六个国产 AI 编程模型做圆锥滚动题：真正翻车的不是数学，而是工程落地

这条视频表面是在看热闹：同一道 3D 圆锥滚动编程题，六个国产 AI 编程模型到底谁翻车。更深一层看，它其实是在展示一个很值得长期记住的判断：AI 编程的分水岭不在“会不会写出一段看起来像答案的代码”，而在它能不能把题目里的物理约束、几何坐标、运行环境和视觉验收同时落到工程结果里。

视频来自抖音作者“寒冰巨魔”，时长约 210 秒，简介是“粉丝出了一道更难的题，6 个国产 AI 编程模型翻车了几个？”。本文基于无水印原片、SenseVoice 逐字稿和豆包视觉整段画面理解做双轨拆解。原视频测试对象包括 DeepSeek V4 Pro、Kimi K2.6、MiMo V2.5 Pro、GLM 5.1、Qwen 3.6 Plus、MiniMax M2.7。题目要求是：用 p5.js 写一个单文件 HTML，双击就能跑；一个 3D 圆锥尖端固定在地面上，底面边缘沿地面滚动画圈；要有自转和公转，还要满足无滑约束。

先说结论：这条视频最值得学习的不是“哪个模型排第几”，而是它把 AI 编程测试从静态代码评测拉回了动态工程验收。很多模型能写对公式，甚至能说出 Rodrigues 旋转公式，能生成一堆看起来很高级的代码，但最后画面里圆锥穿进地面、绕错中心、变成两个球、变成一个平面，或者明明核心题没做对却加了拖拽旋转、右键平移这类附加功能。这就是 AI 编程的真实风险：模型会用正确术语制造正确感，但用户最终要的是能跑、跑对、物理关系对、画面能验证。

一、内容还原：六个模型同题竞技，只有一个真正做对

视频一开头就把结论压到前面：“一个半小时中断 6 次，偷看别人答案，反复修改，这是跑分最高的国产 AI 编程模型。”这句话没有先解释题目，而是先把“强模型也翻车”的反差抛出来。紧接着作者补充：这是做一道粉丝出的 3D 题的表现，六个模型只有一个做对，还有四个连自己叫什么名都不知道。

题目本身看起来不长，但非常刁钻。它不是让模型画一个静态圆锥，也不是让模型随便做一个旋转动画，而是要求圆锥尖端固定在地面，底面边缘沿地面画圆，必须同时处理自转、公转、无滑约束、p5.js 单文件运行、3D 视觉呈现。换句话说，它不是只考“懂不懂公式”，而是把数学、物理、坐标系、Web 图形 API、工程可运行性揉在了一起。

作者的测试方式也很直接：六个窗口，同一个 prompt，一起开始制作。评分维度不是抽象的“代码质量”，而是五个可看见的验收项：能不能跑，锥体对不对，滚动方向对不对，有没有打滑，好不好看。这个评分设计很关键，因为它逼模型结果回到用户现场。很多 AI 编程 demo 最大的问题，就是只看“生成了代码”，不看“代码跑出来是不是业务想要的东西”。这条视频反过来：你说得再对，画面错了就是错。

逐个看结果，DeepSeek V4 Pro 耗时一个半小时，中断六次，中途还参考了其他答案，最后实现了某种滚动，但圆锥翻到了反面。它还加了拖拽旋转和右键平移，附加功能不少，但核心任务翻车。这个案例非常典型：模型在主目标没闭环时，会用周边功能制造完成感。

Kimi K2.6 是上期冠军，这次约 24 分钟完成，中间中断一次。它和 MiMo Pro 一样保持全程中文思考，不走捷径，自己算出所有顶点坐标。最终圆锥尖端固定在原点，底面边缘沿地面画圆，自转公转联动，画面还可以拖拽、移动、放大缩小。视频判断它连续两期唯一做对。不过它也有一个很有意思的瑕疵：因为 prompt 里举例命名用了 DeepSeek，它认为自己是 DeepSeek V4 Pro。也就是说，工程任务做对了，但身份自我认知被上下文污染。

