Gemini 4 Argon实测：谷歌重回前沿，3D能力略逊Claude

谷歌的 Gemini 4 Argon 终于来了。一位提前一周拿到访问权限的开发者，用一系列真实项目测试了这款模型的实际能力——从赛博朋克3D动画到Excel克隆，从Fall Guys游戏到鲁布·戈德堡机械模拟。结论很明确：谷歌确实回到了前沿模型的第一梯队，但在3D图形领域，它还不是最强的那个。

实测表现：简单提示词下的复杂产出

这位开发者（来自 YouTube 频道）用一组极具挑战性的任务测试了 Argon 的真实上限。

赛博朋克 3D 场景

第一个测试是用 Three.js 构建一个超写实的赛博朋克 3D CD 场景，包含霓虹色彩、飞行汽车和高楼动画，要求至少 30 FPS（最好 60 FPS）。

结果令人印象深刻。场景在浏览器中轻松跑到 60 FPS，包含大量 3D 建筑和动画。模型甚至自动提供了主题切换功能——2049琥珀色调、生物合成绿色、红色辛迪加等不同视觉风格，还可以调节霓虹光晕强度、切换超高画质、控制天空交通密度和摄像机模式（自动导演、座舱HUD等）。

用开发者的话说，这来自“一个非常简单的提示词”，耗时约 30 分钟。

Three.js 是目前最主流的 WebGL（Web Graphics Library）封装库，运行在浏览器环境中，用 JavaScript 直接调用 GPU 进行 3D 渲染，无需安装额外插件。它提供了场景图、相机、光照、材质、着色器等完整抽象，使开发者可以只写少量代码就构建出复杂的三维交互场景。文中提到的 60 FPS（每秒帧数）是衡量渲染流畅度的核心指标：人眼在 30 FPS 以上会感知为连续动画，而 60 FPS 则是多数浏览器动画的目标帧率。由于 Three.js 的光照模型以实时光栅化为主，缺乏光线追踪级别的物理精确计算，因此模型生成的内容很难达到照片级真实感——这正是文中 Argon 在“超写实化”提示下仍受限的技术根源。理解这一背景，有助于判断评测中 3D 表现的真正边界：更多是受限于运行环境而非模型本身。

鲁布·戈德堡机械模拟

第二个测试是构建一个完全可控、具有真实物理效果的 3D 鲁布·戈德堡机械。Argon 不仅完成了，还内置了多个主题关卡——客厅、大峡谷、拉斯维加斯、钟表实验室、京都寺庙。

物理模拟的表现相当出色：多米诺骨牌连锁倒下、弹球效果触发、小球滚动带动整个系统。虽然存在一些画面穿模问题，但整体物理逻辑令人满意。开发者指出，模型在收到“让它更复杂”“添加更多真实关卡”的追加提示后，都能准确理解和执行。

但他也坦承一个关键限制：无论怎么提示模型“超写实化”，Argon 都无法达到照片级真实感。这可能受限于浏览器中 Three.js 的能力边界——如果换用 Unreal Engine 或 Blender，效果可能大不相同。

代码能力与基准测试

知识工作基准：大幅跃升

在合作伙伴 Box 提供的知识工作基准测试中，Argon 相较前代 Gemini 3.1 实现了14% 的综合跃升，总分从 71% 提升到 85%。这一测试覆盖数据提取、跨文档关联、法律、生命科学、医疗健康等真实场景。

具体而言，电子表格评估、PDF 提取、演示文稿与图像处理等细分行业基准上，都出现了显著提升。

知识工作基准（Knowledge Work Benchmark）由云内容管理平台 Box 构建，专门用于评估 AI 模型在真实企业场景中的综合能力，而非传统学术问答。其测试任务包括从非结构化 PDF 中抽取关键字段、跨多份文档比对与关联信息、理解法律条款中的条件逻辑、解析生命科学与医疗健康领域的专业文献，以及在电子表格中执行数据清洗、公式推导和图表生成等操作。这类任务的难点在于：文档往往格式混乱、信息分散在多个来源、需要多步推理才能得出正确结论，与纯粹的知识回忆截然不同。Box 引入该基准的背景在于，企业客户最关心的并非模型能否答对考题，而是能否可靠地替代人工完成文档密集型工作。因此，14% 的综合跃升不仅是数字进步，更意味着模型在实际办公自动化场景中的可用性出现了实质提升。

编码基准：稳居第一梯队

在开发者整理的对比图表中（包含 Astra、Fable 5.1、Opus 5.5 以及后来的 Muse Wonder 和 GPT 6.1 Sol），Argon 的表现如下：

