8 款大模型当设计师：GPT-6.1 Terra 实测
我给 OpenAI、Anthropic、Google 的 8 个语言模型同样 12 道设计题，每题 3 遍，287 张图全部盲评。
在 FontVibe 上要一张设计图时，生图之前是一个语言模型在做设计师的活：它读需求，提出三个设计方向，再写出交给生图模型渲染的指令。GPT-6.1 Terra 在 2026 年 10 月 26 日发布，所以我测了它做这份活是否比 GPT-5.6 Terra（FontVibe 目前用的模型）做得更好，同时拿它和 OpenAI、Anthropic、Google 的另外六个语言模型做了对比。
每个模型拿到同样的 12 道需求，每道跑三遍。每张设计用的生图模型都一样：GPT Image 2.5 Sunburst，2K、Medium 档，它在我的 Qwen Image 3.0 实测和 Grok Imagine 2.0 实测里都排第二。设计与设计之间唯一的变量，是哪个语言模型当设计师。287 张设计图在隐去模型名的情况下盲评打分。
结果
| # | 模型 | 完成数 | 总分（95% CI） | 可读性 | 字形与材质 | 信息与构图 | 吸引力 | 每张编造行数 | 每张成本 | 方案耗时中位数 |
|---|---|---|---|---|---|---|---|---|---|---|
| – | Claude Opus 5.5 | 18 / 36 | 7.97（7.40–8.46） | 8.7 | 8.0 | 7.4 | 7.8 | 0.22 | $0.41 | 65 秒 |
| 1 | GPT-6 Luna | 36 / 36 | 7.69（7.50–7.88） | 9.1 | 7.2 | 7.5 | 7.2 | 0.36 | $0.005 | 44 秒 |
| 2 | GPT-5.6 Terra | 35 / 36 | 7.58（7.14–7.97） | 8.7 | 7.5 | 7.0 | 7.5 | 0.46 | $0.09 | 29 秒 |
| 3 | Gemini 4 Argon | 36 / 36 | 7.56（7.21–7.89） | 8.6 | 7.9 | 6.2 | 7.7 | 1.56 | $0.11 | 40 秒 |
| 4 | Claude Sonnet 5.5 | 36 / 36 | 7.43（7.14–7.75） | 8.7 | 7.9 | 5.6 | 7.8 | 1.11 | $0.18 | 27 秒 |
| 5 | GPT-6.1 Sol | 36 / 36 | 7.35（7.03–7.71） | 9.4 | 6.6 | 7.5 | 6.4 | 0.28 | $0.09 | 62 秒 |
| 6 | Gemini 3.8 Flash | 36 / 36 | 7.33（6.94–7.69） | 8.8 | 7.7 | 5.4 | 7.7 | 2.36 | $0.04 | 32 秒 |
| 7 | GPT-6.1 Terra | 36 / 36 | 7.08（6.59–7.56） | 9.1 | 6.5 | 7.0 | 6.1 | 0.17 | $0.04 | 37 秒 |
满分 10 分，取每个模型所有完成的设计的平均分。Claude Opus 5.5 不参与排名：它只在 12 道题里的 8 道上完成了设计，而且大多是较容易的题，平均分和其他模型没法直接比（同题对比见此）。同一道题的三轮共用一份需求、由同一位评委在同一轮打分，并不独立，所以 95% 置信区间按题重抽样得出。两个模型只有在逐题差值的置信区间不跨 0 时，才算分得出高下；28 组两两比较全部列在附录。每张成本是一张设计的语言模型成本中位数（方案加生图指令），按各厂商 2026 年 10 月 30 日的公开价格计算；图片本身的费用对每个模型都一样，不计入。每道题的全部分数见附录。
有四个结果值得单独说。
换哪个语言模型当设计师有影响，但只看质量，大多数模型分不出高下。 生图模型和设置完全一样，平均分从 7.08 到 7.97。28 组两两比较里，逐题比下来能分出高下的只有 5 组：GPT-6.1 Terra 低于 GPT-5.6 Terra、GPT-6 Luna 和 Claude Opus 5.5，GPT-6.1 Sol 低于 GPT-6 Luna 和 Claude Opus 5.5。其余 23 组在这次测试里打平。
把质量、成本、速度和稳定性放在一起看，差距就拉开了。 同一质量档的模型，每张设计的成本能差 30 多倍（GPT-6 Luna $0.005，Claude Sonnet 5.5 $0.18）；出方案加写生图指令的耗时能差一倍左右（GPT-5.6 Terra 和 Claude Sonnet 5.5 约 41 秒，GPT-6.1 Sol 约 87 秒）；失败的原因也各不相同（详情）。综合下来，有几个模型至少在一项上吃亏，又没在别的项上补回来：GPT-6.1 Sol 和 GPT-5.6 Terra 一样贵、质量分不出高下，却慢一倍；Gemini 3.8 Flash 是 GPT-6 Luna 的 8 倍价钱，质量分不出高下，还出了 8 次厂商报错；GPT-6.1 Terra 比 GPT-6 Luna 贵，分数也明显更低。