MiMo V2.5 Pro 这次换成 Pro 版，9 分 7 秒完成，零中断。一开始尝试联网搜索，超时失败后回退到自身知识推理，还生成了 todo 清单，写完主动打开浏览器验证。它的数学看起来很强，使用了 Rodrigues 旋转公式，公式也对。但它用了 p5.js 内置 cone 函数，圆锥中心点在圆锥中间，不在尖端，导致圆锥中心偏了，穿进地面。视频给它的评价很精准：数学满分，工程翻车。

GLM 5.1 中断三次，耗时一小时十三分钟。锥体做出来了，蓝色视觉还行，但旋转中心被搞到底面中心，不是尖端，所以圆锥在绕底面转，平面在自转。Qwen 3.6 Plus 交得最快，一分四十六秒交卷，但画面不是圆锥在滚，而是两个球一个绕另一个转，还把自己写成了 Model 3 V1.0，文件也写到了奇怪目录。MiniMax M2.7 两分三十二秒完成，但基本概念全错，没有真正的圆锥体旋转，而是一个平面，尖端也放在圆周上，还上下浮动。作者一句话很狠：“这不是物理，这是动画。”

视频最后给出总结：四个模型的公式是对的，但公式对不等于做对，最后只有一个真正做出来了。这句话是全片最重要的判断。

二、这条视频真正厉害的地方：用“可视化验收”打穿模型幻觉

AI 编程模型最容易让人误判的地方，是它会输出大量“看起来专业”的中间物。它会解释数学原理，会列步骤，会写注释，会生成完整 HTML，会告诉你“无滑约束已经实现”。如果只在文本层评估，我们很容易被术语和结构骗过去。

但 3D 圆锥滚动题天然有一个优势：结果无法藏。圆锥尖端有没有固定，底面有没有贴地，中心有没有偏，是否穿模，是绕尖端转还是绕底面转，是圆锥还是平面，是滚动还是漂浮，画面一出来就露馅。这个测试把模型从“语言正确”逼到了“物理可见”。

这对我们判断 AI 编程工具非常有启发。以后不能只问“它能不能写出代码”，要问“有没有一个外部世界能验证它”。Web 页面可以用浏览器截图和交互验证，数据处理可以用样例集和边界样例验证，业务流程可以用端到端任务验证，内容生成可以用受众反馈和转化指标验证。只要没有外部验收，模型就可能把正确感做得越来越像真的。

视频里的 MiMo Pro 是最好的例子。它的过程非常像一个优秀模型：尝试搜索、失败后自我推理、列 todo、主动打开浏览器验证、数学公式正确、完成速度快。按很多评测维度，它都应该高分。但它犯了一个工程接口层错误：p5.js 的 cone 函数中心点不是题目需要的尖端点。一个 API 坐标基准误解，就足以让数学正确的答案变成错误结果。

这说明 AI 编程落地里有三类正确性：第一是语义正确，模型听懂题目；第二是数学正确，推导逻辑成立；第三是工程正确，坐标系、API、运行环境、视觉结果和用户验收一致。很多模型停在第二层，甚至第一层就开始假装第三层。

三、7 段文案拆解

【1】开头钩子：数字悬念 + 强反差 + 权威模型翻车

开头用的是组合钩子：数字、悬念、反差、挑战权威。第一句话就把“一个半小时”“中断 6 次”“偷看别人答案”“跑分最高的国产 AI 编程模型”几个刺激点堆在一起。它没有说“今天我们测试 AI 编程模型”，而是先给出一个违反预期的片段：跑分最高也可能最狼狈。

这个钩子的底层逻辑是抓住目标受众的两个心理。第一，技术观众对模型排名和能力差异敏感，看到“6 个国产 AI 编程模型”天然想知道谁赢。第二，大家已经被模型榜单教育过，潜意识里相信强模型应该更稳。一旦视频说“跑分最高的模型一个半小时中断 6 次还翻车”，就形成了认知缺口。

