ice 大作开发以年计，团队要搭城市和关卡、设计战斗规则，让角色、武器、物理与画面在玩家按键时正确配合。而几乎每款新 AI 模型发布后，网上都会迅速出现一批游戏。Claude Opus 5.5 发布时，Anthropic 展示了不同模型按同一条提示词做游戏的结果，并称 Opus 5.5 在画面和完成度上得分最高；OpenAI 介绍 GPT-6 Astra 的计算机操作能力，也把游戏开发列进重点演示；Kimi K3.1 Pro 上线后，社区让它与 Claude、GPT、DeepSeek 同场制作射击、农场、赛车和迷宫游戏，比较生成时间、价格与最终效果。Genie 4 的官方说法是可交互世界、实时模拟、可探索原型，看着仍然很像游戏。
模型发布后的传统节目原本是跑分，如今越来越多人选择让它做一款游戏。这种做法有前身。2024 年，Simon Willison 用同一句提示词测试不同模型：直接写出「鹈鹕骑自行车」的 SVG 代码，不能只给图。任务看似玩笑，做起来并不容易：自行车要有两个对齐的轮子、相连的车架、车把与踏板，鹈鹕要坐在车座上、脚靠近踏板、比例合理。漏掉一个标签可能渲染失败，坐标偏一点，鹈鹕就悬在车外。早期模型交出的往往只是两个圆、一个三角形和一只勉强认得出的鸟；到 2026 年，新模型会补上羽毛、长喙、脚蹬和车链，还会加上鱼篮、帽子和随动作变化的景物。
鹈鹕测试不是严谨的 benchmark，只跑一次，不控制推理档位、成本和工具，也证明不了哪个模型综合能力最强，它流行是因为不需要解释：空间关系合不合理、代码有没有变成图像，一眼可见。游戏延续同一种逻辑，只是把静止的 SVG 换成可操作的系统——前者看代码能否组织成连贯画面，后者看用户操作之后，模型搭起的框架和组件还能不能继续运转。
以常见的「单提示词做 FPS」为例：玩家持枪移动，敌人从远处靠近，开枪有命中反馈，清完一波进入下一关。十几秒的操作背后，模型要同时搭起三维场景和第一人称相机、鼠标视角与键盘移动、武器敌人与障碍物及其距离遮挡、子弹轨迹与碰撞判定、扣血动画与计分、敌人的寻路，以及关卡在何时何处放出下一波。这些部分单独写对已属不易，要让它们彼此配合，考验的是模型组织系统的能力。
