鹈鹕测试实测：DeepSeek Harness 不同模式效果对比

什么是鹈鹕测试

最近在AI社区里流传着一个被称为「鹈鹕测试」的评测方法。它源自一位研究者提出的实验：让大语言模型生成一段代码，绘制出一只骑自行车的鹈鹕图像，用来直观检验模型的空间理解、绘图逻辑与推理能力。因为鹈鹕的身体结构、自行车的机械部件都相对复杂，模型很容易在细节上「翻车」，所以这个看似简单的任务成了衡量模型综合能力的趣味标尺。

本次实测我找到了这个测试的原始出处，包括提出者使用的提示词和评测记录，然后把它放到 DeepSeek^广告 Harness 上跑了一遍，重点对比不同运行模式下的输出差异。

鹈鹕测试本质上属于「代码生成 + 视觉推理」的复合型评测：模型需要用编程语言（通常是 Python 配合 matplotlib、turtle 或 SVG 等绘图库）将抽象的视觉概念转化为可执行的坐标与路径指令。这要求模型同时具备三项能力——对鹈鹕身体结构的生物知识、对自行车机械部件（车架、车轮、踏板、车把等）的空间拓扑理解，以及将两者结合时的比例与接触关系推算。由于绘图代码中的每一个坐标值都必须在全局坐标系中保持一致，任何局部的空间误判都会直接体现在最终图像里，因此它比纯文字推理题更难「蒙混过关」，也比直接调用文生图模型更能反映语言模型自身的推理深度。

极简模式：拿到最强推理

第一轮测试使用的是极简模式。根据社区讨论的经验，DeepSeek 的极简模式搭配 Max，往往能激发出模型最强的推理能力，而其他模式的组合则相对保守。提示词本身非常精简，属于通用（Generic）类型，没有做过多的引导。

在运行过程中有一个值得关注的细节：是否关闭搜索会影响模型的行为。如果不主动关闭搜索，模型可能会调用联网工具去检索相关内容。从工具调用记录里其实可以观察到它到底有没有触发搜索——这也是判断输出是纯推理还是掺杂了外部信息的重要线索。

第一次跑出来的结果显得有些磕磕绊绊，代码把某些元素写进了不太合理的位置。比如某些部件本应绘制到「工作室」这样的目标结构里，模型却写到了别处。虽然整体能跑通，但细节处理并不算精致。

DeepSeek Harness 中的「极简模式」与「标准模式」主要区别在于系统提示词（System Prompt）的复杂程度以及对模型行为的约束层级。极简模式剥离了大部分格式化指令和安全护栏提示，让模型更直接地面对用户输入，理论上减少了中间层对推理链的干扰。「Max」则通常指思维链（Chain-of-Thought）的推理预算上限——允许模型在输出前进行更长时间、更多步骤的内部推演。两者叠加的效果是：模型既少受格式约束，又有充足的「思考空间」，因此在需要多步空间推理的任务上往往表现更突出。代价是响应延迟更长、token 消耗更高。

标准模式 + Max 的对比

为了做横向对比，我新建对话后换成标准模式搭配 Max 重新跑了一遍。这一次的生成速度明显快了不少，可能是因为模型在开始阶段就一次性完成了主体结构的规划，后续输出更加流畅。

从结果看，标准模式绘制的鹈鹕在车轮和辅助部件上与极简模式有明显差异。不过依然存在老问题：鹈鹕的「手」似乎够不到车把，肢体与自行车之间的空间关系没有完全对齐。这类问题几乎是所有模型在处理复杂机械结构时的通病，反映出当前模型在精细空间推理上的局限。

标准模式 + 中短推理

第三个版本使用标准模式加中短推理配置。相比前两轮，这个组合的推理链更短，理论上会牺牲一部分细节质量来换取效率。

实测结果印证了这一点：生成的图像出现了「小短手」的问题，鹈鹕肢体比例不太协调，整体审美只能说中规中矩。但也不能说太差——基本形态是完整的，只是在细节与美感上不如极简模式加 Max 的组合。

几点观察与结论

把三轮测试放在一起看，可以得出几个直观结论：

• 模式选择直接影响输出质量：极简模式加 Max 更倾向于释放模型的完整推理能力，而中短推理模式则偏向效率优先。
• 搜索开关是变量：是否联网会改变模型的处理路径，做纯能力评测时建议关闭搜索，以免结果被外部信息干扰。
• 复杂空间关系仍是难点：无论哪种模式，鹈鹕与自行车之间的肢体接触、车轮结构等细节都容易出错，说明这类任务对当前模型依旧有挑战性。

鹈鹕测试的价值不在于分出绝对的高下，而在于用一个统一、有趣的任务，直观暴露不同模型和不同运行配置之间的能力边界。对于想评估 DeepSeek 或其他大模型实际表现的用户来说，这是一个成本低、可复现的参考方法。

需要说明的是，本次测试基于单次运行的主观观察，样本量有限，结果仅供参考。想得到更严谨的结论，还需要多轮重复测试并引入更客观的评分标准。