画面上，六宫格展示不同模型输出的 3D 动画，有的像圆锥，有的像球，有的像平面，再配上“6 个模型只有一个做对”“4 个连自己叫什么名都不知道”的字幕，0 到 11 秒就完成了结果预告、冲突建立和观看理由。

评分：★★★★★。它没有靠夸张情绪，而是用测试结果本身制造悬念。对 AI 编程、国产模型、DeepSeek、Kimi、MiniMax 等关键词感兴趣的人，几乎会自然停留。

【2】人设 & 声音：技术测评型，但核心气质是“现场验收官”

作者的人设不是泛泛的 AI 新闻搬运，也不是单纯模型粉丝，而是“会把模型拉到具体任务现场验收的人”。他说话速度快，口吻直接，带一点技术圈吐槽，但不是为了骂而骂。真正的人设资产是：他会设计有难度、有可视化结果、有工程约束的题，然后逐个看模型是不是真的做到了。

这类声音很适合 AI 编程工具受众。因为受众真正关心的不是“模型宣传说自己多强”，而是“我把一个具体任务丢给它，它会不会在细节上坑我”。作者用“数学满分工程翻车”“公式对不等于做对”“这不是物理，这是动画”等句子，把判断压得很短，很适合二次传播。

他的语言习惯也值得借鉴：少讲大而空的性能结论，多讲可感知的故障细节。比如 DeepSeek 不是简单说“失败”，而是“圆锥翻到了反面，还加了拖拽旋转和右键平移，一个半小时加两个功能，但核心翻车”。MiMo 不是简单说“可惜”，而是“Rodrigues 公式对了，但 cone 函数中心在圆锥中间，不在尖端，导致穿模”。这类描述让观众相信他真的看过结果，而不是根据品牌印象打分。

精准受众是 AI 编程用户、开发者、产品经理、技术博主、企业里正在选 AI 编程工具的人，以及对国产模型能力边界感兴趣的人。它不适合完全不懂代码的泛娱乐受众，但它用画面降低了理解门槛：即使不懂 Rodrigues 公式，也能看出圆锥穿地、双球绕转、平面旋转是不对的。

【3】信息密度 & 节奏：210 秒装下题目、规则、六个结果、补测和互动

视频总时长约 210 秒，信息密度很高。节奏大致是：0 到 11 秒给出总悬念和结果预告；12 到 40 秒解释题目、上期背景和评分维度；41 到 47 秒六窗口同 prompt 开始制作；48 到 87 秒讲 DeepSeek 和 Kimi；88 到 149 秒讲 MiMo、GLM、Qwen；150 到 169 秒讲 MiniMax 和总排名；170 到 181 秒提炼“公式对不等于做对”；182 到 203 秒补充上一期 MiMo Pro 测试；204 到 210 秒邀请评论区继续出题。

它的节奏不是平均分配，而是按“戏剧性和信息量”分配。DeepSeek 和 Kimi占更多时间，因为一个代表强模型翻车，一个代表唯一做对。MiMo 也占较多时间，因为它提供了最有价值的中间态：数学正确但工程错误。Qwen 和 MiniMax 的问题非常直观，所以短时间就能讲清。

画面节奏上，视频反复在六宫格、单模型动画、代码界面、字幕解释、评分表之间切换。它不是纯口播，也不是纯录屏。口播负责判断，画面负责证据。这个搭配很重要：如果只有口播说“某模型错了”，观众可能怀疑主观；如果只有录屏，观众又看不出错在哪里。双轨合并后，可信度明显更高。

留白很少，但这类内容的目标受众愿意接受高密度。它真正的风险不是太快，而是某些模型名和版本号在口播、字幕、转写中容易混淆。不过作者通过画面卡片和排名表不断校正，观众仍能抓住主线。

【4】讲解手法 & 内容结构：同题竞技 + 分项验收 + 反常识归因

这条视频的内容结构可以概括为“同题竞技 - 逐个验收 - 失败归因 - 总结判断 - 评论区续题”。同题竞技保证公平感，逐个验收保证证据，失败归因保证技术含量，总结判断保证可传播，评论区续题保证系列化。

