I Ran Atria Dawn for 72 HOURS (China's New #1 Local AI?)

Atria Dawn：上海AI实验室的旗舰模型与基准测试表现

本期节目重点评测了来自上海人工智能实验室（Shanghai AI Laboratory）的Atria Dawn模型。该机构是一家由国家资助的首级研究机构，拥有众多顶尖研究人员。在阿里旗下的模型托管平台ModelScope上，Atria Dawn是下载量最高的70个模型之一，其热度与Qwen 3.8相当。从基准测试来看，该模型表现强劲，在图表上击败了Qwen Opus和智谱的GLM系列。尽管目前仍处于预览阶段且存在一定bug，但其核心架构基于GLM 5.2引擎构建。从生成风格判断，它似乎融合了Qwen 3.8 Flash Next的训练数据与GLM的特性。本次测试旨在验证其基准分数是否真实，并探究基于GLM 5.2的改进版本是否优于最新的GLM 5.3。

纯 WebGL 3D 人脸生成与思维模式测试

在修复了部分着色器错误后，模型仍遗留更多报错。尽管使用 Q5 量化版本，生成过程依然不稳定。测试要求构建一个无外部库（如 Three.js）的纯 WebGL 3D 人脸，模型生成了 5,000 tokens 代码但伴随运行时错误。修复后，模型出现了法线方向混淆的问题：正面被正确着色，但背面可见且颜色异常。启用 Max Thinking 模式后，模型思考了超过 100,000 tokens，耗时数小时才生成一个未来感人脸。当将思考限制在 10,000 tokens 时，模型开始输出中文代码，推测是因为其训练数据主要源自上海人工智能实验室的中文语料。尽管存在运行时错误，修复后的效果令人印象深刻：这是一个程序化生成的人脸，支持调整光照、角度和渲染比例。界面包含“微生命”（Micro-life）功能，可能用于模拟眼睛或跟随动作；还允许修改微笑幅度。虽然面部特征略显怪异（被形容为类似 Oasis 乐队成员或 Gala），但整体交互性和视觉质量在纯代码生成中表现优异。

"It's a procedural face. So, that's very, very impressive."

3D 人体解剖与思维 Token 消耗建议

接下来测试生成 3D 人体解剖模型。该任务产生了约 100,000 tokens，由于生成时间过长且未能在测试中完全完成。模型在思考阶段表现出强烈的“未来感”和“空心甲板”（hollow deck）风格倾向，但消耗了大量思维 Token。测试者建议用户在使用此类模型时，设置最大思考 Token 限制为 10,000 或 25,000，以避免因模型过度思考导致响应时间无限延长。这一建议旨在平衡生成质量与等待效率，防止用户陷入漫长的空白等待。

"Probably if you are using it maybe set up a maximum thinking tokens... rather than have it produce hundreds of thousands of tokens."

游戏生成测试：COD、GTA 与 RDR2 的表现对比

在更激进的游戏生成提示下，模型表现各异。首先测试 《使命召唤》（Call of Duty）：启用 Max Thinking 模式后，生成耗时 3,600 秒（约一小时），消耗 40,000 tokens。虽然提供了运行时错误修复，但光照极暗，且射击无碰撞检测（可穿墙），导致游戏体验不佳。不过，枪械模型设计极具“COD 风格”，外观粗犷逼真。

接着测试 《侠盗猎车手》（GTA）：生成消耗 50,000 tokens。场景同样处于黑暗中，但包含一辆可驾驶的汽车。车辆具备 AI 控制能力，可在城市中行驶，且周围有其他 AI 控制的汽车。尽管缺乏行人和完整的可玩性基础，但已具备构建复杂场景的雏形。

最后测试 《荒野大镖客救赎》（Red Dead Redemption）：使用 Q5.5 位量化并在两台计算机上运行，仍出现多次运行时错误。生成总消耗 95,000 tokens。修复后，游戏包含精美的文字转语音（TTS）引入动画、背景城镇、骑马人物以及干草雕像。菜单系统包含“开始故事”、“自由漫游”等选项，视觉呈现非常优秀。

"The gun looks very mean and looks very Call of Dutiesque."

