, med olika API:er, resonemangsinställningar, kvantiseringar och – i vissa fall – olika verktygsmiljöer.

Den mer hållbara jämförelsen är beteendemässig. Har cykeln en sammanhängande ram? Når fötterna pedalerna? Interagerar fågeln faktiskt med styret? Korrigerar extra resonemang dessa relationer eller lägger det bara till mer dekoration?

Vad mäter cykeltestet med pelikanen egentligen?

Det ursprungliga prompten är avsiktligt minimalistisk:

Generera en SVG av en pelikan som cyklar.

För att skapa ett övertygande svar måste flera förmågor fungera samtidigt. Modellen måste skriva giltig SVG, skapa en igenkännbar cykel, återge pelikanens anatomi någorlunda korrekt, placera fågeln på rätt plats i scenen och få separata objekt att samspela på ett visuellt trovärdigt sätt.

Det gör testet användbart för att observera:

• generering av SVG- och frontendkod,
• objektgeometri,
• rumslig komposition,
• anatomisk konsekvens,
• interaktion mellan objekt,
• instruktionsföljande,
• och effektivitet i förhållande till resonemangsinsatsen.

Det mäter inte direkt faktamässig korrekthet, vetenskapligt resonemang, kodning på arkivnivå, agenttillförlitlighet, yrkeskunskap eller generell intelligens.

Simon Willison, som upprepade gånger har använt prompten på olika modellgenerationer, har också blivit mer försiktig med den. Nu ser han den främst som ett snabbt beteendetest och ett användbart sätt att jämföra lanseringar inom samma modellfamilj, snarare än som ett universellt mått på intelligens.

Hans analys av Kimi K3:s pelikan varnar uttryckligen för att behandla enskilda Pelican-resultat som en seriös modellrankning.

Den begränsningen är viktig eftersom moderna modeller nu är tillräckligt bra för att visuell känsla i allt högre grad påverkar resultatet. När varje utdata innehåller en igenkännbar fågel och cykel kan en vacker solnedgång eller en fiskkorg få en bild att kännas smartare, även när en annan modell har mer korrekt geometri.

Hur presterade GPT-6 Astra i cykeltestet med pelikanen?

Det viktigaste resultatet för GPT-6 Astra är inte bara att Max ser imponerande ut. Det är att Low redan producerar en mycket bättre Pelican än den tidigare GPT-5.6-familjen.

Willison testade Astra med resonemangsnivåerna Low, Medium, High, XHigh och Max. Hans registrerade antal utdata-token ökade från 1 906 vid Low till 12 638 vid Max.

Willisons starkaste observation var att Astra Low såg bättre ut än någon GPT-5.6 Sol Pelican som han hade genererat på någon resonemangsnivå. Det gör detta mindre till en fråga om Max-resonemang och mer om en generationsmässig ökning av den grundläggande förmågan till visuell kodning.

Cykeln blir mer sammanhängande, pelikanen blir tydligt integrerad med fordonet och hela scenen kräver mindre tolkning från betraktaren.

Men uppgiften är fortfarande inte perfekt löst. Under Max placerade Astra inte tillförlitligt de två benen på varsin sida om cykelramen.

Det är precis därför detta fåniga benchmark fortfarande är användbart. Ett polerat resultat kan ge ett omedelbart intryck av kompetens, medan en liten relation som benens placering avslöjar om scenen är strukturellt konsekvent.

Astra verkar förstå kompositionen bättre, men Pelican-testet kan inte fastställa att den upprätthåller en människolik fysisk modell av hur man cyklar.

GPT-6 Astra förekom också i OpenAI:s utvecklardemonstration

OpenAI:s utvecklarpresentation av GPT-6 Astra innehåller ytterligare en Pelican-referens, samtidigt som den demonstrerar rikare visuell och tredimensionell generering. Detta är inte samma kontrollerade SVG-körning och bör därför ses som kompletterande belägg snarare än som en del av jämförelsen.

Ytterligare ett visuellt exempel med GPT-6 Astra från OpenAI:s utvecklarpresentation. Det bör inte jämföras direkt med det kontrollerade SVG-rutnätet.

Claude Fable 5.1: Ger mer tänkande en bättre Pelican?