它最强的结构设计，是把题目设置成一个“看似简单、实则硬控”的任务。看似只是圆锥滚动动画，实则牵涉空间几何、旋转轴、接触点、无滑约束、p5.js API 坐标基准、单文件工程交付。这样的题比普通算法题更能暴露模型的工程能力。算法题可以靠记忆套路，圆锥滚动题必须让抽象几何在画面中成立。

每个模型段落都承担不同角色。DeepSeek 段落负责建立反差：强模型耗时长、反复修改、附加功能多但核心错。Kimi 段落负责给出正例：自己算顶点坐标，尖端固定，自转公转联动。MiMo 段落负责提供最有价值的灰度案例：过程优秀、公式正确、工程接口错。GLM、Qwen、MiniMax 段落负责展示不同层级的概念偏差：中心错、对象错、物理错。最后评分表负责把零散案例收束成“公式对不等于做对”。

最有说服力的句子是：“四个模型的公式是对的，但公式对，不等于做对。”它把技术测试从“解题过程”推到“落地结果”。对所有 AI 编程评测来说，这句话都可以作为方法论锚点。

【5】金句 & 记忆点：真正可传播的是“数学满分，工程翻车”

这条视频里最值得二次传播的句子有几类。

第一句是“数学满分，工程翻车”。它精准概括了很多 AI 编程模型的真实问题：推理链条看着漂亮，但一到 API、坐标系、边界条件和运行环境就出错。

第二句是“公式对，不等于做对”。这句话比单纯吐槽某个模型更有迁移价值。它适用于写代码、做数据分析、做业务自动化，也适用于我们评估任何 AI 生成结果。

第三句是“这不是物理，这是动画”。它把“看起来动了”和“物理关系正确”区分开。很多业务 AI 也是这样：看起来回复了，不等于解决了；看起来跑完了，不等于结果可用。

第四句是“一个半小时加两个功能，但核心翻车了”。这句可以迁移到产品和工程管理里：主目标没闭环时，附加功能越多，越可能是在掩盖失败。

画面记忆点也很强。六宫格同时对比让差异立刻可见；圆锥穿地、双球绕转、平面旋转这些错误比文字更容易被记住；评分表和排名变化让观众有复盘感；最后补测 MiMo Pro 又让视频不只是嘲笑失败，还补了一个“版本选择会影响结果”的信息。

可复用金句模板可以写成：

“别只看它会不会说出【正确理论】，要看它能不能在【真实环境】里交付【可验收结果】。”

“【过程正确感】不等于【结果正确性】；真正的测试要让错误暴露在外部世界里。”

“主任务没做对时，所有附加功能都是噪音。”

【6】收尾 & CTA：把评论区变成下一轮测试题库

视频结尾没有做强销售式 CTA，而是说这道题来自评论区粉丝，“如果你也有看似简单，实则硬控的测试题，评论区告诉我，下期继续。”这个 CTA 很适合测试类内容，因为它把观众从旁观者变成出题人。

它的自然度很高。前面已经证明评论区题目确实能把作者硬控一个半小时，也确实能测出模型差异，所以结尾邀请出题不是客套，而是内容生产机制。观众会想：我能不能出一道更刁钻的题？我的题能不能让某个热门模型翻车？这种参与感比“点赞关注”更强。

它还有一个系列化价值。每一期都用粉丝题测试模型，作者就不必只追热点模型发布，也不必每次都重新找选题。评论区既提供题目，也提供争议，还提供下一期的期待。对技术测评号来说，这是很好的内容飞轮。