没有全面占优的模型，各有适合的活。 Claude Opus 5.5 平均分最高，7.97，但只来自 8 道题上的 18 张设计。主测里它的方案比其他模型长得多，有 17 次被 FontVibe 按自家线上场景定的 6,600 token 上限截断，另有 1 次是写出的生图指令格式损坏。把上限翻倍重跑后，它每次都完成了；36 张设计合起来，明显高于 GPT-5.6 Terra、Claude Sonnet 5.5、Gemini 3.8 Flash 和两个 GPT-6.1 模型，与 GPT-6 Luna、Gemini 4 Argon 分不出高下（详情）。它也最慢、最贵：每张设计成本中位数 $0.41，把失败的运行算进去，每张完成的设计实际花 $0.72。它适合复杂、不赶时间、值得为质量多花钱的设计。GPT-6 Luna 质量在第一梯队、每次都跑完、成本最低，性价比最高，适合大批量。GPT-5.6 Terra 快而均衡，适合用户等着看结果的实时场景。
编造文字是可以量化的缺陷，各模型差到 14 倍。 GPT-6.1 Terra 每张设计平均只多出 0.17 行需求里没有的文字，Gemini 3.8 Flash 多出 2.36 行，加的是创立年份、标语、服务清单和虚构的数字。编造文字是设计在信息项上丢分最常见的原因，所以不管用哪个模型，链路里都值得有一道文案核对。
GPT-6.1 Terra 是这次测试的起点，单独说一句：在同一条设计链路、同一套提示词下，它比 GPT-5.6 Terra 更保守。逐题比较，它低 0.50 分（95% CI −0.81 到 −0.21），12 道题里有 9 道更低；输在字形与材质（−0.93）和吸引力（−1.38，12 道题全部更低），可读性略高（+0.47），但在误差范围内。它的设计编造最少，也最朴素，36 张里有 17 张只部分符合需求要的氛围。这说明的是它在「读需求、定方向、写生图指令」这件事上的表现，不代表它在其他任务上的能力。
成本、速度与稳定性
设计质量只是选模型的一部分。同一批测试也记录了每张设计花多少钱、要多久、多常失败。
| 模型 | 出方案耗时（中位 / 最慢 10%） | 写生图指令耗时（中位 / 最慢 10%） | 每张设计成本（中位） | 每 1,000 张完成设计的实际花费 | 首次即完成 | 模型自身失败 | 厂商报错 | 内部重试 |
|---|---|---|---|---|---|---|---|---|
| GPT-6.1 Terra | 37 秒 / 45 秒 | 13 秒 / 17 秒 | $0.041 | $41 | 36 / 36 | 0 | 0 | 0 |
| GPT-5.6 Terra | 29 秒 / 38 秒 | 12 秒 / 14 秒 | $0.090 | $93 | 33 / 36 | 1 | 0 | 0 |
| GPT-6.1 Sol | 62 秒 / 79 秒 | 25 秒 / 30 秒 | $0.090 | $91 | 34 / 36 | 0 | 0 | 0 |
| GPT-6 Luna | 44 秒 / 58 秒 | 16 秒 / 23 秒 | $0.005 | $5 | 36 / 36 | 0 | 0 | 1 |
| Claude Opus 5.5 | 65 秒 / 75 秒 | 25 秒 / 35 秒 | $0.41 | $721 | 18 / 36 | 18 | 0 | 19 |
| Claude Sonnet 5.5 | 27 秒 / 32 秒 | 14 秒 / 16 秒 | $0.18 | $162 | 36 / 36 | 0 | 0 | 0 |
| Gemini 4 Argon | 40 秒 / 73 秒 | 22 秒 / 33 秒 | $0.11 | $102 | 36 / 36 | 0 | 0 | 3 |
| Gemini 3.8 Flash | 32 秒 / 49 秒 | 13 秒 / 35 秒 | $0.043 | $49 | 29 / 36 | 0 | 8 | 4 |
耗时是每一步语言模型自身的时间，按完成的运行统计。之后渲染图片的中位耗时是 20 秒，每个模型都一样。成本按各厂商 2026 年 10 月 30 日的公开价格计算，包含两步语言模型调用，不含图片本身（无论哪个模型做设计，图片费用都一样）。「每 1,000 张完成设计的实际花费」把失败的运行和重跑的花费都算进去，再除以完成的设计数。「首次即完成」统计不用重跑就出图的次数；GPT-5.6 Terra 和 GPT-6.1 Sol 各有两次被 FontVibe 的前台拦下来先提问，也算作没有首次完成，尽管那不是模型的问题。内部重试是 FontVibe 的流程在一次请求里、某次尝试失败后用同一个模型再试的次数。
成本。 GPT-6 Luna 便宜得最多：每 1,000 张完成的设计约 $5，GPT-5.6 Terra 是 $93，Claude Opus 5.5 是 $721：它失败的运行花的钱，和完成的差不多。GPT-6.1 Terra 的成本不到 GPT-5.6 Terra 的一半。Claude Opus 5.5 最贵，一部分原因是它写的方案最长：方案输出的中位数就顶到了 6,600 token 的上限。
速度。 Claude Sonnet 5.5 出方案最快，中位 27 秒，GPT-5.6 Terra 29 秒紧随其后。GPT-6.1 Sol 和 Claude Opus 5.5 都超过一分钟。Gemini 4 Argon 中位 40 秒，但最慢的 10% 要 73 秒以上，是所有模型里波动最大的。