Claude Fable 5.1 visar att extra resonemang kan förbättra geometriska relationer – men också hur snabbt kostnaden för en enkel visuell uppgift kan skena.

Low och Medium blev klara på ungefär 23 sekunder och kostade omkring tio cent vardera. High tog cirka 29,6 sekunder.

Sedan förändrades kurvan dramatiskt.

Max-resultatet förbättrar detaljer som spelar roll. De två benen är tydligt placerade på varsin sida om cykelramen, fötterna når pedalerna, en vinge når styret och cykelns geometri får betydligt mer genomtänkt uppmärksamhet.

Resonemangsspåret är särskilt avslöjande eftersom Fable aktivt omprövade delar av teckningen. Den upptäckte problem i geometrin för den främre gaffeln, omprövade hjälmens placering runt näbben och kontrollerade upprepade gånger om dekorativa element skulle kollidera med resten av scenen.

Det ger oss en sällsynt synlig koppling mellan mer resonemang och ett mer internt konsekvent resultat.

Men kostnadsskillnaden är enorm.

Den användbara frågan är inte om Max är bättre. Det är om en Pelican på nästan 14 minuter är värdefull nog för att motivera mer än 30 gånger kostnaden för Low.

Claudes Pelican animerades sedan i ett andra steg

Den offentliga animationen skapades inte av den ursprungliga Pelican-prompten. Willison tog Max-SVG:n och skickade tillbaka den till Fable 5.1 med en separat instruktion om att animera det befintliga resultatet.

Den andra körningen använde 6 121 indatatoken och 26 201 outputtoken och medförde ytterligare en registrerad kostnad på cirka 1,37 dollar.

Eftersom animationen var en andra uppgift bör den inte rankas direkt mot de statiska engångsresultaten från andra modeller. Den är ändå användbar för att visa vad som händer när modellen måste bevara geometrin samtidigt som den introducerar rörelse.

Se den ursprungliga animerade Pelican från Claude Fable 5.1.

Gemini 3.8 Flash: Innebär visuell finess bättre förståelse?

Gemini 3.8 Flash utmärker sig av en annan anledning: den får riktmärket att se ut som illustrationsarbete i stället för en geometrisk övning.

High-resultatet innehåller en turkos cruiser-cykel, en röd halsduk med prickar, en fiskkorg, en strandpromenad och en glödande bakgrund vid havet.

Den är omedelbart tilltalande.

Det gör Gemini till ett användbart exempel på ett problem med visuella riktmärken: människor belönar naturligt stil.

En mer förfinad komposition kan uppfattas som intelligentare innan vi granskar om cykelramen sluts korrekt, om foten verkligen når pedalen eller om pelikanens kropp är konsekvent placerad i förhållande till sadeln.

Visuell förfining är en verklig förmåga, men visuell förfining och fysisk konsekvens är olika förmågor.

I takt med att modellerna förbättras mäter Pelican Test alltmer båda delarna. Därför är enkla rankningar av vinnare mindre meningsfulla än att granska de specifika sätt som varje modell lyckas eller misslyckas på.

Qwen 3.8 27B: Kan en lokal modell på 17 GB mäta sig med pelikaner från frontlinjemodeller?

Qwen 3.8 27B kan vara det viktigaste resultatet för användare av lokal AI, eftersom detta inte var en massiv modell som endast körs i molnet.

Willison körde lokalt en kvantiserad Q4_K_M-version på ungefär 17 GB via LM Studio, inklusive experiment på lokal hårdvara med mycket minne.

Resultatet är ovanligt sammanhängande för en modell som kan paketeras i en kvantiserad fil på ungefär 17 GB.

Cykeln har den förväntade ramformen. De två benen syns på motsatta sidor av cykeln, vilket är ett förvånansvärt svårt förhållande för många modeller. Pelikanen har en tydlig hakpåse, dess vinge når styret och rörelselinjerna är placerade bakom i stället för att skära genom scenen.

Willison beskrev den som den bästa Pelican-SVG:n han dittills hade genererat lokalt.

Men det finns en stor hake.

Qwen 3.8 27B övertänkte uppgiften rejält.

På modellens standardnivå för xhigh-resonemang tog det omkring 21 minuter. Den använde 22 276 resonemangstoken innan den genererade 3 223 slutliga outputtoken.

