วิเคราะห์และรีวิว: ให้ GPT-5.6, Claude, Gemini และ Grok วาดภาพโมนาลิซ่า

ทีม tryai.dev ทำ “canvas arena” ให้ GPT-5.6 Sol, Claude Fable 5, Gemini 3.6 Flash และ Grok 4.5 วาดโมนาลิซ่าผ่านเครื่องมือ colored-pencil (function call: draw / smudge / erase / view_canvas) บนผืนผ้าใบเปล่า ๆ ไม่ใช่ image generation แล้วมาดูว่าตัวไหนตีความสัดส่วน แสงเงาได้ใกล้ต้นฉบับสุด

ฟังดูเป็นการทดสอบแปลก ๆ นะ แต่จริง ๆ มันวัด reasoning ของโมเดลได้ดีเลย เพราะแทนที่จะเรียก diffusion model โมเดลต้องสั่งเครื่องมือทีละ stroke ผ่าน tool call เอง คิดเองว่าจะเริ่มลากเส้นตรงไหน แรงกดเท่าไหร่ ผสมสียังไง

ผมว่าตรงนี้แหละที่เห็นความต่างชัด บางตัวเข้าใจว่าโมนาลิซ่ามีรอยยิ้มแบบไหน มุมมองแบบไหน แต่พอต้องสั่งดินสอเองกลับพังไม่เป็นรูปคน

บทความนี้จะพาไปดูผลลัพธ์จริงของแต่ละตัว พร้อมบอกว่าใครเหมาะกับงานที่ต้องให้โมเดลควบคุมเครื่องมือเอง (agentic tool use) มากที่สุด

ผลลัพธ์ภาพวาดโมนาลิซ่าจากแต่ละ AI

พอเห็นภาพจริงเรียงกัน 4 ตัว ความต่างชัดกว่าที่คิดมาก GPT-5.6 Sol เป็นผู้ชนะขาดลอย จับโครงหน้า สีผิว และเงาบนใบหน้าได้ใกล้เคียงต้นฉบับสุด Claude Fable 5 มาที่ 2 เรื่องความสวยแต่ยังไม่คมเท่า Sol

Gemini 3.6 Flash ได้คะแนน SSIM (structural similarity) สูงสุด แปลว่าโครงสร้างภาพใกล้ต้นฉบับสุด แต่พอมองด้วยตายังดูดิบกว่า Sol อยู่ ส่วน Grok 4.5 คือตัวที่แย่สุดในกลุ่ม แหล่งข่าวใช้คำว่า “basically garbage” ทั้งที่ใช้ token เยอะที่สุดเพราะเรียก tool ซ้ำ ๆ ไม่จำเป็น

ผมว่าจุดนี้สะท้อนความสามารถด้าน spatial reasoning ของโมเดลได้ตรงมาก เพราะมันต้องนึกภาพในหัวแล้วสั่งดินสอทีละเส้น ไม่ใช่แค่ generate ภาพสวยแบบ diffusion model

จุดเริ่มต้นของการทดลองสุดแปลกนี้

ไอเดียเริ่มจากคำถามง่าย ๆ ว่า ถ้าให้ AI แชทบอทวาดภาพโดยไม่ใช้ image generation model ล่ะ จะเกิดอะไรขึ้น

แทนที่จะสั่ง Midjourney หรือ DALL-E สร้างภาพ ทีม tryai.dev สร้าง harness โอเพนซอร์สชื่อ canvas-arena (github.com/hershalb/canvas-arena) ให้โมเดลได้ผืนผ้าใบเปล่ากับชุดเครื่องมือ colored-pencil โมเดลต้องเรียก tool call เช่น draw, smudge, erase, view_canvas เอง เพื่อวาดทีละเส้นเหมือนคนจริง ๆ

พูดตรง ๆ ผมว่านี่คือการทดสอบที่โหดกว่าการ generate ภาพทั่วไปมาก เพราะโมเดลภาษาไม่ได้ถูกฝึกมาเพื่อวาดภาพโดยตรง มันต้องแปลงความเข้าใจเรื่องรูปทรง สัดส่วน แสงเงา ให้กลายเป็นลำดับ tool call ที่รวมกันแล้วยังดูเป็น Mona Lisa ได้

ผลลัพธ์ที่ได้น่าสนใจกว่าที่คิดไว้เยอะ

AI แต่ละตัวอยู่ตรงไหนในสงคราม LLM ตอนนี้

ตอนนี้ตลาด LLM แข่งกันดุเดือดมาก โมเดลรุ่นล่าสุดที่เข้าร่วม arena นี้ก็ล้วนเป็นตัวเรือธง