稳定性。 GPT-6.1 Terra、GPT-6 Luna、Claude Sonnet 5.5 和 Gemini 4 Argon 36 次全部首次完成。Gemini 3.8 Flash 自身的输出从没出错，但 Google 的服务在它的 7 次运行里返回了 8 次错误（限流和超时），重跑后全部完成。Claude Opus 5.5 失败 18 次：17 次方案在输出上限处被截断，1 次生图指令格式损坏。它的 19 次内部重试大多是方案被截断后再试一次、结果又被截断。
测试方法
流程
这次测试只测一件事：当设计师。在 FontVibe 的设计模式里，一个请求要经过三步：
- 出方案。 语言模型读需求，提出三个设计方向，每个方向都有标题、要印上去的确切文字、配色、版式和所选的字形风格。
- 写生图指令。 针对第一个方向，语言模型写出给生图模型的完整指令。
- 渲染。 生图模型把它画出来。
被测模型负责第 1、2 步。第 3 步始终是 GPT Image 2.5 Sunburst，2K、Medium 档。每个请求都走 FontVibe 的生产流程，每个模型用同样的系统提示词、同样的输出格式、同样的推理强度设置（medium）。没有哪个模型有专属的提示词或设置。渲染的始终是第一个方向，方向不是我挑的。
八个模型
| 厂商 | 模型 | 为什么测它 |
|---|---|---|
| OpenAI | GPT-6.1 Terra | 2026 年 10 月 26 日新发布；正在考虑换用的模型 |
| OpenAI | GPT-5.6 Terra | FontVibe 目前第 1 步用的模型 |
| OpenAI | GPT-6.1 Sol | OpenAI 的旗舰模型 |
| OpenAI | GPT-6 Luna | OpenAI 的低价模型；FontVibe 目前第 2 步用的模型 |
| Anthropic | Claude Opus 5.5 | Anthropic 的旗舰模型 |
| Anthropic | Claude Sonnet 5.5 | Anthropic 的中档价位模型 |
| Gemini 4 Argon | Google 的旗舰模型 | |
| Gemini 3.8 Flash | Google 的低价模型 |
12 道需求，分四层
设计师可能在四个不同的地方出错，所以需求分成四层，每层三道，一层对应一种出错方式。
| 层 | 测什么 | 为什么重要 |
|---|---|---|
| 1. 日常需求 | 简短、单一用途的需求 | 大多数真实请求长这样，这一层最接近日常使用 |
| 2. 信息要对 | 必须原样出现的文字，有时还规定了主次顺序 | 语言模型是唯一把文字交给生图模型的一步；它漏掉或改掉的文字，后面无法补回 |
| 3. 设计判断 | 互相矛盾的要求、陌生的领域、同时面向两类受众 | 这是客户花钱请设计师的原因，也是模型之间最可能拉开差距的地方 |
| 4. 语言与文化 | 带文化背景的日语、德语和墨西哥西班牙语需求 | 文化线索用错，代价比错别字更大 |
需求覆盖六种语言（英语、中文、西班牙语、葡萄牙语、德语和日语），也就是 FontVibe 界面的六种语言，每一道都要求设计上有文字。12 道里有 8 道最早用在 2026 年 9 月一次针对三个 OpenAI 模型的内部测试里。招聘海报里的公司，以及需求里的所有人名和地址都是虚构的。每道题的完整需求印在下面对应的小节里。
轮次与失败
每个模型每道需求跑三遍：每个模型 36 张设计，共 288 张。设计失败时，按原因决定怎么处理：
- 模型自己的输出失败（在生产 token 上限处被截断，或方案为空、格式损坏）：记为失败，不重跑。这样失败的有 19 张：Claude Opus 5.5 18 张（17 次方案在上限处被截断，1 次生图指令格式损坏），GPT-5.6 Terra 1 张（方案为空）。
- 厂商服务失败（限流、服务器错误、超时）：重跑。共发生 8 次，全部是 Gemini 3.8 Flash。
- FontVibe 自己的前台先提了问题。 请求到达设计师之前，另一个固定的模型会检查有没有缺失的信息。夜店那道需求，它有时没有把需求传下去，而是反问「几乎看不见，还是 50 米外能读到？」。这不是被测模型造成的，所以这 4 次重跑了，打分的是重跑出的设计。每一次尝试都列在开放数据集里。
全部 287 张设计（主测 269 张，加上后文 Opus 重跑的 18 张）都在 2026 年 10 月 30 日用官方账号在 FontVibe 生产站生成，在 FontVibe 上公开。
评分
每张设计都按 FontVibe 的评测打分标准打分，标准在统计结果之前写定。它沿用了我 7 款 AI 设计工具横评和两次生图模型测试的评分细则。评委扮演写需求的客户，按这个顺序判断：是不是我要的东西；能不能不改就直接用；是不是我想要的感觉；细节做得好不好；第一眼会不会让我说「哇」。
| 打分项 | 权重 | 看什么 |
|---|---|---|
| 可读性 | 20% | 先查让主文字在实际尺寸下读不出或读错的硬伤。有任何硬伤给 1 到 4 分；没有硬伤给 7 到 10 分。 |
| 字形与材质 | 35% | 字形和材质有没有做出需求要的效果和氛围，做得好不好。 |
| 信息与构图 | 25% | 是不是对的交付物，每一段文字能不能原样使用：完整、和客户写的一致、没有客户没说过也无法担保的内容。然后看层级、顺序和平衡。 |
| 吸引力 | 20% | 只看第一印象和视觉上的专业程度。文字错误只在信息与构图里扣一次，这里不再扣。 |