När resonemang inaktiverades sjönk genereringen till lite över två minuter, men resultatet blev märkbart sämre.

Bildrutan blev svagare, fötterna missade pedalerna och modellen gjorde inte längre något seriöst försök att koppla vingen till styret.

Detta skapar nästan den motsatta berättelsen jämfört med GPT-6 Astra.

Astras mest imponerande egenskap är att Low redan är starkt. Qwen 3.8 27B visar hur mycket visuell kvalitet som kan utvinnas ur jämförelsevis kompakt lokal hårdvara om modellen tillåts lägga mycket tid på resonemang.

Det är inte ett bevis på att en modell på 17 GB överlag har hunnit ikapp GPT-6. Det är ett bevis på att ”tillräckligt liten för att köras lokalt” och ”kapabel att producera sofistikerade strukturerade utdata” inte längre utesluter varandra.

Qwen 3.8 Flash-Next: Vad kan en MoE-modell med 6 miljarder aktiva parametrar rita?

Qwen 3.8 Flash-Next ger ytterligare en datapunkt för lokal AI från en helt annan arkitektur.

Modellen har totalt 125 miljarder parametrar men aktiverar ungefär 6 miljarder parametrar för varje token. Den skillnaden kan minska beräkningskraven, även om den fullständiga uppsättningen vikter fortfarande är mycket större än 6 miljarder.

xhigh-resultatet är en välpolerad scen. Pelikanen sitter ovanför en röd cykel, en fisk ligger i den främre korgen och själva cykeln behåller en igenkännbar struktur i stället för att falla sönder i osammanhängande bågar och rör.

Det intressanta med detta resultat är inte huruvida det är vackrare än Gemini eller Astra.

Det är just detta som gör att glesa MoE-modeller gör enkla jämförelser av parameterantal mindre användbara.

En modell med 125 miljarder parametrar, varav ungefär 6 miljarder är aktiva, beter sig inte som en konventionell tät modell med 6 miljarder parametrar och har inte heller samma lagrings- och minnese­genskaper.

Pelikanen visar kapacitetssidan av den ekvationen: relativt låg aktiv beräkningskapacitet kan fortfarande samordna en förvånansvärt sofistikerad strukturerad scen.

Qwen 3.8 Max: Vad förändras när modellen blir mycket större?

Qwen 3.8 Max ger en användbar jämförelse i den övre delen inom samma bredare modelfamilj.

Resultatet är rent och lätt att tolka. Benen når pedalområdet, cykeln har en konventionell form och scenen som helhet är tillräckligt enkel för att geometrin ska förbli tydlig.

Men Qwen Max förstärker en annan lärdom från testet:

En större modell bör inte automatiskt få ett högre betyg bara för att den är större.

För praktisk lokal AI kan Qwen 3.8 27B faktiskt vara den mer intressanta Pelikanen, eftersom den berättar något om vad som kan köras på hårdvara som en avancerad hemanvändare realistiskt skulle kunna äga.

Max visar en modells tak. Det lokala resultatet med 27B visar framsteg inom driftsättning.

Kimi K3: Hur mycket resonemang behöver en enda pelikan?

Kimi K3 skapade ännu en sammanhängande Pelikan, men dess dolda beräkningsanvändning kan vara mer intressant än bilden.

Prompten var bara några få ord lång, men den registrerade körningen använde 95 indatatoken och 16,658 utmatningstoken.

Av dessa utmatningstoken var 13,241 resonemangstoken.

Den registrerade kostnaden var cirka 0,25 dollar för den körningen.

Den slutliga scenen är kompetent: en igenkännbar cykel, en igenkännbar pelikan, rimlig placering av cyklisten, bakgrundsdetaljer, väg och rörelseelement.

Men siffrorna avslöjar något som bilden inte gör.

Ett visuellt enkelt resultat kan dölja en enorm mängd arbete på modellsidan.

Det spelar roll för verkliga tillämpningar. En modell kan verka billig när den bedöms utifrån ett enda lyckat resultat, men bli dyr eller långsam när samma resonemangsmönster upprepas hundratals gånger i ett agentarbetsflöde.

För Kimi blir Pelikanen nästan lika mycket ett test av resonemangseffektivitet som ett ritprov.

