Gemini 4 Argon实测：北美豆包能否翻身？

谷歌的Gemini系列一直有个尴尬的外号——"北美豆包"，调侃它背靠谷歌强大的数据和算力，模型表现却总差口气。尤其是代码和Agent任务，经常"流口水"般出错。Gemini 4 Argon被官方称为"时隔很久追上前沿旗舰"的翻身之作，B站UP主Able用五个高难度测试对它进行了全面检验：它真的翻身了吗？

测试设置：极简环境下的真实能力

为了公平，UP主搭建了纯净的Deep-Seek Harness环境，不提供任何skills、MCP或第三方工具，只给模型最基础的读写和Agent工具，所有素材（包括建模、美术）都要求模型自己生成。这比上一期测试本地模型Qwen 3.8时更苛刻——那次还给了音频和建模参考，而Gemini 4 Argon作为前沿模型，没有这种优待。

测试连接中出现了一些技术问题：Gemini 4 Argon会"雷霆大思考"，单文件输出过长导致超时，调整配置缩短回复后才成功。但配置正确后，第一个任务仅用30分钟完成，远快于本地模型。

Harness（评测框架） 是让语言模型在受控环境中执行复杂任务的软件基础设施。它通常负责任务分发、工具调用封装、文件读写、多轮对话状态管理和结果回收，相当于模型的"操作系统外壳"。业界常见的 Harness 包括 SWE-bench 的官方 runner、OpenHands、Aider 等。文章提到的 Deep-Seek Harness 属于某类自建框架，其"纯净"特性意味着没有预置 skills、MCP（Model Context Protocol，模型与外部工具通信的标准协议）或第三方插件，模型只能依赖最基本的 shell 与文件操作。这种设置能剔除工具生态带来的辅助分，更直接地暴露模型自身的规划、编码与纠错能力，因此比带丰富工具链的评测更严苛。

五大测试实战：后端稳定了，前端反而退步？

测试一：桌面遥控车越野赛

要求基于参考图制作完整可玩的赛车游戏，包含碰撞局部损伤、三个镜头切换、掉桌复活机制。Gemini完成度很高：游戏完整可玩，操作丝滑，音效细节出色，三种路面抓地差异和车损系统都实现了。但参考图还原有偏差——三个车的颜色未完美还原，洒水、灯等细节缺失，还凭空多了扑克牌。UP主评价："创意和完成度显著比上期测试好很多"，给了一个比较高的分数。

测试二：传送门实验室游戏

考验3D空间能力，要求制作三关第一人称传送门游戏。这个任务36分钟完成，核心功能完美：传送门穿梭无问题，固定陶瓷面板设计合理，谜题设计有趣。第三关利用动量守恒获得高能电池的设计尤其巧妙。缺点是没有实现"从传送门看到对面画面"的效果，窗户是玻璃却看不到外面。UP主表示："如果做成更长的游戏，我愿意花时间玩。"

测试三：GTA都市克隆

要求制作小范围城市区的完整可玩GTA克隆，包含两个近战武器、两个射击武器、两个通缉等级。40分钟完成，视觉风格类似《迈阿密风云》配色，主角移动、武器切换、通缉等级都能玩。但NPC AI有明显问题——行人"在走但没有在走"，警车会自己撞冒烟。UP主认为"达到了预期但没超出预期"，并直言如果是Opus 5.5会做得更好。

测试四：Blender+Godot直升机救援

最复杂的任务：用Blender和Godot制作完整可玩的直升机救援游戏，全部素材自己建模。耗时1小时2分钟，出现了开局降落无法起飞的bug，修复一次后正常通关。问题集中在画面：海面"丑得令人发指"，UI排版混乱、信息层级糟糕，人物和机翼动画僵硬。UP主吐槽："一股AI Slab看多了的恶心感，没有任何特点。"

