据@emollick在X平台披露，Encounter Test基准（让模型模拟D&D生物对战并观察何时出错）显示：GPT-4o在连贯性与可视化输出上领先；Gemini表现有趣但一致性略逊；Claude Code按指令完成了可视化制作，体现了多模态与工具调用差异（来源：Ethan Mollick发布的推文与视频）。据Ethan Mollick称，各模型总体结论相近，但更优提示可改善稳定性，这为企业在仿真、交互式培训、游戏内容生成与多代理工作流的评测与落地提供了可操作的多模态基准思路。