DeepSeek V4 Pro: Varför ser olika resonemangsnivåer ut som olika modeller?

DeepSeek V4 Pro 0813 skapade en av de märkligaste jämförelserna av resonemang i arkivet.

Låg, medium och hög såg inte bara ut som allt mer förfinade versioner av samma design. De verkade följa olika visuella strategier.

DeepSeek V4 Pro 0813 med lågt, medelhögt och högt resonemang. Källa: Simon Willisons test av DeepSeek V4 Pro.

Låg är relativt ren och minimalistisk. Medium blir dramatiskt mer abstrakt: trasiga hjulbågar, löst linjearbete och en märkligt utdragen form dominerar kompositionen. Hög byter åter riktning och återgår till en mer konventionell röd cykel, samtidigt som en korg, en vimpel och noter läggs till.

Lärdomen är inte helt enkelt ”Hög är bättre.”

Resonemangsansträngningen verkar påverka vilken visuell strategi modellen väljer, inte bara hur noggrant den utför en och samma komposition.

Detta gör DeepSeek V4 Pro till en utmärkt påminnelse om att en enda skärmbild är ett mycket svagt underlag för att hävda att en modell är bra eller dålig på visuell kodning.

Variansen i sampling spelar roll. Inställningarna för resonemang spelar roll. API:t eller testmiljön kan också spela roll. Pelikanen gör dessa skillnader synliga eftersom vi kan granska resultatet direkt.

DeepSeek V4 Flash: Kan mer resonemang laga en trasig cykel?

DeepSeek V4 Flash 0731 ger ett ännu tydligare exempel på hur resonemang påverkar geometrin.

Körningen med standardinställningar skapade en allvarligt felaktig cykel. Hjulen framstod som ofullständiga bågar, ramrören svävade utan att sitta ihop och pelikanen svävade över scenen i stället för att övertygande cykla.

Willison ökade sedan resonemangsansträngningen till hög nivå med samma grundläggande uppgift.

Resultatet förändrades dramatiskt.

Resultatet på hög nivå har kompletta hjul, en igenkännbar ram, ett vevområde, en pelikan som greppar styret och en fot placerad nära pedalen.

Detta bevisar inte att mer resonemang alltid förbättrar visuell generering.

Det antyder att vissa dåliga SVG-resultat beror på samordningsproblem snarare än att modellen helt saknar en representation av cykelgeometri.

Delarna kan redan finnas inuti modellen; extra resonemang kan ibland hjälpa till att sätta ihop dem korrekt.

Varför DeepSeek V4 Flash en gång slog V4 Pro med samma pelikanprompt

En tidigare jämförelse av DeepSeek V4 gav ännu ett kontraintuitivt resultat.

Källa: Simon Willisons jämförelse av DeepSeek V4.

Flash-versionen hade en utmärkt cykel enligt Pelican-Test-standard: en igenkännbar ram, synlig kedja, en reflex, vingar som nådde styret och fötter på pedalerna.

Pro-modellen behöll en någorlunda rimlig cykel men skapade en mycket märkligare pelikan med överdimensionerad kropp och inkonsekvent anatomi.

Detta bör inte tolkas som bevis för att Flash generellt är smartare än Pro.

Det visar något mer avgränsat och användbart:

Modellstorlek och rykte i benchmarktester garanterar inte det bästa resultatet från en enda stokastisk prompt för visuell kodning.

GLM-5.3-Flash jämfört med DeepSeek V4 Flash: Vad händer när modellerna får verktyg?

GLM-5.3-Flash introducerar en annan typ av pelikanexperiment.

En jämförelse från communityn använde en agentmiljö i stället för det enkla testet på en rad. Både GLM-5.3-Flash och en experimentell DeepSeek V4 Flash-visionkonfiguration kördes med OpenCode, Trellis, Chrome MCP och maximal resonemangsnivå.

Instruktionen bad modellerna skapa en komplett HTML-sida med en 2D-SVG-animation och sade uttryckligen åt dem att behandla uppgiften som en tävling.

Det förändrar vad som mäts.

Modellen skapar inte längre bara en SVG från en prompt. Den kan lägga mer tid på uppgiften, använda verktyg, granska en webbläsarmiljö och agera mer som en kodningsagent.

