刷榜的AI，找不到南贤居：96年的《金庸群侠传》成了大模型考卷，Fable 5.1出门都用了4分钟
发售30年，这款老游戏成了AI的照妖镜
9月3日，微博博主"斌叔OKmath"（橙旭园CEO，粉丝109.9万）发了一条长帖：他把1996年的《金庸群侠传》做成了测试大模型长程任务（long-horizon）能力的沙盒——crpg-bench。微博评测方式简单粗暴：给模型看游戏截图，模型决定动作，程序执行，循环往复，最终目标是集齐14本天书通关。模型拿到的，就是这么一幅画面：
他给自己定了个时间窗：20分钟，谁探索得最多谁厉害。为了避免模型全程无意义烧token，他还专门写了一套SKILL，让模型对游戏任务和操作有基本认知。微博
结果，对玩过原版的三十多岁人来说，有种哭笑不得的解气。
榜单：4分钟出新手村，没有一个找到南贤居
他在帖子里贴出了20分钟内能顺利走出出生地的模型名单和时间。微博
Fable 5：3分钟
Fable 5.1：4分钟
Opus 5：5分钟
Sonnet 5：6分钟
Gemini 3.7 Flash：12分钟
然后补了一刀：上述模型没有一个成功找到南贤居。微博而他测过的一部分国产模型，连出生地都出不去。他的结论是"Anthropic和Google的模型在VLM上做的功课可能比国产多一点"。
考虑到这个榜的观感太抽象，他又替不玩游戏的人翻译了一遍："3分钟出家门、20分钟没找到南贤居，就是早上上班不刷牙不洗脸、光着身体才找到家门口走出去，然后20分钟找不到公交车站——放现实中就是痴呆水平。"扫荡家里宝箱这种RPG基操，没有任何一个模型做到；“游戏完成率0.01%，和清档重来无区别”。微博
观察trace能看出毛病出在哪：模型把大量时间花在基础视觉探索和重复、无效的动作上，“每步思考看似合理，连起来一直在原地打转”。这条评测做完，他自述对AGI的判断从bullish转bearish。微博
为什么卡住AI的，偏偏是这盘老游戏
帖子给的原因相当圈内，拆开看全是老玩家的肌肉记忆：
第一，它是彻头彻尾的长程任务。开放世界，升级、招人、打怪，集齐14本天书才能触发结局——目标奖励远在几百步之外，中间全靠自主规划。
第二，画面本身就是VLM地狱。2.5D斜45度视角+320x200分辨率，他的原话是"怪视角+渣画质+分布外"。模型拿到的不是什么清晰UI，而是山河、道路、人物糊在一起的1996像素包。
第三，老攻略杂志的隐性知识是悬崖。虽然是开放世界，但开局必须先找南贤北丑，“不然寸步难行，而且很容易误闯故事线直接被打死”。开局不先问路，转头就撞进剧情的下场大致是这种局面：
96年的人靠攻略杂志和机房口口相传，模型只能自己猜。而老玩家都知道，这江湖的第一步本该从这里迈出：
这就是这篇评测最有意思的地方：AI卡住你的，不是比你当年更难的事，而是你20分钟就趟平、之后嫌它简单的事。你觉得"出家门找南贤"理所当然，它今天到不了终点。
魔幻对照：不会"玩"的模型，正在像素级"复刻"它
更值得玩味的对照发生在一个半月前。7月21日，知乎用户YuWong发文《Fable 5像素级复刻金庸群侠传（Godot版、以及纯Html+JS版本）》：把DOS原版直接丢给Fable 5重写成Godot版。知乎按他的说法，第一版"有模有样但细节差异很大"——因为模型主要在参考已有的开源复刻，并非真正逆向。于是他反复在提示词里强调"基于原版逆向还原、不要参照现有开源代码"，配合人工测试反馈迭代，最终成品"几乎以假乱真"。顺带把DosBox时代的痛点全扔了：MIDI播放不再卡顿、低延迟高刷、跨平台，还能用Godot的调试命令行让AI自己跑大量测试，甚至加上了自动存档。
同一代模型，一边找不到南贤居，一边把游戏本体复刻得以假乱真——把这两件事放一起看，结论其实很清楚：人类智慧的"成品"（代码、素材）在分布之内、可被机器验证，AI已经能抄作业；而"过程"（盯着糊成马赛克的画面，在几百步里自己形成计划、纠错、达成目标）才是当前大模型的真正短板。这也是斌叔吐槽的点：X上那些one-shot做小游戏、做3D渲染的炫技，“只能说明模型从训练分布里采样采得好”，测不出真智商。
现在的群侠传，正被AI从两头夹击
把这条线拉长，2026年的《金庸群侠传》社区是个罕见的双向现场：
创作者在用AI续写江湖：B站上用Seedance 2.0做的《金庸群侠传2》AI同人动画已经出到第二集。哔哩哔哩一个UP主用AI+Godot把金庸X和江湖十一捏成免费武侠游戏，两个多月干到1.5万播放。哔哩哔哩此前连不会写代码的人都能用AI搓出免费EA的《群侠传：幸存者》。
工程师在用老游戏考AI：crpg-bench、像素级复刻，连微博社区里都出现了"搞懂现在本地部署大模型，有种回到96年为了跑《金庸群侠传》捣鼓config.sys和autoexec.bat的感觉"的怀旧类比。微博
三十年前，这游戏是国产单机向开放世界伸的第一次手；三十年后，它成了中文互联网少有的"长程+视觉+决策"能力标尺。一个96年的老游戏，最后既被用来致敬AI、又被用来审判AI，这事放整个华语游戏圈也是独一份。
这份榜单该怎么读，下一步看什么
先把边界说清楚，再给行动建议：
这是个人评测，不是官方榜。样本量、环境搭建、SKILL提示词、20分钟时限全是斌叔一手定的，数字供谈资可以，供结论还得再等等。
"完成率0.01%“测的是探索下限，不代表策略天花板。十四天书收集路线、野球拳、战棋配队这些深水区根本还没测到，别拿它直接推导"AI玩不了策略”——真正的原版玩家看到这张界面，可太知道水有多深了：
但它的价值也恰恰在这：这是目前少有的、能看见回放和trace的中文长程任务基准。作者公开了prompt和评测回放——手上有模型和harness的朋友，可以复制去跑一把，看看自家模型几分钟出家门，比围观跑分实在。微博
想重玩青春的也别只盯着DosBox了：知乎那篇Godot复刻、B站正在日更的《桃源念》2.20通关系列都是现成入口——但注意，原版版权和自制的边界都还在，二创归二创，别为"情怀整合包"掏钱买来路不明的东西。
最后留个群聊谈资：下次再有人跟你聊"AI什么都会了"，把这份榜单甩过去——2026年最贵的那批模型，花4分钟才走出《金庸群侠传》的出生地，花20分钟没摸到南贤居。它们还没跑赢的，是1996年那个暑假，坐在屏幕前一下午想清楚第一站先去哪的你。