GPT-5.6 Sol ของ OpenAI เน้นเคลมเรื่อง reasoning ที่ลึกขึ้น คิดเป็นขั้นเป็นตอนก่อนตอบ ส่วน Claude Fable 5 จาก Anthropic ขึ้นชื่อเรื่องความแม่นยำในงาน coding และการทำตามคำสั่งซับซ้อน

Gemini 3.6 Flash ของ Google บอกว่าตัวเองแข็งเรื่อง multimodal เพราะฝึกมาให้เข้าใจภาพ ข้อความ และโค้ดพร้อมกันตั้งแต่แรก ส่วน Grok 4.5 จาก xAI เน้นความเร็วกับข้อมูลที่อัปเดตแบบ real-time

ผมว่าแต่ละตัวเคลมจุดแข็งต่างกัน แต่การทดสอบวาด Mona Lisa แบบนี้มันเผยจุดอ่อนที่คำโฆษณาไม่เคยพูดถึง เพราะมันวัดว่าโมเดลควบคุมเครื่องมือของตัวเองได้ดีแค่ไหน ไม่ใช่แค่ตอบคำถามได้ถูก

เมื่อ AI ต้องควบคุมเครื่องมือเอง

ทักษะการควบคุมเครื่องมือด้วยตัวเองแบบนี้ไม่ใช่แค่โชว์ แต่คือทักษะแกนของ agent ยุคนี้เลย เพราะทุก agent ที่ใช้งานจริง — ตั้งแต่ browser agent ไปจนถึง coding agent — ก็ทำงานผ่าน tool call เหมือนกัน

canvas arena เลยกลายเป็น proxy ที่วัดว่าโมเดลไหนเรียกเครื่องมือได้เนียนสุด เพราะการวาดรูปคนมันไม่มีเฉลย ต้องอาศัยการตัดสินใจของโมเดลเองล้วน ๆ ว่าจะเริ่มลากตรงไหน สีอะไร แรงกดเท่าไหร่

ผมว่าจุดที่น่าสนใจสุดคือที่ทีมสังเกตว่าทุกโมเดล “peak แล้ว degrade” — วาดได้ดีสุดตอนกลาง ๆ แล้วพอวาดต่อกลับแย่ลง เพราะมันไม่รู้ว่าจะหยุดตรงไหน คล้าย ๆ agent จริงที่แก้โค้ดจนเกินคำสั่ง

ใครวาดโมนาลิซ่าได้ “เนียน” กว่ากัน

พูดตรง ๆ ว่าดูจากภาพที่ออกมา GPT-5.6 Sol เข้าใจการวางเส้นและแสงเงาได้ดีสุด ทั้งยังใช้ tool call อย่างประหยัดกว่าตัวอื่น ๆ ส่วน Gemini 3.6 Flash ชนะเรื่องโครงสร้างเชิงตัวเลข (SSIM) แต่ยังแพ้ Sol เรื่อง “ดูเป็นคน”

ผมว่าไม่มีตัวไหนวาดได้เหมือนต้นฉบับ 100% หรอก แต่แค่เห็น AI ควบคุมเครื่องมือดินสอสีเองแล้วยังจับ mood ของ Mona Lisa ได้ก็น่าทึ่งพอแล้ว

ข้อดีข้อเสียของแต่ละโมเดลเมื่อใช้งานแบบนี้

พอลองเทียบกันจริง ๆ แต่ละโมเดลมีจุดแข็งจุดอ่อนคนละแบบ ไม่มีตัวไหนเทพรอบด้าน

GPT-5.6 Sol ชนะทั้งเรื่องคุณภาพภาพและวิธีเรียก tool ที่กระชับ Claude Fable 5 มาที่ 2 เรื่องความสวย แต่แลกกับค่า API ที่พุ่งไปประมาณ $160 ต่อการวาด 7 ภาพ Gemini 3.6 Flash โครงสร้างดีตาม SSIM แต่ตาคนยังเห็นว่าดิบ ส่วน Grok 4.5 คือตัวที่ควรข้ามไปสำหรับงาน agentic แบบนี้

ผมว่าถ้าเน้นคุณภาพต่อค่าใช้จ่ายต้องเลือก GPT-5.6 Sol ก่อน ถ้าอยากได้ SSIM สูงหรือเร็ว Gemini 3.6 Flash พอไหว ส่วน Claude Fable 5 เลือกได้ถ้าไม่แคร์ราคา แต่ Grok 4.5 ยังไม่พร้อมสำหรับงานควบคุมเครื่องมือละเอียดแบบนี้