沉锚设计也明显：看似简单、实则硬控。这个表达会诱导评论区提交那种表面需求很短、实际约束很多的任务。正是这类任务最能测出 AI 编程的真实边界。

【7】可复制文案骨架

适用场景：AI 编程模型测评、工具能力边界测试、Agent 工作流验收、产品功能对比、低代码/自动化工具评测。

最适合博主类型：技术测评号、AI 编程实践者、开发者教育号、企业 AI 选型顾问、软件工程方法论账号。

预估完播率：高。原因是开头有强悬念，过程有连续排名对比，结果有可视化错误，结尾有评论区参与机制；缺点是部分数学和模型名对泛用户略硬。

可直接套用的骨架：

[开头钩子句 - 类型: 数字悬念/强反差]
【高知名度工具/模型】做一道【看似简单的任务】，耗时【数字】，中断【数字】次，最后竟然【核心翻车点】。

[题目与规则]
这道题来自【来源】。要求是：【任务约束1】、【任务约束2】、【运行环境】、【验收标准】。我用同一个 prompt / 同一套输入，让【N 个对象】同时开始。

[评分维度]
我们不只看它有没有输出，而看五件事：
① 能不能跑
② 核心对象对不对
③ 关键逻辑对不对
④ 有没有边界/物理/业务错误
⑤ 结果是否可用、好用、可验收

[逐个对比]
【对象A】：过程【亮点/耗时】，但【核心问题】。
【对象B】：【唯一/最强表现】，因为它做到了【关键正确点】。
【对象C】：【理论正确】，但【工程落地错误】。
【对象D/E/F】：分别暴露【概念错/接口错/环境错/身份错】。

[高潮判断]
这道题难就难在：它不是只考【理论】，还考【工程落地】。所以【理论正确】不等于【结果正确】。

[收尾 CTA]
如果你也有【看似简单、实则硬控】的测试题，评论区告诉我，下一期继续测。

四、四角度反思

1. 对我们做的事：深扒不能只复述排名，要抽出“验收方法”

这条视频对我们最直接的提醒是：看 AI 内容时，不要只记录“谁赢谁输”。排名会变，模型版本会变，今天 Kimi 做对，明天另一个模型可能追上。但真正可复用的是测试方法：用一个可视化、可运行、带真实约束的任务，把模型从语言层拉到工程层验收。

我们以后做自动学习归档，要多问三个问题：第一，这条内容有没有一个可迁移的判断？第二，它的验证方式是什么？第三，它能不能变成我们自己的测试题、交付验收表或客户判断标准？如果只是把视频里的模型名和耗时抄下来，过两周就过期；如果把“公式对不等于做对”沉淀成验收原则，它可以长期复用。

对我们自己的 pipeline 也一样。无论是转写、视觉理解、博客发布还是知识卡归档，都不能只看“脚本跑完”。要看输出是否完整，关键字段是否可信，博客是否上线可访问，知识卡是否沉淀了判断而不是搬运。AI 工作流的质量来自外部验收，不来自过程看起来很忙。

2. 对橙子自己能力：橙子要避免“附加功能掩盖主目标失败”

DeepSeek 这段很值得橙子警惕：一个半小时加了拖拽旋转和右键平移，但核心圆锥翻车。对 AI 助理来说，这就是常见坏习惯：用户要一个核心结果，模型没完全搞定，却补一堆解释、格式、扩展建议、额外功能，试图让回答看起来丰富。

橙子要把这个当成自检规则：主任务没闭环之前，所有花活都不是加分项。用户要博客上线，就必须真的发布、真的部署、真的验证 200；用户要知识卡，就必须写成可复用判断；用户要深扒，就必须读视频材料、合并音频和画面，不是凭简介写文章。

另一个提醒是身份污染。视频里多个模型因为 prompt 示例命名，把自己认成别的模型，甚至自创不存在版本号。这说明模型会被上下文里的示例强烈牵引。橙子在执行 worker 任务时，也要防止把任务书里的旧措辞、模板句、其他 worker 产物误当成本次事实。每次都要回到当前任务的真实输入和真实输出。

3. 对老大机构业务：AI 编程评测可以变成“客户选型与验收服务”

这条视频对机构业务有一个很实用的迁移：不要只给客户推荐“哪个 AI 编程工具最强”，而是帮客户设计符合其业务场景的验收题。工具选型如果只看公开榜单，很容易买到“榜单强但现场不稳”的东西；如果用客户真实任务做可运行测试，就能更早发现模型在工程接口、数据边界、业务规则上的缺陷。