Atria Dawn沙漠开放世界的视觉与交互缺陷

在测试Atria Dawn这款基于本地AI生成的游戏时，作者发现其核心玩法存在严重逻辑断层。尽管玩家可以在沙漠中自由漫游，这种开放世界的自由度令人印象深刻，但场景中缺乏任何城镇或明确的任务指引。作者指出游戏氛围营造有些“诡异”，按下前进键后画面迅速变暗，导致玩家在沙漠中迷失方向。虽然天空盒设计避开了常见的埃及金字塔刻板印象，转而呈现出类似美国西部犹他州的荒野风格，但整体游戏机制处于“损坏”状态。作者评价道：“It's a bit broken. The actual game play itself.”（它有点坏了，实际游戏玩法本身。）这种视觉上的新颖性与交互逻辑的缺失形成了鲜明对比。

代码生成游戏的渲染Bug与Token消耗分析

作者尝试让AI编写复杂的3D浏览器游戏，包括游乐园模拟器和飞行模拟器。在禁用思考模式（Thinking Disabled）下生成代码时，模型产生了惊人的Token消耗量。例如，游乐园游戏生成了27,000个Tokens，飞行模拟器产生了14,000 Tokens。尽管代码中包含了Three.js等3D渲染库，但实际运行效果往往出现严重偏差。游乐园游戏中，AI错误地将小地图渲染为全屏画面，导致玩家无法看到真正的3D图形。飞行模拟器虽然场景美观且让人联想到GLM 5.2之前的生成水平，但角色朝向错误。作者指出：“It's crazy how thinking disabled produces so many tokens.”（禁用思考模式产生如此多的Token真是疯狂。）这表明模型在缺乏推理引导时，倾向于生成冗长但逻辑错误的代码。

赛车与平台跳跃游戏的物理交互失效测试

在3D卡丁车竞速游戏中，AI生成了18,000个Tokens。修复运行时错误后，游戏虽然出现了小地图和敌方角色等元素，但碰撞检测完全失效。作者发现当自己向前驾驶时，实际上是向摄像机方向移动，导致视角混乱。尽管画面中有盾牌和敌人逼近的视觉效果，但角色之间无法发生物理碰撞或阻挡。随后测试基于超级马里奥风格的平台跳跃游戏时，出现了更严重的逻辑错误：摄像机移动并未同步带动玩家角色位置。虽然修复后场景包含城堡、发射火球的巨型库巴和美丽的树木，但玩家无法进行二段跳且游戏最终崩溃。作者感叹：“There is no collisions unfortunately.”（不幸的是没有碰撞。）这些案例显示AI在生成复杂物理交互逻辑时仍存在根本性缺陷。

最终幻想7场景生成的光照与角色解剖学问题

在生成《最终幻想7》相关内容的测试中，AI在禁用思考模式下生成了高达58,000个Tokens的代码。尽管Token量巨大，但生成结果被作者评价为“一次失误”。首先，场景光照极暗且代码逻辑错误，需要人工手动增强亮度。其次，虽然识别出克劳德、蒂法和巴雷特等角色，但角色的解剖结构不正确。例如蒂法的身体比例怪异，且玩家无法与这些NPC进行任何交互。尽管任务提示要求前往7号扇区反应堆，但碰撞系统损坏且缺乏过场动画。作者总结道：“That wasn't a good generation. Got to say that was a bit of a miss.”（那不是一个好的生成，必须说这有点失误。）尽管基准测试可能显示其性能提升，但实际用户体验中存在的光照、碰撞和角色建模问题表明该模型在复杂3D场景生成上仍有巨大差距。

街霸2生成测试：思维模式对比与趣味玩法

在测试《街头霸王2》克隆版时，作者分别尝试了禁用和启用思维模式。禁用思维模式下生成了21,000个纯代码token，而启用思维模式则产生了50,000个token但伴随运行时错误。尽管存在bug，生成的游戏仍具备可玩性：玩家可选择Kenzie、Maverick等角色进行对战，甚至拥有“power fart”（强力放屁）和“duck into yourself”等滑稽技能。作者指出，仅输入“Street Fighter 2 clone”这一提示词便实现了这些功能，思维模式对代码生成量和质量有显著影响。虽然角色渲染缓慢且需后续提示修复，但整体战斗逻辑和角色切换功能（如Chung Lee的闪电腿）运行正常。

"I hit play here and we get some funny characters. You can kick... You can do a power fart." "Prompt wise, all I said was Street Fighter 2 clone."