总分由公式算出，不靠主观判断：0.20 × 可读性 + 0.35 × 字形与材质 + 0.25 × 信息与构图 + 0.20 × 吸引力。
有一条规则决定了很多分数，所以在这里完整写出来。每一行文字都要问：客户用之前得不得改它，客户有没有说过它？ 复述需求里已有的内容（咖啡烘焙坊写「COFFEE ROASTERS」）和寻常的祝福语（「Happy birthday」）可以接受。客户从没给过的事实、数字、承诺和标语，每出现一处扣一次分，因为客户要么得把它删掉，要么会在没注意到的情况下发布不实的内容。原样印出来的占位符，比如 {{fecha}}，以及改动客户的写法，比如把「7 de la noche」改成「7:00 p. m.」，也要扣分。
谁来打分。 分数来自运行在 Claude Opus 5.5 上的 AI 评委，每三道需求一位评委，每位评委在给一道需求的任何一张图打分前，先看完这道需求的全部原图。图片用随机 ID 编号，评委不知道哪张设计出自哪个模型。八个被测模型之一 Claude Opus 5.5 与评委是同一个模型。看它的分数时要记住这一点：评委会不会偏向 Opus 自己的设计，这次没有验证。由人做的盲选是这次测试里唯一的人工核对。
逐题结果
每个网格展示每个模型第一张完成的设计，所以没有一张是人工挑的。说明里写的是这张图的分数，以及该模型这道题三次运行的平均分。
第 1 层：日常需求
第 1 题：咖啡烘焙坊字标
A logo-style title for my new coffee roastery called EMBER & OAK
Claude Opus 5.5 平均 8.38 分，最高：它把店名烙在木头上，每个字母的边缘都有焦痕。GPT-5.6 Terra（8.13）和 GPT-6 Luna（8.05）紧随其后。GPT-6.1 Terra（6.62）和 GPT-6.1 Sol（6.43）用干净但普通的字体排了店名，评委判定只部分符合需求里的「ember and oak」（余烬与橡木）。Claude Sonnet 5.5 的设计编了一个创立年份和一个城市，「EST. 2019」和「AUSTIN」，客户都没给过。
第 2 题：恐龙生日海报
给我做一张生日海报，寿星叫小雨，今年 8 岁，喜欢恐龙
这道题 OpenAI 的模型表现最好。GPT-6.1 Sol 8.73 分；GPT-6.1 Terra 8.43 分，是它分数最高的一道题，小雨名字里的「雨」字长出了一条恐龙尾巴。Gemini 4 Argon 最后，6.48 分：照片级写实的丛林，加上客户从没提过的「Jurassic Expedition · Level 8」派对，评委判定只部分符合八岁孩子的生日。想做 GPT-6.1 Sol 那样的气球字，可以看泡泡字生成器。Gemini 3.8 Flash 的第一张设计给一场并不存在的派对编了日期、时间和地点，而且那个日期已经过去了。
第 3 题：毕业派对海报
Un cartel para la fiesta de graduación de secundaria, dice PROMOCIÓN 2026（一张高中毕业派对海报，上面写着 PROMOCIÓN 2026。）
每个模型都把 PROMOCIÓN 的重音符号写上了。Gemini 4 Argon（8.40）和 Gemini 3.8 Flash（8.28）用金色字和月桂枝拿到最高分，不过 Argon 有一张设计加了正装着装要求，这道题还有两张设计在学校派对上画了香槟杯。这道需求没有日期和地点，很多设计在底部留了一块本该放这些信息的空白，或者在那里印出了 {{fecha}} 之类的占位符。
第 2 层：信息要对
第 4 题：YouTube 缩略图
YouTube thumbnail text for a video about losing 30 pounds, title THE SHIFT
Claude Sonnet 5.5 8.20 分，最高：用黏土质感的「THE」对比镜面质感的「SHIFT」，表现前后的变化。GPT-6 Luna 7.97 分。Claude Opus 5.5 最后，6.53 分：它的第一张设计把每个字母的两半错开，看起来像印刷错误。Gemini 4 Argon 和 Gemini 3.8 Flash 在背景里铺满了客户没写过的健身标语。
第 5 题：含七项信息的招聘海报
招聘海报：标题「一起把账算明白」，副标题「马来西亚 AI 公司，招两位财务」，要写上公司名 Northwind Labs Sdn Bhd、月薪 RM6000-9000、地点吉隆坡 Bangsar、投递邮箱 jobs@northwindlabs.my、截止 10 月 15 日。标题最大，邮箱最小。
这道题最能拉开模型之间的差距。Claude Sonnet 5.5 7.92 分，用账本纸配红色印章，七项信息和字号顺序全部保留。Gemini 3.8 Flash 最低，6.12 分：它的第一张设计在海报上塞满了英文标语、一个 logo 和几块虚构数字的仪表盘，还改了客户的副标题。Claude Opus 5.5 三次运行全部卡在生产 token 上限；上限翻倍后，它做出了这道题最好的设计，8.95 分，标题同样是纸上墨迹的效果，配一枚印章和一支钢笔。
第 6 题：咖啡杯套
