三个模型做同一个Three.js工厂，差在哪

同一个 prompt，让三个模型各做一个 Three.js 玩具分拣工厂——传送带送玩具、机械臂抓起来、按颜色放盒子。@yrzhe_top 记下了过程和耗时。

Claude Code 配 Fable 5.1：9 分 18 秒交活，流程搭得快，但造型偏简单，玩具还会穿模。

Codex 配 GPT-6 Astra：11 分 40 秒。它先去找了前端和 Three.js 的相关案例学习，还测了连续运行和手机点选；鸭子模型的嘴、眼睛、翅膀都有，抓取动作也连贯，作者说他最喜欢这版。

Grok 4.7：25 分 33 秒，前 12 分钟主要在查库和验证公式，全程调用工具 79 次，最后机械臂和玩具还是对不上。它自测了入盒计数，却没验证完整的三维抓取位置。

我的看法是，这组对照里最值得记的不是名次，而是"通过了什么、没通过什么"。Grok 的问题不在不努力，79 次工具调用不算少，而在自测的靶子选错了：数了入盒个数，却没检查抓取坐标对不对。

这种"检查容易的、漏掉真正决定成败的"模式很常见。他也留了个疑问：官方贴出的电气工程成绩很高，但他不知道怎么测——单点 benchmark 和端到端做出东西之间，差距往往就藏在这种没人验证的环节。