古墓丽影生成：从失败到可玩关卡的迭代过程

《古墓丽影》测试经历了多次尝试。首次禁用思维模式生成导致角色面部扭曲且出现运行时错误，被作者称为“monstrosity”。随后启用Max Thinking模式思考超过100,000个token但未产出代码，作者遂将思维限制在50,000 token内，最终生成30,000个token的代码。尽管角色无头且初始画面黑暗，但肢体动作流畅度令人印象深刻。游戏包含实际关卡设计：玩家需收集5个光球，躲避印第安纳琼斯风格的滚动巨石和攻击性刀片。作者成功通过检查点并收集了4个光球，证明了该模型在复杂游戏机制生成上的潜力。

"With Max Thinking, it thinks for over 100,000 tokens and doesn't produce any code." "Look at that... there's a rolling ball that is like from Indiana Jones kind of situation."

帝国时代2生成：从极简代码到完整策略游戏对比

《帝国时代2》测试展示了模型在不同思维模式下的巨大差异。禁用思维模式下仅生成4,000个token，代码量极少且无法运行；而启用思维模式后生成53,000个token，虽需修复运行时错误，但成功构建了一个完全可玩的策略游戏。玩家能够采集食物、黄金和石头资源，建造兵营和村庄，并指挥民兵军队。作者演示了实际战斗过程：攻击敌方村民、摧毁城镇中心和马厩，并击败骑士单位。尽管小地图移动体验不佳且资源采集基础简陋，但完整的RTS核心循环（建造-生产-战斗）得以实现。作者评价其为“非常令人上瘾”的游戏，尽管画面基础。

"It produced only 4,000 tokens... The generation it made of Age of Empires 2 was a joke." "I'm actually going to play this game cuz it's actually a good game."

Office与演示类应用生成的稳定性挑战

在测试Microsoft Word时，模型在未启用思考模式的情况下生成了126,000个token。尽管代码量巨大且展现了训练数据的深度，但量化模型在处理如此长文本时不可避免地出现了运行时错误。生成的Word界面虽然美观且具备基本功能，但缺乏菜单系统导致无法更改字体等细节。这一生成过程耗时极长，被描述为“像六小时一样的生成”，凸显了本地大模型在复杂应用构建上的算力瓶颈与延迟问题。

多媒体软件复刻：从PowerPoint到iMovie的尝试

随后测试了PowerPoint克隆版，虽然具备演示模式且允许修改文本（如将“Big bold ideas”改为其他内容），但同样遭遇了运行时错误。在Photoshop测试中，未启用思考模式生成了68,000个token，用户可以在画布上绘制图形（尽管生成的面孔看起来很奇怪），但依然伴随错误。iMovie的生成量为56,000个token，虽然实现了时间线播放和淡入过渡效果，但无法移动素材且存在运行时错误。这些案例表明模型在多媒体应用生成上具有潜力，但稳定性仍需多次迭代才能修正。

结论

Atria Dawn在基准测试中表现强劲，但在实际复杂3D生成任务中存在显著短板。其优势在于能构建具备完整核心循环的游戏（如帝国时代2）及流畅肢体动作，但普遍存在光照过暗、碰撞检测失效及角色解剖错误等逻辑缺陷。模型对思维Token消耗极大，常导致生成超时或代码冗长且错误率高，需用户手动限制思考上限以平衡效率。尽管视觉呈现有时令人印象深刻，但当前版本在交互稳定性与物理逻辑上仍不成熟，仅适合用于原型探索而非直接交付可用的复杂应用。