Uma capa para o copo de café para viagem da minha cafeteria em Belo Horizonte, a Grão de Ouro. Tem que ter o slogan "Café de verdade, sem pressa" e "Desde 1998".（给我咖啡馆的外带杯做一个杯套，要有店名、标语和「始于 1998」。）
Claude Opus 5.5 完成的两次平均 8.97 分，用烫金衬线字，O 画成一颗咖啡豆。GPT-5.6 Terra（8.30）和 Claude Sonnet 5.5（8.38）次之。Gemini 3.8 Flash 的第一张设计把 GRÃO 的波浪符画错了，店名读起来更像「GRÁO」。Gemini 4 Argon 加了「100% ARÁBICA」这类咖啡馆从没说过的宣称。只想要烫金字，可以试试金色文字生成器。
第 3 层：设计判断
第 7 题：要求互相矛盾的夜店字标
I want an extremely minimal, quiet, almost invisible wordmark for my nightclub — but it also has to scream across a dark street from 50 metres away and feel expensive. The name is VOID.
最好的几张设计用背光化解了矛盾：黑墙上的黑字，近看几乎消失，入夜后发光。Gemini 4 Argon（8.13）、Gemini 3.8 Flash（8.05）和 Claude Opus 5.5（7.88）做得最好。GPT-6.1 Terra 最后，5.48 分：它的第一张设计是黑底上平面的白色粗体字，够醒目，但既不安静也不显贵。GPT-5.6 Terra 5.90 分。想做发光招牌，店面招牌生成器从发光的店招起步。
第 8 题：科学期刊封面
Cover art for a peer-reviewed paper on cryo-EM structural determination of amyloid fibrils. Title: CONFORMATIONAL POLYMORPHISM. It has to look like it belongs on the cover of Nature, not like a startup pitch deck.
GPT-6.1 Sol（7.65）、GPT-5.6 Terra（7.47）和 GPT-6 Luna（7.43）用克制的衬线标题和玻璃质感的纤维拿到最高分。有几张设计把纤维画成了梯子状的双螺旋，看起来像 DNA，这在一张讲淀粉样蛋白的封面上是科学错误。Claude Sonnet 5.5 编了卷号、期号和日期。Claude Opus 5.5 三次运行全部卡在生产上限。
第 9 题：面向两代人的纹身店招牌
A shop sign for my tattoo studio called INKWELL. It should still feel welcoming to my grandmother's generation.
这道题到处是编造的文字：宣传语、服务清单、「Walk-ins welcome」，还有两个虚构的创立年份。Claude Opus 5.5 8.25 分，最高；GPT-6 Luna 7.95 分。Gemini 4 Argon 最后，6.37 分：它的第一张设计用了一个装饰性的大写 I，读起来像 J，店名看着像「JNKWELL」。只印店名和「Tattoo Studio」的设计准确，但往往朴素。
第 4 层：语言与文化
第 10 题：日本刨冰摊招牌
夏祭りの屋台の看板を作ってください。「かき氷」と書いて、昭和レトロな駄菓子屋の雰囲気で。提灯の灯りみたいな温かさがほしい。（夏日祭典摊位的招牌，写「かき氷」，要有昭和复古零食铺的氛围和灯笼光的暖意。）
每个模型都把かき氷写对了。Claude Opus 5.5（8.55）、Gemini 4 Argon（8.38）和 GPT-5.6 Terra（8.27）用染布幡和搪瓷招牌拿到最高分。大多数设计加了一句短语，比如「ひんやり」（冰冰凉凉），或一串糖浆口味，这些都算扣分项。两张设计印出了 {{price}}，一张编了一个价格。
第 11 题：德国面包店开业招牌
Ein Schild für die Neueröffnung unserer Bäckerei „Großmanns Backstube" in Leipzig. Öffnungszeiten: Mo–Sa 6:30–18 Uhr, So 7–12 Uhr. Gemütlich, aber nicht kitschig.（我们面包店的开业招牌，写上店名和营业时间。温馨，但不要俗气。）
每个模型都把 Großmanns 的 ß 写对了。Claude Sonnet 5.5 8.03 分，最高，用的是木板上带描边的做旧字。GPT-6.1 Terra（6.32）和 GPT-6.1 Sol（6.62）用平面的数码字体排版，没有温度。Claude Sonnet 5.5 的三张设计都加了面包店没写过的标语，比如「Frisch gebacken seit dem ersten Morgen」（从第一个早晨起就新鲜出炉），Gemini 3.8 Flash 也一样。Claude Opus 5.5 三次运行全部卡在生产上限。
第 12 题：亡灵节请柬