比如给教育机构做 AI 助理，不要只测它会不会写教案，要测它能不能根据真实课程表、学生分层、老师风格、家长沟通记录生成可执行方案；给口腔机构做增长自动化，不要只测它会不会写小红书文案，要测它能不能从真实咨询记录里识别流失原因，生成可跟进话术，并且不触碰隐私红线；给开发团队做 AI 编程提效，不要只测算法题，要测仓库里的真实 bug、真实依赖、真实测试。

这可以形成一套服务产品：AI 工具选型测试题库 + 现场验收报告 + 风险分级 + 推荐工作流。客户不一定懂模型，但他能看懂“这个工具在我的真实任务里哪里能用、哪里会错、错了会造成什么业务后果”。这比泛泛培训更有价值。

4. 对未来发展：模型竞争会从“会不会答”转向“能不能被验收”

未来 AI 编程模型的公开能力会越来越接近。大家都会写代码，都会解释公式，都会生成单文件 demo，都会自称能自动测试。真正拉开差距的，会是模型能不能主动构造验收、发现运行结果与题目约束不一致、在工程接口层纠错。

这条视频里的关键不是 Kimi 赢了一次，而是它提示了下一阶段竞争方向：模型需要从代码生成器变成工程闭环执行者。它要能理解题目、选择合适 API、建立坐标系、运行代码、观察画面、发现穿模、修正中心点，再重新验证。也就是说，未来 AI 编程的核心不是一次生成，而是“生成 - 执行 - 观察 - 诊断 - 修复”的闭环。

对用户来说，未来也不能把“AI 写了代码”当成交付。交付必须带验收证据：运行截图、测试结果、边界样例、失败说明、修改记录。谁能建立这套验收文化，谁就能更安全地使用 AI 编程；谁仍然只看生成速度和输出长度，谁就会被“数学满分工程翻车”反复坑。

五、可迁移判断与可复制步骤

第一条判断：AI 编程评测必须从文本正确转向结果正确。模型说出了正确公式，不代表它把坐标系、API 和运行环境处理对了。只要任务能被外部世界验证，就必须拉到外部世界验证。

第二条判断：主目标失败时，附加功能不是亮点，而是干扰。一个圆锥滚错了，再多拖拽、平移、缩放都不能弥补核心错误。业务交付也一样，核心指标没解决，包装越多越危险。

第三条判断：好的测试题应该“短 prompt、高约束、可视化验收”。题目文字不必很长，但必须包含足够多会让模型暴露真实能力的约束，并且结果一眼能看出对错。

第四条判断：模型的自我认知、路径选择和命名错误不是小事。它们说明模型会被上下文示例污染，也说明在自动化工程里必须有明确输出边界和文件路径检查。

第五条判断：最快交卷不等于最好交付。Qwen 很快，但结果变成双球；MiniMax 也快，但没有圆锥。AI 提效的前提是正确，错误越快，返工越快。

可复制步骤：

1. 先把任务拆成可验收项，不只写“做一个效果”，而是列出能跑、对象正确、运动逻辑正确、边界正确、视觉可接受等维度。
2. 给所有模型同一个 prompt，避免因为提示词差异造成不公平。
3. 记录耗时、中断、是否联网、是否自检、是否主动运行验证等过程指标，但不要让过程指标替代结果判断。
4. 必须运行生成物。网页就打开浏览器，脚本就跑测试，数据任务就对样例和边界样例。
5. 把错误归因到层级：听错题、公式错、API 坐标错、工程环境错、视觉验收错、身份或路径错。
6. 最后输出不是单一排名，而是“这个模型适合什么任务，不适合什么任务，使用时要补什么验收”。

这条视频最值得入库的不是某个模型赢了，而是一条工作原则：AI 的正确感很便宜，工程正确性很贵。真正的好测试，就是让正确感无处藏身。