• Deep Sweep：77.9%，仅次于 Muse Wonder Full 的 79%，位居第二
• Vibe Code Bench：91.9%，排名第一
• Terminal Bench：57%，落后于 Opus 5.5 的 66.4%，也低于 Muse 和 Astra
• OS World（计算机控制能力）：69%，与 GPT 6.1 Sol 的 71.4% 接近
• Agent's Last Exam：39%，略高于 Opus 的 38%

这些数据显示，Argon 在多数关键基准上稳稳站在前沿，但并非每个维度都是第一。

Excel 克隆：20 分钟的可运行成果

一个颇有说服力的测试是让 Argon 克隆 Excel。由于没有设置循环目标，模型仅运行了约 20 分钟。

结果是一个浏览器端的 Excel 界面，UI 和 UX 都相当完整。双击单元格输入公式=1+2能正确计算，拖动填充、高亮行、求和函数等操作基本可用。开发者评价：“考虑到只有 20 分钟，这运行得相当好，想想都觉得疯狂。”

他由此提出了一个更宏观的判断：软件的未来成本将趋近于零。如果一家公司的护城河仅仅是代码行数，那将非常危险——你需要提供无法被最新模型轻易复制的东西。

Fall Guys 克隆与游戏开发测试

在游戏开发测试中，Argon 用“构建一个 Fall Guys 克隆的完整 parody”这样简单的提示词，就生成了一个可玩的游戏。

开发者表示，他迭代了几次，并设置了“持续迭代直到有 10 个复杂关卡且游戏真正有趣”的目标。最终版本包含完整的关卡设计、角色碰撞、物理效果，甚至结算动画都做得不错。测试过程中他拿到了第一名。

不过他也指出了问题：早期版本存在画面闪烁，部分碰撞检测不够准确（如球体滚动时的碰撞计算）。但随着测试推进，模型自身在迭代中也有所改进。

3D 能力横向对比：不是最强，但已不错

这是整篇评测中最关键的判断。

开发者明确表示：Argon 在 3D 方面比 Meta 新发布的 Muse Wonder 强，但不如 Claude 的 Opus 和 Astra。

以 Unreal Engine 渲染的海洋场景为例，Argon 生成的船只和波浪细节“看起来不错”，但海洋有重复感，且无法潜入水下——而他测试过的其他模型可以做到。

作为对比，Meta 的 Alexander Wang（AI 负责人）曾公开承认，团队“忘记或没有对模型进行 3D 方面的强化学习训练”，事后看来是个错误。但在其他方面（如编码），Muse Wonder 依然很强。

这一对比揭示了一个事实：前沿模型之间的能力差异正在从“谁更强”转向“谁在哪个领域更强”。

Unreal Engine（虚幻引擎）是 Epic Games 开发的专业级实时 3D 创作平台，广泛用于 3A 游戏、影视虚拟制片和建筑可视化。与 Three.js 相比，UE 内置了基于物理的渲染（PBR）、动态全局光照（Lumen）、纳米级几何细节（Nanite）以及复杂的水体与粒子系统，能够实现接近电影级的画面质量。文中用作对比的“Unreal Engine 渲染的海洋场景”正是利用了这些高级特性，因此对模型的 3D 空间理解与代码生成能力提出了更高要求——模型需要生成正确的材质参数、光照配置和波浪模拟逻辑，而不仅仅是摆放几何体。开发者指出 Argon 无法“潜入水下”，很可能是因为模型未能正确生成水面以下的相机穿透与体积雾逻辑。这也解释了为何同一模型在 Three.js 与 Unreal 环境中的表现差异巨大：环境能力越强，对模型空间推理的考验就越严格。

发布节奏与行业格局

Argon 的发布方式有些不同寻常。谷歌提前几周就公布了基准测试和模型信息，但并未立即开放访问，而是先让早期测试者和安全研究人员试用。

从竞争格局看，Google、Meta、OpenAI、Anthropic 现在都已拥有各自的前沿模型。正如开发者所言：“当竞争充分时，赢家是消费者——我们得到更好的模型、更便宜的模型、更快的模型。”

总结：谷歌回到了牌桌上

Gemini 4 Argon 证明谷歌已经重新回到前沿模型的竞争中心。它在知识工作基准上大幅领先前代，在编码任务上稳居第一梯队，能够用简单提示词生成令人印象深刻的 3D 场景和可玩游戏。

但它的 3D 能力与 Opus、Astra 仍有差距，在 Terminal Bench 等关键编码指标上也不是冠军。这不影响它成为一款优秀的前沿模型，但也说明——没有任何一家能通吃所有维度。

对开发者而言，这或许是最好的时代：选择更多，成本更低，能力边界持续被推高。