Invitación para la reunión familiar de Día de Muertos en casa de la abuela Rosa. Domingo 1 de noviembre de 2026, 7 de la noche, Calle Hidalgo 45, Oaxaca. Algo cálido y respetuoso, no de disfraz.（邀请家人到 Rosa 奶奶家参加亡灵节聚会的请柬，写上日期、时间和地址。温暖、庄重，不要变装派对那种。）
没有一张设计把聚会做成万圣节变装派对，每张都保留了日期和地址。几乎所有设计都把「7 de la noche」改成了「7:00 p. m.」。GPT-5.6 Terra 8.22 分，最高。有几张设计出现了一个更隐蔽的问题：祭坛正中放了一张老妇人的肖像，紧挨着「abuela Rosa」，读起来就像 Rosa 本人已经去世。Claude Opus 5.5 三次运行全部卡在生产上限。
加大预算后的 Claude Opus 5.5
FontVibe 把一份设计方案限制在 6,600 个输出 token 以内，思考部分也算在内。Claude Opus 5.5 写的方案比其他任何模型都长。36 次运行里，它的方案有 19 次触到这个上限：17 次被截断而失败，2 次仍然完成。另有 1 次失败原因不同：方案没到上限，但第二步写出的生图指令格式损坏。其他模型里只有 GPT-6 Luna 的方案触到过 1 次上限，也完成了。
为了看 Opus 不被截断时的表现，我只把它失败的 18 次重跑了一遍，两个输出上限都翻倍，其他一概不变。18 次全部完成。其中 13 次方案用了超过 6,600 个 token（中位数 7,286，最长 8,890），方案耗时中位数 76 秒。这 18 张设计平均 8.10 分，Opus 全部 36 张设计合计 8.04 分（95% CI 7.70–8.30）。在全部 12 道题上和其他模型逐题比较，这 36 张明显高于 GPT-5.6 Terra（+0.46）、Claude Sonnet 5.5（+0.60）、GPT-6.1 Sol（+0.68）、Gemini 3.8 Flash（+0.71）和 GPT-6.1 Terra（+0.96），与 GPT-6 Luna（+0.35，95% CI −0.06 到 +0.71）、Gemini 4 Argon（+0.48，−0.05 到 +0.98）分不出高下。
这些重跑不计入主排名，因为其他模型都没有拿到更大的预算。6,600 token 是 FontVibe 按自己的线上场景定的上限，不是模型的能力上限；重跑说明 Opus 在预算够时每次都能完成，质量也站得住，代价是更高的成本和更长的等待。它在主表里的平均分来自 8 道题上的 18 张设计，而它失败的大多是第 2 到第 4 层、要安排更多文字的需求，所以这个平均分偏向较容易的需求，这也是它在主表里不参与排名的原因。
一次非客户的盲选
FontVibe 的创始人看了每道题里每个模型的一张设计，顺序随机、隐去模型名，挑出他会用的那张。他的 12 次选择：Gemini 3.8 Flash 4 次，Claude Sonnet 5.5 3 次，GPT-5.6 Terra 2 次，Gemini 4 Argon 2 次，Claude Opus 5.5 1 次。他一次也没选 GPT-6 Luna，两个 GPT-6.1 模型也都没选。
在每道题他看到的 8 张设计里，有 2 道他选的正是评委打分最高的那张；和每道题全部设计里的最高分相比，一次也没有重合。差异有一个明确的来源：他选的 12 张里有 8 张带着需求从没给过的文字。在字形与材质和吸引力上，他选的设计几乎每次都得 7 到 9 分，说明评委也认为这些设计视觉表现好；它们的分丢在信息上。
他这样解读这个差距：这些需求没有一道是他自己的，所以他凭第一印象挑。真正需要这张设计的客户会先看感觉，再看细节，并把错误或编造的文字当成硬伤。这就是排名以评分细则的分数为准、这次盲选只作参考的原因。它也说明了凭第一印象挑图的风险：第一眼抓住你的设计，往往就是加了你没写过的文字的那张。
各模型一句话
- Claude Opus 5.5：字形与材质、吸引力最好，编造行数少（每张 0.22 行）。方案最长、思考最久，需要比 FontVibe 线上更宽的输出上限；速度最慢，价格也远高于其他模型。适合复杂、不赶时间的设计。
- GPT-6 Luna：性价比最高：质量在第一梯队，每次都跑完，可读性高，编造行数少，而且价格最低，差距很大。字形做得好，但不至于让人记住。
- GPT-5.6 Terra：又快又均衡。第 4 层和大多数日常需求表现强，第 3 层最弱，常常用朴素的字体应付难题。
- Gemini 4 Argon：材质是这次测试里最丰富的之一，每张编造 1.56 行。
- Claude Sonnet 5.5：出方案最快，字形强，原样印出占位符的次数最多（5 张）。
- GPT-6.1 Sol：设计最好读，编造行数少，但字形朴素；出方案和写指令都慢，合计约 87 秒。
- Gemini 3.8 Flash：视觉表现强，编造文字最多（每张 2.36 行），也是唯一出现厂商服务错误的模型（8 次）。
- GPT-6.1 Terra：文字最干净，设计最朴素。
这次测试的局限
- 评委运行在 Claude Opus 5.5 上，它同时也是被测模型之一。图片是匿名的，但评委和一位参赛者用的是同一个模型，评委会不会偏向它的设计没有验证。