GLM-5.3-Flash-animerad pelikan

GLM-5.3-Flash-animationen producerades med OpenCode, Trellis, Chrome MCP och Max-resonemang. Källa: ursprunglig jämförelse från communityn.

GLM-resultatet är betydligt mer ambitiöst än de statiska pelikanerna ovan. Det innehåller en komplett scen, tydliga cykelkomponenter, rörelse, pedaler och en mer innehållsrik presentation på sidnivå.

Kommentarer från communityn föredrog generellt GLM-resultatet, och flera pekade på det mer kompletta pedal- och animationsarbetet.

Det finns fortfarande synliga misstag. Vissa fotrörelser ser mekaniskt onaturliga ut, och fler animationer skapar fler möjligheter för relationer att brytas.

Detta skapar en användbar åtskillnad:

Ett resultat med fler funktioner är inte automatiskt ett resultat som är mer fysiskt korrekt.

DeepSeek V4 Flash Vision – animerad pelikan

DeepSeek V4 Flash Vision-experimentet genererades i samma verktygsassisterade miljö. Källa: communityns testmetod och diskussion.

DeepSeek-versionen tar en annan ansats med en solnedgångskomposition och en renare responsiv presentation.

Återkopplingen från communityn föredrog generellt GLM:s mekaniska fullständighet, samtidigt som DeepSeek fick erkännande för visuell komposition och presentation på mobila enheter.

Ännu viktigare är att båda resultaten visar hur snabbt innebörden av ett AI-benchmarktest förändras när verktyg introduceras.

Systemet som testas är nu:

• basmodellen,
• resonemangskonfiguration,
• agenttestmiljö,
• webbläsarverktyg,
• visuell återkoppling,
• körtid,
• och iterationsstrategi.

Att helt enkelt kalla resultatet ”GLM kontra DeepSeek” döljer mycket av det som faktiskt skapade artefakten.

Varför pelikaner i ett enda steg och agentassisterade animationer inte bör dela samma ranking

Denna åtskillnad är tillräckligt viktig för att tydliggöras.

En stark agentassisterad animation är sannolikt mer relevant för moderna kodningsarbetsflöden än en SVG-bild som genereras i ett enda steg.

Men det är ett annat test.

Om GPT-6 Astra får ett svar medan GLM får tjugo minuter, en webbläsare och visuell återkoppling kan vi inte ansvarsfullt hävda att den slutliga animationen bevisar att GLM är bättre på det ursprungliga benchmarktestet.

Det som testet visar är att modeller blir avsevärt mer kapabla när de placeras i system som kan granska, köra och revidera sitt eget arbete.

Vilken AI-modell klarade faktiskt Pelikan- och cykeltestet bäst?

Det finns ingen enda vetenskapligt försvarbar vinnare, men de aktuella resultaten visar tydligt flera utmärkande resultat inom olika kategorier.

Om frågan helt enkelt är vilken aktuell modell som skapar den starkaste Pelican-bilden i ett enda steg med minimalt resonemang är GPT-6 Astra svår att bortse från.

Om frågan är vilket resultat som är mest överraskande för hårdvara som faktiskt kan stå på ett skrivbord och köras lokalt blir Qwen 3.8 27B mycket viktigare.

Om testet går från generering i ett enda steg till ett arbetsflöde med kodningsagent, verktyg och iterationer visar GLM-5.3-Flash hur mycket högre taket kan bli.

Det är tre olika frågor, vilket är precis varför en enda numerisk vinnare skulle dölja mer än den förklarar.

Förstår dessa AI-modeller verkligen vad de ritar?

Pelican Bicycle-testet kan inte bevisa genuin fysisk förståelse.

En modell kan generera en cykel som ser korrekt ut eftersom träningen har gett den kraftfulla representationer av cyklar, fåglar, SVG-kod och vanliga visuella kompositioner.

Att framgångsrikt samordna dessa representationer är ett tecken på användbar rumslig kompetens.

Det fastställer inte att modellen förstår balans, gravitation, mekanisk belastning, pedalrörelse eller förflyttning på samma sätt som en människa gör.

De återstående felen gör detta särskilt tydligt.

