本文转载自微信公众号「牛马替身计划」，点此查看原文。
我干了件挺好玩的事。
把同一句话，原封不动地发给三个模型：GPT-6（Astra）、DeepSeek V4.1 Flash、GPT-5.6（Terra）。
没有额外提示词，也没告诉它们应该怎么做，三家拿到的要求完全一样：
写一个我的世界demo，web实现
就这一句话。
三个模型做完之后，我把结果放在了一起。先不公布答案，你可以先看看下面这三张图，猜猜 A、B、C 分别是谁做的。
答案下面慢慢揭晓。
一、GPT-6 Astra：一次做完，细节也比较完整
先揭晓答案：
A 是 GPT-6 做的。
从开始到完成用了 22 分 40 秒，中间没有让我返工。
打开之后，它交出来的不只是一个简单的游戏页面，还顺手做了一个落地页。
大字写着“下一块，由你创造”，整体看起来更像一个完整的小产品，而不是单纯把 demo 扔出来。
进入游戏之后，基本的东西也都考虑到了。
第一人称视角、WASD 移动、左键挖掘、右键放置，还有 8 种方块。
操作方法直接放在了游戏画面下面，第一次打开也知道怎么玩。
另外一个明显的细节，是它做了昼夜循环。
测试过程中可以看到，场景会从白天变成夜晚，夜里的水面和整体画面也会跟着变暗。
还有一个挺实用的功能：自动存档。
把页面关掉再重新打开，之前的世界还在，而且页面上还显示了当前的种子号：SEED 240919。
所以 GPT-6 这份给我的感觉是：
不只是把"我的世界"做出了个样子，连一些实际玩起来会用到的功能也一起考虑到了。
一次做完，没有返工，这点很省心。
二、DeepSeek V4.1 Flash：第一眼很像，但操作有问题
B 是 DeepSeek V4.1 Flash，同样一次就做完了。
如果只看第一眼，它是三份里面最像我的世界的。
草方块纹理、九宫格快捷栏，左上角还有 FPS 和坐标，游戏界面的感觉做得挺像。
但真正操作起来之后，问题就出来了。
我按照原版我的世界的操作习惯核对了一遍，发现了一个明显的问题：
右键的功能做反了。
原版里右键是放置方块，但它这里做成了拆除。
比如我对着一棵树按右键，本来想搭个平台，结果直接把树给拆了。
除了这个问题，功能也简单。
没有昼夜变化，也没有存档，关掉页面之后之前的内容就没了。
DeepSeek 这份就有意思了：
界面和视觉元素做得挺像，但真正操作起来，还是能发现一些和原版习惯不一样的地方。
当个小游戏 demo 没什么问题，但如果想继续往"我的世界"这个方向做，还得再改不少东西。
三、GPT-5.6 Terra：第一次直接跑偏了
最后一个 C，是 GPT-5.6（Terra）。
不过它这里特殊一点，因为我叫它重做了一次。
第一次只用了 4 分 44 秒，就告诉我完成了。
结果打开一看，我有点懵。
它做的是一个 2D 横版游戏。
方方正正的角色、横版场景，看起来更像马里奥，和我要求的"我的世界"基本不是一个方向。
所以我直接告诉它：
“这是 2D 版，跟我的世界不符合，重新设计。”
这次它倒是理解了。
大概 7 分 51 秒之后，重新做了一个 3D 版本，至少能跑、能跳了。
但重新做完之后，和前面两个相比，画面还是比较粗糙。
整个场景基本就是一大片绿色草地，树用几个绿色方块叠起来，只有五种方块，基本没有什么纹理和层次。
所以 GPT-5.6 这次最大的问题，不是做不出来，是第一次就理解错了需求。
而且在我纠正之后，虽然从 2D 变成了 3D，但最终效果还是比较简单。
四、三份结果放一起看
GPT-6 Astra
DeepSeek V4.1 Flash
GPT-5.6 Terra
一次做完
✅ 22 分 40 秒
✅
❌ 第一次做成 2D，纠正后重做
画面
有自己的整体设计，还做了落地页
整体风格比较像我的世界
简单，场景较粗糙
玩法
✅ 挖掘 / 放置 / 存档 / 昼夜
❌ 右键功能反了，无存档
⚠️ 重新做成 3D 后可以运行
主要问题
暂未发现明显问题
右键拆除、没有存档
第一次直接做成 2D
最后
同样一句话，让三个模型自己做，最后出来的东西确实差别挺大。
GPT-6 这次基本没让我怎么操心，从页面设计到游戏功能都做得挺完整，存档、昼夜变化、操作提示这些细节也都有。
DeepSeek 第一眼看起来很像，但真正操作之后，右键功能反了，而且没有存档，关掉页面就没了。
GPT-5.6 则是第一步就理解偏了，直接做成了 2D 横版游戏。虽然后来按照我的要求重新做成了 3D，但做出来的效果还是简单。
不过这次测试还有一个挺有意思的地方：
AI 做偏了，不一定非要重新写一遍 Prompt。
像这次的 GPT-5.6，我发现它做成 2D 之后，直接告诉它哪里不对、希望改成什么样，它就能继续往下改。
所以以后让 AI 做东西，如果第一版不对，先把具体问题指出来，往往比重新开一个对话、从头再写一遍要求更省事。
当然，这次每个模型我都只测了一次。
换一个需求、换一种说法，结果都有可能不一样。所以这篇就当作一次实际测试记录，主要是让大家看看，同样一句话交给不同模型，它们到底会怎么做。
你一开始猜对了吗？
— 完 —