俩小时就烧掉400块Token后，我终于看懂Claude Fable 5有多猛

Claude Fable 5 在 6 月 10 日发布之后，知危在推特上围观了大量展示案例。印象最深的，倒不是那些 UI 设计、物理模拟，或者一天之内迁移五千万行代码的代码库——毕竟超出个人认知范围的事，说了也白说。反而是被一个看起来特别简单的例子给吸引了。

来源：https://x.com/ProperPrompter/status/2064405487492452856

提示词：
使用 SVG 模拟像素艺术，创建一个精美且细节丰富的可爱动物场景。每个“像素”的大小应该相同。

用 SVG 让大模型画图，先前也不是没人试过。但这次是知危第一次感觉，AI 作画的画面是那么自然协调：不管动物的形态、环境的氛围，还是颜色的组合，都让人觉得 Claude Fable 5 像是“用眼睛看着”在画。

而在看到下面这个案例之后，加上它火速通关《宝可梦：火红》的战绩，这不由得让人产生一个强烈的联想：Claude Fable 5 或许真的拥有某种 3D 视觉思维，或者说，某种“空间智能”。

于是，在这期测评里，知危打算重点考验一下 Claude Fable 5 用代码构建视觉概念的能力。（全程使用 Claude Code 测试）

网友似乎更热衷于让 Claude Fable 5 直接搭一个《我的世界》。但问题是，里面绝大部分是平凡的地形元素。要验证模型是否真有“视觉思维”，还是应该让它去实现一些非平凡的概念和性质：比如带有 IP 属性的形象、二次组合创新、对原创设计的即时理解等。

不过，正式开始之前，还是先用一个比较复杂的案例，看看 Claude Fable 5 的基础编程能力。

在一个曾经用来挑战过 Gemini 3 Pro 等模型的 3D 引擎案例上，Claude Fable 5 交出了目前为止最好的答卷。需求全部实现、没有 bug 之外，它是所有参与测试的 AI 中唯一一个没有漏掉左侧模板库的。

当然，这只是前菜。毕竟网页版的 Claude Sonnet 4.6（low effort）在这个案例上也基本能搞定。

接下来，才是真正考验视觉理解和构建能力的时候。

再来一个乔巴，惊喜远多于槽点。

继续，加一个路飞放在他们身后，并且特意强调了是“3 档形态”。Claude Fable 5 很好地理解了在这种形态下，路飞那巨大的手臂。

最后，想让场景更丰富一些，就要求它画出路飞的海贼船——“黄金梅利号”，并让他们三个站在甲板上。

结果不太理想。那么大一艘海贼船，被 Claude Fable 5 画成了只能在景区湖里用的小船。不过，模型有刻意去还原船头的羊头标志和海贼旗，也算是很细节了。

做完上述测试，Claude Code 消耗了 43% 的 5 小时额度，以及价值 7.29 美元的 Token。价格确实不菲，想玩得尽兴，Pro 级订阅可能不太够用。

“黄金梅利号”的“崩塌”，可能是工作空间太小，导致 Claude Fable 5 难以发挥。

接下来，打破引擎框架的限制，开始构建更复杂的对象。让 Claude Fable 5 直接用 Three.js 来构建《我的世界》风格的艾尔迪亚王国——也就是《进击的巨人》中，由三堵圆形城墙为框架建立的城堡。

提示词：
你将使用 Three.js 构建一个第一人称体素（Minecraft-like）沙盒原型，自由组织项目，可以引入依赖和后处理。
目标：实现一个以《进击的巨人》“艾尔迪亚王国三层城堡”为核心的可交互体素世界。
核心场景：艾尔迪亚三层城堡。世界核心是一个巨大的“帕拉迪岛风格王都城堡”，采用三层城墙结构：玛丽亚，罗塞，希娜。
核心体验：玩家出生在最外层的城墙（玛丽亚）上方，可沿城墙环绕行走，可从城墙落到地面，可从地面爬上城墙。世界是程序生成的体素地形，要有村庄、城堡、河流、草原和树林。
玩法基本保留 Minecraft 经典手感：第三人称，WASD+鼠标，左键破坏，右键放置，带物品栏。其余细节由你发挥，打开第一眼就要被城墙和夕阳震住。
如果实现成功，应满足：
玩家进入世界后看到三层城墙明显分层结构；
能在不同层之间移动（楼梯/绳索/地面）；
第一层复杂、第二层规整、第三层宏伟；
可以自由破坏/放置方块；
城堡结构在视觉上“可读”（一眼看出三层权力结构）。

提示词没太多讲究，关键在于多强调目标、验收标准，而不是过程。

不过，使用 Chrome CLI headless 截图可能会触发 Mac 权限限制等问题，导致进度一直停滞。参考了 ChatGPT 的建议，把原方案改为 Playwright 方案（Playwright 是一个开源的浏览器测试和网页抓取自动化库），这才顺利完成了项目。

来看看效果如何：

一眼看过去还是非常惊艳的。一个镜头就能直接把夕阳下三堵巨大城墙的视觉效果呈现给你。城墙上的竖条纹非常符合原作的特点。你甚至还能发现，作为主角的士兵可以确定是调查兵团的，因为披着绿色的披风。

当然，这个结果的复杂度，肯定还远比不上人类的 Minecraft 作品。比如下面，由 DSOGaming 的创始人兼主编 John Papadopoulos 创作的作品。

要知道，Claude Fable 5 只是完成了艾尔迪亚王国的宏观框架。平原上的村庄、森林过于凌乱而随意，最核心的居民区——也就是瓮城——连个影子都没有，城墙之间间距过窄，谈不上任何“史诗级”的氛围。