Astra kan skapa en attraktiv cykel men ändå placera båda benen fel runt ramen. Claudes animerade hjul kan avslöja rörelseproblem som var osynliga i den statiska SVG-filen. Qwen kan använda 22 000 resonemangstoken för att bygga en scen som en annan modell producerar mycket snabbare. DeepSeek kan skapa en trasig cykel på en resonemangsnivå och en sammanhängande på en annan.

Dessa modeller blir allt bättre på att konstruera visuella strukturer utifrån språk.

Om det bör beskrivas som ”förståelse” beror på vilken nivå av intern representation vi kräver av ordet.

Varför de kinesiska öppna modellerna är den mest intressanta delen av det här testet

Den viktigaste förändringen sedan tidigare versioner av Pelican-testet är kanske inte att GPT-6 skapar en bättre fågel.

Det är att öppna modeller som kan köras lokalt nu ger resultat som förvånansvärt nyligen skulle ha sett ut att tillhöra frontlinjen.

Qwen 3.8 27B kan lokalt generera en sammanhängande pelikan från en kvantiserad modell på ungefär 17 GB. Qwen 3.8 Flash-Next kombinerar en stor total MoE-kapacitet med betydligt lägre aktiv beräkningskraft. DeepSeek V4 Flash kan återhämta sig från ett trasigt visuellt resultat när ytterligare slutledning aktiveras. GLM-5.3-Flash kan arbeta i en kodagentloop med webbläsarstöd och skapa ett sofistikerat animerat resultat.

Det betyder inte att de universellt har kommit ikapp GPT-6 Astra eller Claude Fable 5.1.

Det innebär att gapet blir specifikt för olika arbetsbelastningar.

För de svåraste slutledningsproblemen kan molnmodeller i frontlinjen fortfarande ha en tydlig fördel.

För strukturerad generering, programmering, privata arbetsflöden och allt mer sofistikerade lokala agenter blir frågan mindre självklar.

Pelikan-testet visualiserar av en slump samma trend som pågår inom lokal AI: frontlinjen fortsätter att flytta sig, men kapabilitetsnivån som finns tillgänglig utanför frontlinjen rör sig nästan lika snabbt.

Vad bör vi lära oss av pelikanerna?

Det tydligaste resultatet är inte att en AI äntligen har lärt sig hur en pelikan ska cykla.

Det är att baskvaliteten hos kodgenererade visuella resultat snabbt förbättras, samtidigt som skillnaderna mellan modellerna blir allt mer subtila.

GPT-6 Astra visar att stark strukturerad visuell generering nu kan förekomma även med låg slutledningsnivå. Claude Fable 5.1 visar hur mycket extra beräkningskraft som kan läggas på att reparera geometri. Gemini 3.8 Flash visar hur stark estetisk komposition kan påverka mänskligt omdöme. Qwen 3.8 27B visar vad som är möjligt med en kompakt lokal installation. Kimi K3 blottlägger den dolda kostnaden för tung slutledning, medan DeepSeek visar hur instabila enskilda visuella genereringar fortfarande kan vara.

GLM-5.3-Flash kompletterar bilden: när en modell får webbläsarverktyg, visuell återkoppling och tillåtelse att iterera börjar benchmarktestet mäta ett AI-system snarare än en isolerad modell.

Det gör Pelikan-cykeltestet mindre användbart som topplista och mer användbart som mikroskop.

Det blottlägger skillnaden mellan:

• en modell som kan skriva giltig SVG,
• en modell som kan bevara rumsliga relationer,
• en modell som kan använda mer beräkningskraft för att rätta till misstag,
• en lokal modell som kan närma sig ett resultat som ser ut att komma från frontlinjen,
• och ett agentsystem som kan granska och förbättra sitt eget resultat.

GPT-6 Astra kan för närvarande skapa en av de starkaste pelikanerna, men den större berättelsen är att Claude, Gemini, Qwen, DeepSeek, Kimi och GLM nu misslyckas – och lyckas – på allt mer sofistikerade sätt.

Fågeln är fortfarande absurd. Benchmarktestet är ofullkomligt. Men som en visuell ögonblicksbild av hur snabbt modellbeteendet förändras är Pelikan-cykeltestet fortfarande förvånansvärt avslöjande.