Gemini 4 Argon评测：基准亮眼实战仍逊Claude Opus 5.5

Google正式发布Gemini 4 Argon，所有用户终于可以亲自上手。官方基准测试成绩亮眼，但真实体验是否匹配？本文结合YouTube频道的一手测试，从基准跑分、真实案例、竞品对比到订阅可用性，全面拆解这款新模型。

基准测试与真实表现：分数好看，实战打折

Google发布的Gemini 4 Argon基准成绩相当漂亮，但视频作者指出，跑分与真实体感之间存在明显落差。在真实任务中，Gemini 4 Argon落后于GPT-6 Astra，与Claude Opus 5.5的差距不算大，但确实存在。

作者解释了一个行业现象：训练数据中混入大量基准题目，会让模型在跑分上“作弊”式地好看。他用Meta近期的Muse等新模型举例，称其“完全是benchmark调优”。相比之下，Gemini的情况尚可接受——旧基准（如SWE）上Gemini得分更高，但在更新的基准上落后约10分。这说明它并非完全依赖刷分，但新旧基准的差距仍然暴露了泛化能力的短板。

基准测试（Benchmark）与数据污染

基准测试是AI行业衡量模型能力的标准化考题集，常见的有SWE-bench（软件工程任务）、MMLU（多学科知识）、GPQA（专家级问答）等。厂商发布新模型时，通常会用这些公开基准的得分作为能力证明。问题在于，这些题目本身是公开的，如果训练语料中混入了基准题目及其答案，模型就可能在测试时"背出"答案而非真正推理，业内称为数据污染（data contamination）或benchmark调优。

这也是视频作者用"旧基准得分高、新基准落后"来判断模型是否刷分的逻辑：旧基准流传已久、被污染概率高；新基准发布时间短，模型尚未"见过"，更能反映真实的泛化能力。新旧基准之间约10分的落差，正是这种污染效应的一个侧面信号。

真实案例：3D与创意生成是亮点

视频展示了Google AI Studios员工Min Chua（音译）等用户分享的案例。将一张桌面照片交给Gemini 4 Argon，要求用Blender生成游戏，结果相当不错——3D场景完整、视觉质量在线。作者特别对比了上一代Gemini 3.8 Flash，称其“游戏编程完全不行”，而4 Argon的进步明显。

另一个案例只用了一句极简提示词——“做一个过去50年苹果电脑博物馆”，模型就自动搜集素材、搭建网页，连配图都自行挑选。虽然个别图片裁剪不够精细，但整体完成度很高，体现了对世界知识和上下文的理解力。

DeepMind创始人Demis Hassabis和Google CEO也转发了相关案例。视频中还出现了用Gemini 4 Argon生成照片级写实神庙、多轮批判性迭代（critical loops）优化的作品，以及Kia von Bee等创作者产出的3D内容。

Blender与"一句话生成游戏"的技术含义

Blender是一款开源的三维创作软件，支持建模、材质、动画与内置Python脚本。让大模型"用Blender生成游戏"，本质上要求模型同时具备三种能力：编写可运行的Python脚本调用Blender API、构造合理的三维场景几何与光照、以及设计基本的游戏逻辑。这比单纯生成一张图片或一段代码要难得多，因为它需要模型在多轮工具调用中保持对整体目标的把握。

文中提到的"批判性迭代（critical loops）"指模型生成结果后自我审视、指出问题并重新生成的循环流程，是当前提升生成质量的主流手段之一。而"极简提示词搭建博物馆网页"则考验模型自主检索素材、组织信息架构的智能体（agent）能力。

与Claude Opus 5.5正面对比：成本低但质量差距明显

视频中最有说服力的部分，是同一任务下不同模型的直接对比。Gemini 4 Argon生成某作品仅花费19美分，而Claude Opus 5.5成本高出约三倍，但视觉效果“好十倍”。作者承认，如果优化提示词，Gemini的结果会更好，但差距依然肉眼可见。

他并非否定Gemini 4 Argon——“它不差”，只是Opus 5.5明显更强。他还提到Anthropic即将推出Fable 5.5，届时差距可能进一步拉大。

另一项值得关注的测试是把Gemini 4 Argon装入机器人，通过摄像头自主学习和迭代改进。作者认为这展示了模型的潜力，但综合来看，Gemini 4 Argon“绝对没有其他模型走得远”。

订阅可用性混乱：Pro用户被Anti-Gravity拒之门外

作者对Google的订阅策略直言“搞砸了”。免费用户现在只能使用Gemini 3.x系列（如3.6、3.7），此前可用的3.8 Flash已被收回，但日常使用尚可应付。

Pro订阅用户可以使用Gemini 3.8 Flash、3.1 Pro和4 Argon，并能调节“思考强度”。但关键问题在于：Pro用户在Anti-Gravity（Google对标Claude Code和Codex的编程工具）中无法调用Gemini 4 Argon。作者对此非常不满——每月20欧元的Claude Code和Codex订阅能做的事情多得多，而Google却在自家编程工具里锁住了最新模型。

视频作者表示未来将推出自己的独立基准测试，用更贴近真实场景的方式比较各模型。

Anti-Gravity与AI编程工具的订阅格局

Anti-Gravity是Google面向开发者的AI编程工具，定位对标Anthropic的Claude Code和OpenAI的Codex——这类工具以命令行或IDE插件形式存在，能读写代码库、执行命令、自动完成多步开发任务，是当前AI厂商争夺专业用户的关键入口。

这类工具的商业模式通常是订阅制，用户付费的核心诉求就是获得最新、最强的模型。因此，把最新模型锁在自家编程工具之外，等于削弱了订阅的核心价值。文中"每月20欧元"的对比正说明这一点：同等价位下，竞品订阅能提供完整的最新模型访问权限，而Google的Pro订阅在Anti-Gravity中却无法调用Gemini 4 Argon，这在用户看来是明显的价值缺口。

总结：方向对了，但还差一口气

Gemini 4 Argon在3D生成、创意编程和世界知识理解上进步明显，基准成绩也可圈可点。但真实任务中的质量仍落后于Claude Opus 5.5，新旧基准的分数落差也提醒我们跑分不等于实力。订阅层面的混乱——尤其是Anti-Gravity对Pro用户锁住新模型——进一步削弱了它的吸引力。Google走对了方向，但距离“比Claude Opus 5.5更好”还有路要走。