反过来看，Claude Fable 5 搭建出来的成品，至少没有和我搜索到的任何相关作品雷同。所以目前来看，这是它基于自己的理解、而非套训练数据做出来的概率，相对更高一些。

接下来，就要加难度了，主要是把上述槽点都修一修。

调整宏观尺寸。

提示词：
请调整尺寸，人身高:城墙高度=1:50，城墙高度:相邻城墙距离=1:20。在每个城门的部分，还有再略为向外突出的半圆形城墙的瓮城。

Claude Fable 5 分析了需求，认为间距过大会让三堵墙无法在视觉上一镜同屏，且需要重写为流式生成——后面会解释，这是基于视觉渲染效率的考虑。它竟然提供了三个完全不同的选项：要么保持当前间距，要么去实现极端大间距，要么做一个折中。

按原来提示的极端大间距下，同屏是不可能的，很影响视觉氛围，而且从一堵墙到另一堵墙的徒步时间过长。最后选择了折中方案。

折中方案也不错，三堵墙一眼尽收眼底。

乍一看，会觉得 Claude Fable 5 用平滑的、无结构的墙面来偷懒，城墙上还有莫名其妙的缺口。但走近了之后，才理解它的苦心。

随着离城墙越来越近，墙面的真实结构也逐渐显露出来，原来的缺口也被填补了。

追问了一句：“为什么将城墙半径扩大需要很大量的工程？具体有哪些工作内容和挑战？”

Claude Fable 5 解释道：

这应该是指，如果要把场景内的所有细节一次呈现给你，内存占用过高，会无法流畅运行。所以一般是近景才做细节渲染，远景只做粗糙些的渲染——也就是所谓的流式生成或流式渲染。这其实是很多游戏、特别是开放世界游戏的常用优化手段。

重点是，它就连优化和折中的重点，也放在了视觉层面。

但瓮城里是真的什么都没有，连门都给封住了。

还好，Claude Fable 5 按要求提供了爬上城墙的楼梯——这可是原作里不存在的东西。

接下来，要完善一些细节，并且分三步，给它一个终极大考。

第一考：在玛丽亚之墙和罗塞之墙之间的平原上，构建一个超大型巨人，身高和城墙相当。

结果如下：

这个巨人虽然有点像闪电侠，但按完成度来看没有什么大毛病。当然，这也只是个前菜，提供一些氛围感。

第二考：到目前为止，主要感受了 Claude Fable 5 还原 IP 特征的能力、从游戏玩家视角思考构图的能力（比如流式渲染）、在细节上组合创新的能力（比如在城墙上嵌入楼梯）。那么还差最后一点：基于原创设计的即时理解能力。

给 Claude Fable 5 提供了一张来自艺术家 Jarlan Perez 的机器人概念设计作品，让它在罗塞之墙和希娜之墙之间的平原上，把机器人复刻出来，身高也和城墙相当，并把玩家的出生点从玛丽亚之墙转移到罗塞之墙，便于验收和观察。

参考图：

结果如下：

另外也能看出，Claude Fable 5 有刻意将玛丽亚之墙和罗塞之墙之间的城市做得更加规整一些——虽然希娜之墙内部还是很敷衍。

最后一考不看局部细节，而是让 Claude Fable 5 直接挑战人类。

也就是看它能不能构建一个达到人类高级玩家水平的瓮城。不只是给语言提示，还要用参考图的细节程度暗示模型不能偷懒。参考图选用了动画原作的托洛斯特区鸟瞰图，它刚好位于现在罗塞之墙出生点的南边。

参考图：

来看看最终结果如何：

如果走到对面的瓮城城墙上，也能看到城墙外的超大巨人的背部——是合理的。

如果要跟 John Papadopoulos 的作品相比较，很明显，人类还是胜出。但就完成度而言，包括尺寸、河流、居民区、中心处高塔，都成功地呈现了，也算是交出了一份及格卷。

这三大考直接耗尽了 5 小时额度。可见要真做出 100% 还原的艾尔迪亚王国，有多烧 Token。

到此，加上之前用来构建 3D 引擎、动漫形象，总共用了 2 小时 API 时间，成本达到了价值 56.99 美元的 Token 消耗（订阅制+Fable 是真香，可惜快没得用了）。而我的艾尔迪亚王国，如果要做到在静态视觉上基本还原的程度，目前的完成度估计还不到十分之一。

测评结束。

回到文章开头的问题：Claude Fable 5 究竟有没有“视觉思维”或一定程度上的“空间智能”？

经过这轮测试，依然无法给出一个确定答案。但至少在这次体验里，Claude Fable 5 展现出的能力，已经超出了传统意义上“根据提示生成代码”的范畴。

它会一边写代码一边观察，会主动考虑构图，会权衡视觉呈现与性能消耗，会为了远景观感调整世界尺度，会对原创参考图做出极致的视觉还原。

从哆啦 A 梦、乔巴、路飞、“黄金梅利号”，到艾尔迪亚王国、原创机器人概念设计，再到最终的托洛斯特区——它表现出的并不是简单的复读与拼接，而更像是在不断建立、修正和验证自己对目标的视觉理解。

当然，它距离真正的人类创作者还有很长距离。它的细节塑造能力依然有限，审美稳定性也谈不上完美，而高昂的 Token 成本更决定了这种创作方式暂时难以普及。

但不可否认的是，当一个大模型开始能够一边编程、一边观察、一边迭代自己的视觉成果时，它已经站在了一个新的起点上。