Blender 是开源的三维建模、动画与渲染软件，支持 Python 脚本化建模（bpy 模块）。Godot 是轻量级开源游戏引擎，使用 GDScript 或 C# 编写逻辑，支持 3D 场景与物理模拟。两者组合是独立开发者常用的"建模—引擎"工作流：先在 Blender 中产出 .glb/.gltf 资产，再导入 Godot 搭建场景、绑定脚本。要求模型同时驱动这两个工具，意味着它必须理解 Blender 的建模 API、导出格式约束以及 Godot 的场景树与节点体系，还要在 3D 空间中对资产比例、坐标和材质做正确映射。这类跨工具任务比纯代码生成难得多，也是本次测试中耗时最长、首次出现无法起飞 bug 的重要原因。

测试五：中文剧情冒险游戏

最受期待的创作能力测试，要求用Three.js制作3D中文剧情冒险游戏，后半段剧情自主设计，接入完整TTS配音。1小时完成，故事有三个结局，配音字幕齐全。船体结构和海浪效果不错，但人物建模"实在不敢恭维"，谜题设计过于简单（"都是点点点"），剧情让UP主感到"不痛不痒、不知所谓"。他原本对Gemini的文学能力期待极高，这次却失望了。

官方Benchmark vs 第三方评测

Gemini官方宣称在知识工作领域全面超越Claude Opus 5.5和Astra，Harvey法律Agent Benchmark更是达到Astra的四倍水平。UP主认同知识广度的优势——谷歌数据量最大，训练数据与代码特化公司确实不同。但在Frontier SWE上，Gemini 4 Argon明显落后于其他模型。第三方榜单Artificial Analysis给出的智力评测是全球第六，与GPT-6 Astra得分相同，低于Muse Wonder。

Harvey 法律 Agent Benchmark 是由法律 AI 公司 Harvey 发布的垂直领域评测，聚焦合同审查、尽职调查、法律检索等律所真实工作流，考察模型在多文档、长上下文和工具调用场景下的准确性，在专业 Agent 评测中具有较高参考价值。Frontier SWE 则侧重软件工程中的前沿任务，通常包含跨文件重构、复杂 bug 修复和仓库级改动，对模型的代码理解与长程规划要求很高。两类榜单的取向差异，恰好解释了文中"知识工作领先、代码落后"的分裂结论：前者偏重信息整合与专业推理，后者更依赖工程执行与代码生成的一致性。

Artificial Analysis 是一家独立的模型评测机构，主要基于公开 API 对主流大模型进行统一口径的智力、速度与价格评测，其"智能指数"综合了推理、知识与指令遵循等多维测试，并以排行榜形式定期更新。由于不依赖厂商自报数据、评测流程相对透明，它常被用作官方 Benchmark 之外的交叉验证来源。文中"全球第六"的排名即来自该机构。读者需要注意，第三方榜单的测试集与厂商自评差异较大，排名会随版本和 prompt 设置波动，因此更适合横向比较趋势，而非当作绝对能力定论。

总结：可靠了，但不够惊喜

Gemini 4 Argon完成了一次角色反转：过去被诟病的前端能力似乎下降了，而后端稳定性和任务完成度显著提升。五个测试全部通过，Agent执行流畅，这是上一代Gemini（无论Pro还是Flash）做不到的。但UP主的最终评价是"中规中矩"——没有带来惊喜，实际能力大概与上个月的Astra持平，前端和设计能力不如Opus 5.5，曾经引以为傲的文学创作也被削弱。

价格是另一个痛点：API价格与Opus相同，但能力没有优势，唯一优点是速度快。UP主直言："同样的价格我肯定用Opus。"对于期待谷歌"重返巅峰"的人来说，Gemini 4 Argon更像是一次合格的补课——它终于变成了一个可用的模型，但距离前沿仍有距离。

据B站UP主Able的实测，Gemini 4 Argon的Agent Coding能力确实比前代稳定，但前端设计力不升反降。结合官方Benchmark和第三方Artificial Analysis的数据交叉来看，它在知识工作和常任务上表现可靠，但在代码和设计创意上仍落后于Claude Opus 5.5和OpenAI的Astra。对于开发者而言，如果追求稳定执行和速度，它可用；如果追求创意和前端表现，目前还不是首选。