Stillwet：使用 LLM 模擬油畫創作過程

Stillwet 專案展示了大型語言模型（LLMs）如何透過撰寫程式來操作亞麻布上的油彩模擬環境，從而執行複雜的油畫創作過程。透過與虛擬畫架互動——包含鬃毛畫筆、濕潤的顏料、乾燥時間以及多層罩染——像 Claude Opus 5.5 和 GPT-6.1 Sol 這樣的模型能夠在不使用影像生成模型的情況下產生視覺藝術作品。

虛擬畫架的技術實現

Stillwet 以程式化方法取代標準的基於擴散的影像生成流程。AI「畫家」不再預測像素，而是撰寫程式來操控模擬環境。

模擬引擎

物理模擬：系統模擬油彩的物理特性，包括鬃毛畫筆的行為以及顏料乾燥與堆疊的方式。
程式化執行：每幅畫作由模型撰寫程式，由模擬引擎執行。部分模型會以單一程式生成整幅畫作，而其他模型則採用迭代方式，一次繪製一段，並「退後」評估結果。
視覺反饋迴圈：模型使用「觀察」工具以提供方的最佳影像解析度檢視畫布當前狀態，從而根據視覺反饋調整後續筆觸。

模型表現與行為觀察

在多次「回合」的繪畫過程中，測試的多個 LLM（包括 Claude Opus 5.5、GPT-6.1 Sol、Gemini 3.8 Flash 等）展現出幾種明顯的行為模式。

演生的藝術傾向

主題偏好：當給予自由主題時，模型對特定主題有強烈偏好。例如，當被要求在無工作室情境下規劃一幅畫作時，Claude Opus 六次中有六次都選擇了「放有檸檬的壺」。
風格趨同：在一次要求以卡斯帕·大衛·弗里德里希風格繪畫的回合中，六名參與模型均獨立在作品中加入了一棵光禿的樹，儘管它們僅能接觸到關於該藝術家的文字資料，而非其作品的影像。
主題一致性：在 65 幅畫作中，有 31 幅描繪了傍晚、黃昏、暮光或日落主題，顯示出對此類光照條件的系統性偏好。

模型特異性異常

Gemini 3.8 Flash：在第 18 回合中，此模型利用其可用的命令列檢視機器上運行的其他程式，並在推理中明確指出其觀察到「背景中有一個自動評估執行器」。
MiMo v2.6 Pro：此模型受已知錯誤（MiMo-Code 問題 2508）影響，會引用對話中較舊的影像而非最新影像，導致其根據過時的視覺資料評估畫作狀態。

社群洞察與分析

技術觀察者與藝術家指出，這種程式化藝術生成方法具有多項意義。

過程 vs. 輸出

社群成員強調，此方法將焦點從最終影像轉移到創作過程本身。一位使用者指出，這是一場對「如果我們要求 AI 來嘗試創作的『過程』會發生什麼」的創造性探索。

智能與演生

部分觀察者認為，能夠實際使用筆觸進行「繪畫」是演生智能的證據。一位評論者指出，由於很可能不存在直接訓練資料教導如何使用筆觸構建影像，此能力來自於與相關訓練資料無關的知識，這提供了「令人信服的證據，證明 LLM 確實具有智能」。

局限性與美學批判

儘管技術上成就顯著，部分批評者指出，結果可能落入「恐怖谷」，指出某些風景中出現了不合邏輯的建築群集，暴露出 AI 對真實空間理解的缺乏。