最近我拿了一道很适合测大模型前端与空间理解能力的题，分别去测试了三组最新模型。题目要求很明确：创建一个 120 平方的 3D 平面图，必须有 2 个房间、2 个卫生间，而且要是一个可用的平面图，技术栈限定为 HTML、CSS、JS 和 Three.js，最后只输出一个能直接运行查看的 HTML 文件。

这道题看似简单，实际上非常刁钻。它不是单纯考“会不会写页面”，而是在同时考四件事：空间规划、前端工程整合、Three.js 组织能力，以及最终作品是否真的像一个能交付的成品。

我把混元3、GLM5.2、GPT5.6sol 三组结果都跑了一遍，结论很直接：
有的模型能把结构做出来，但成品感弱；有的模型会包装界面，但主体图不够清楚；只有最强的一组，才真正接近“可展示、可理解、可交付”的水平。

这道题为什么值得测

很多人测大模型前端能力，喜欢用登录页、仪表盘、个人主页这类题，但这些题容易“模板化”。
而 3D 户型图不一样，它对模型提出的是综合能力：不仅要画出房间，还要把空间关系、视觉层次、门窗位置、家具摆放和交互操作一起处理好。

更关键的是，这题还有两个硬约束：

• 必须是 120 平方、2 房、2 卫。

• 必须输出单个 HTML 文件。

这意味着模型不能靠多文件拆分来掩盖问题，也不能只做静态示意图糊弄过去。它必须真的把 HTML、CSS、JS 和 Three.js 组合成一个可运行作品。
所以，这类题非常适合用来测模型的真实工程交付能力，而不只是“生成代码的表面能力”。

三个结果的真实差距

混元3：更偏结构完成，能把 120㎡、两室两卫、Three.js 平面图做出来，但视觉表现偏 demo

从结果里看，有一张图已经把 120㎡ 公寓的基础结构搭出来了，能识别出主卧、次卧、两个卫生间、客餐厅和厨房这些基本功能区。
这说明模型至少理解了题意，知道要把户型拆成合理空间。

但问题也很明显：
它更像一个“能跑的 demo”，而不是一个“可以拿去展示的作品”。
主要短板在于材质比较粗，家具和墙体表现偏简化，整体视觉层级也不够强。你能看懂它在表达什么，但很难说它精致。

这类结果的优点是完成度合格，缺点是作品感不足。
如果放在测评里，它属于“功能做到了，体验还差一口气”。

GLM5.2：UI 包装更完整，但主体图表达偏弱，空间逻辑还不够清楚。

另一张图明显更重视 UI 包装，比如左上角信息卡、按钮、模式切换、功能区这些都安排得比较完整。
从“看起来像一个产品”这个角度，它是加分的。

但真正的问题在主体图：
整体太白、边界不够清楚、空间层次不够明确，导致两室两卫的结构虽然存在，却没有被很好地表达出来。
也就是说，它的“外壳”做得更像成品，但“核心内容”没打透。

这类结果在实际测试里很常见：
模型先学会了 UI 修饰，但没有把题目最重要的空间表达做好。

GPT5.6sol：整体完成度最高，更接近一个可展示的成品，信息组织和视觉层次更成熟。

第三张图是我认为完成度最高的一张。
它的信息组织更完整，左侧有面积、房间数、卫生间数等概览，主体平面图的细节也更丰富，家具、区域、标签和分区关系都更清楚。

这一类结果的优势非常明显：

• 视觉上更像真正的户型展示页面。

• 结构上更接近能交付的作品。

• 整体呈现更成熟，不像临时拼出来的 demo。

但即便如此，测评不能只看“精致不精致”，还要追问一个更重要的问题：
它是否真的可用？

比如：

• 两个卫生间的位置是否合理。

• 主卧和次卧的私密性是否成立。

• 客餐厅和厨房之间的关系是否自然。

• 门洞、动线、采光与通行是否真的像一个正常住宅。

如果这些逻辑都成立，那它就不只是“好看”，而是真正具备实用价值。

我的判断

根据这三张结果图来评价，我会把它们归成三种能力层级：

• 混元3：能完成任务，但作品感一般。

• GLM5.2：会做界面包装，但核心表达不够扎实。

• GPT5.6sol：最接近真实交付成品。

这也是这次测试最有意思的地方。
因为真正拉开差距的，不是谁能把代码写出来，而是谁能把空间理解 + 工程整合 + 展示设计同时做好。

换句话说，这题测到最后，拼的不是“会不会生成 HTML”，而是“能不能生成一个看起来像样、逻辑也成立的 3D 户型网页”。

测评结论

这轮测试最直观的结论是：模型已经不只是会写页面，而是开始分化出“能做出来”和“能交付出来”的差距。
可以看出国内大模型仍然和国外最强大模型仍然有较大差距，5.6 sol确实非常强悍，没有像我们自己说的只是差距几个月的水平。

如果你觉得这篇文章对你有帮助，也欢迎给我一个三连击：点赞、转发和在看；如果可以，再帮我点一个⭐️。谢谢你看到这里，我们下篇再见。