- 每道题只由一位评委打一轮分，没有重打，也没有第二位评委。
- Claude Opus 5.5 的主分数来自 8 道题上的 18 张设计，大多是较容易的需求。
- 所有设计都由同一个生图模型渲染。换一个生图模型，设计师的指令起多大作用可能会变。
- 每个模型每道需求跑三遍，每次只渲染三个方向里的第一个。只有 12 道题，模型之间的大多数差距小到分不出来；28 组比较没有做多重比较校正。
- 评分标准针对的是带文字的设计。没有测不带文字的图。
- 所有模型都用 FontVibe 的生产提示词和上限。换成别的应用的提示词或上限，占优的可能是别的模型。
- 结果描述的是这些模型版本在 2026 年 10 月 30 日的表现。
每张设计都在 FontVibe 上公开，每个分数都有书面理由。需求、全部方案、生图指令、分数和理由都在开放数据集 AI Design Benchmark（CC BY 4.0）里，附带每一次尝试的记录和能复算本文所有表格的脚本。FontVibe 的生产提示词不公开，研究需要可以发邮件到 hello@fontvibe.ai 索取。
附录：全部分数
每个模型每道题在完成的运行上的平均总分（完成次数少于 3 次时，括号里注明次数）。
| 题目 | GPT-6.1 Terra | GPT-5.6 Terra | GPT-6.1 Sol | GPT-6 Luna | Claude Opus 5.5 | Claude Sonnet 5.5 | Gemini 4 Argon | Gemini 3.8 Flash |
|---|---|---|---|---|---|---|---|---|
| 1. 咖啡烘焙坊字标 | 6.62 | 8.13 | 6.43 | 8.05 | 8.38 | 7.50 | 7.53 | 7.92 |
| 2. 恐龙生日海报 | 8.43 | 8.33 | 8.73 | 8.17 | 8.20 | 7.03 | 6.48 | 7.33 |
| 3. 毕业派对海报 | 6.37 | 7.03 | 7.07 | 7.28 | 7.50（1） | 7.13 | 8.40 | 8.28 |
| 4. YouTube 缩略图 | 7.18 | 7.12 | 7.27 | 7.97 | 6.53 | 8.20 | 7.88 | 7.75 |
| 5. 招聘海报 | 7.20 | 6.98 | 7.30 | 7.43 | 失败 | 7.92 | 7.50 | 6.12 |
| 6. 咖啡杯套 | 7.83 | 8.30 | 7.58 | 7.93 | 8.97（2） | 8.38 | 7.27 | 7.25 |
| 7. 夜店字标 | 5.48 | 5.90 | 6.67 | 7.25 | 7.88 | 7.28 | 8.13 | 8.05 |
| 8. 期刊封面 | 6.22 | 7.47 | 7.65 | 7.43 | 失败 | 6.63 | 7.28 | 6.68 |
| 9. 纹身店招牌 | 7.53 | 7.80（2） | 7.33 | 7.95 | 8.25（2） | 6.78 | 6.37 | 6.38 |
| 10. 刨冰摊招牌 | 8.20 | 8.27 | 7.78 | 7.45 | 8.55（1） | 6.98 | 8.38 | 7.80 |
| 11. 面包店开业招牌 | 6.32 | 7.43 | 6.62 | 7.25 | 失败 | 8.03 | 7.78 | 7.02 |
| 12. 亡灵节请柬 | 7.57 | 8.22 | 7.80 | 8.08 | 失败 | 7.32 | 7.68 | 7.40 |
全部两两比较
每一组只在两个模型都有完成设计的题上比较：逐题分数差的平均（前一个模型减后一个），附 95% 置信区间。区间包含 0，就是这次测试里分不出高下。
| 模型 | 对比模型 | 题数 | 差值（95% CI） | 明显更高的一方 |
|---|---|---|---|---|
| Claude Opus 5.5 | GPT-6 Luna | 8 | +0.28（−0.27 到 +0.73） | 打平 |
| Claude Opus 5.5 | GPT-5.6 Terra | 8 | +0.42（0.00 到 +0.96） | 打平 |
| Claude Opus 5.5 | Gemini 4 Argon | 8 | +0.48（−0.33 到 +1.29） | 打平 |
| Claude Opus 5.5 | Claude Sonnet 5.5 | 8 | +0.62（−0.11 到 +1.18） | 打平 |
| Claude Opus 5.5 | GPT-6.1 Sol | 8 | +0.68（+0.10 到 +1.27） | Claude Opus 5.5 |
| Claude Opus 5.5 | Gemini 3.8 Flash | 8 | +0.44（−0.27 到 +1.15） | 打平 |
| Claude Opus 5.5 | GPT-6.1 Terra | 8 | +0.83（+0.20 到 +1.47） | Claude Opus 5.5 |
| GPT-6 Luna | GPT-5.6 Terra | 12 | +0.11（−0.19 到 +0.43） | 打平 |
| GPT-6 Luna | Gemini 4 Argon | 12 | +0.13（−0.35 到 +0.62） | 打平 |
| GPT-6 Luna | Claude Sonnet 5.5 | 12 | +0.25（−0.10 到 +0.60） | 打平 |
| GPT-6 Luna | GPT-6.1 Sol | 12 | +0.33（+0.03 到 +0.66） | GPT-6 Luna |
| GPT-6 Luna | Gemini 3.8 Flash | 12 | +0.36（−0.08 到 +0.77） | 打平 |
| GPT-6 Luna | GPT-6.1 Terra | 12 | +0.61（+0.21 到 +0.98） | GPT-6 Luna |
| GPT-5.6 Terra | Gemini 4 Argon | 12 | +0.02（−0.63 到 +0.64） | 打平 |
| GPT-5.6 Terra | Claude Sonnet 5.5 | 12 | +0.15（−0.39 到 +0.68） | 打平 |
| GPT-5.6 Terra | GPT-6.1 Sol | 12 | +0.23（−0.12 到 +0.63） | 打平 |
| GPT-5.6 Terra | Gemini 3.8 Flash | 12 | +0.25（−0.38 到 +0.78） | 打平 |
| GPT-5.6 Terra | GPT-6.1 Terra | 12 | +0.50（+0.21 到 +0.81） | GPT-5.6 Terra |
| Gemini 4 Argon | Claude Sonnet 5.5 | 12 | +0.13（−0.28 到 +0.55） | 打平 |
| Gemini 4 Argon | GPT-6.1 Sol | 12 | +0.21（−0.42 到 +0.76） | 打平 |
| Gemini 4 Argon | Gemini 3.8 Flash | 12 | +0.23（−0.08 到 +0.53） | 打平 |
| Gemini 4 Argon | GPT-6.1 Terra | 12 | +0.48（−0.25 到 +1.16） | 打平 |
| Claude Sonnet 5.5 | GPT-6.1 Sol | 12 | +0.08（−0.47 到 +0.60） | 打平 |
| Claude Sonnet 5.5 | Gemini 3.8 Flash | 12 | +0.10（−0.35 到 +0.61） | 打平 |
| Claude Sonnet 5.5 | GPT-6.1 Terra | 12 | +0.35（−0.24 到 +0.91） | 打平 |
| GPT-6.1 Sol | Gemini 3.8 Flash | 12 | +0.02（−0.55 到 +0.57） | 打平 |
| GPT-6.1 Sol | GPT-6.1 Terra | 12 | +0.27（−0.02 到 +0.60） | 打平 |
| Gemini 3.8 Flash | GPT-6.1 Terra | 12 | +0.25（−0.40 到 +0.96） | 打平 |
评分标准
评委指令摘要：你是写这份需求、要用这张设计的客户。按这个顺序判断：是不是你要的东西；每一段文字能不能原样使用；有没有你想要的感觉，无论是明说的还是可以合理推断的；字形、材质、纹理、线条和颜色做得好不好；第一眼能不能打动人。四个分数各管各的问题，一个问题只在它所属的那一项里扣一次。
常见问题
GPT-6.1 Terra 做设计比 GPT-5.6 Terra 强吗？
这次测试里不是。逐题比较，GPT-6.1 Terra 比 GPT-5.6 Terra 低 0.50 分（满分 10），95% 置信区间 −0.81 到 −0.21，12 道题里有 9 道更低。它的文字更干净，但字形更平、吸引力更低。两个模型用的是同一套提示词和设置；这个结果只说明它在「读需求、定方向、写生图指令」这件事上的表现，不代表它在其他任务上的能力。
哪个语言模型最适合当设计师？
只看设计质量，这次测试里八个模型大多分不出高下，只有 GPT-6.1 Terra 和 GPT-6.1 Sol 明显落后。Claude Opus 5.5 平均分最高，但并不明显高于 GPT-6 Luna 和 Gemini 4 Argon，而且贵得多、慢得多。GPT-6 Luna 在质量第一梯队、每次都跑完、每张只要 $0.005，性价比远超其他。要实时出方案，GPT-5.6 Terra 又快又均衡。
AI 设计师会编造文字吗？
会。Gemini 3.8 Flash 每张设计平均多加 2.36 行需求里从没给过的文字，比如创立年份、标语和虚假的统计数字。GPT-6.1 Terra 加得最少，每张 0.17 行。编造文字是设计在信息项上丢分最常见的原因。
AI 设计师做一张设计要花多少钱？
按各厂商 2026 年 10 月 30 日的公开价格，一张设计里语言模型部分的成本中位数是：GPT-6 Luna $0.005，GPT-6.1 Terra 或 Gemini 3.8 Flash $0.04，GPT-5.6 Terra 或 GPT-6.1 Sol $0.09，Gemini 4 Argon $0.11，Claude Sonnet 5.5 $0.18，Claude Opus 5.5 $0.41。不含生图费用。
我能自己试试这些 AI 设计师吗？
FontVibe 的设计模式用的就是这次测试的同一套流程。你描述需求，它提出几个设计方向，再把你选的那个渲染出来。
评论