Gemini 4 Argon实测：跑分霸榜但实战翻车？

沉默近一年后，谷歌带着 Gemini 4 Argon 重返第一梯队。13项测试登顶、一项并列第一的成绩确实亮眼，但跑分和真实体验之间的落差，才是用户最关心的事。B站UP主陈小燕对 Gemini 4 Argon 进行了一轮涵盖代码生成、物理模拟、工具开发和视频理解的全方位实测，结果有惊喜也有意外。

跑分霸榜之后，实测才是试金石

Gemini 4 Argon 已向付费用户全面开放，用户可以在设置中选择不同的思考强度。不过你可能没注意到，Anti-Gravity 功能仅限 Ultra 订阅用户使用，Pro 用户无法触达，订阅门槛的精准划分引发了不少讨论。原有的 Spark 按钮更名为"任务"，支持后台运行，Gemini 4 Argon 也可作为任务模型调用。

这轮测试共设计了五道题，覆盖3D动画生成、物理交互、抽奖工具开发、视频内容理解和活动策划方案分析，基本涵盖了普通用户最常见的AI使用场景。

思考强度（Thinking Budget） 是大模型推理阶段的一个重要可调参数。以 Gemini 系列和 OpenAI 的 o 系列为代表，这类模型在回答前会先产生一段「内部推理链」，消耗额外 token 进行自我检查、拆解步骤和方案比选。思考强度越高，模型可用的推理预算越大，理论上越适合数学、代码和复杂规划任务。但它并非线性增益：当预算过高时，模型可能陷入过度推演、反复自我怀疑，或者在生成类任务中把「谨慎」错用为「保守」，导致画面元素简化、动作僵硬。文章中提到「高思考强度反而输出更差」，正是这一机制在创意生成场景中的典型失效——推理能力的加码，未必能转化为生成质量的提升。

3D动画生成：与竞品差距明显

第一道题要求生成"一只提壶骑自行车"的3D动画。UP主首先使用中等思考强度运行，生成的成品出现了脚部脱离踏板的问题，整体画面也相当简陋。

切换到高思考强度后，结果反而更差。对比 GPT-6 Ostra 生成的版本，差距一目了然——Ostra 的版本在细节完整度和视觉丰富度上明显高出一个档次，用UP主的话说，"一个像毛坯房，一个像豪华装修"。

这道题暴露出 Gemini 4 Argon 在3D动画生成上的短板：即便是简单的具象场景，模型在关节连接和动作合理性上仍然存在明显缺陷，且思考强度的提升并未带来质量改善。

物理模拟与工具开发：有来有回

第二道题是旋转六边形内五个小球的物理互动演示。Gemini 4 Argon 生成的版本在球体运动轨迹上基本正常，没有出现悬浮或穿透边界等明显的物理规则违背。但 GPT-6 Ostra 的版本增加了重力方向示意，在高速运动下的不规则性表现更贴近真实物理。两相对比，UP主认为 Ostra 在物理规则的遵循上略胜一筹。

第三道题是抽奖小工具的开发。Gemini 4 Argon 的版本在大红色UI下实现了完整功能：支持名单去重（粘贴两个"小王"后自动识别有效参与者为五人）、限制已中奖者不重复中奖、刷新后保留数据。

当剩余人数不足时，工具会给出"无法抽奖，本轮设置两人，当前仅剩一人"的明确提示。重新开始功能也有确认弹窗，整体交互逻辑清晰。

GPT-6 Ostra 的版本功能逻辑基本一致，但在UI美观度和用户提示的温馨程度上不如 Gemini。UP主在这一轮将胜利判给了 Gemini 4 Argon。

视频理解：识别力强但存在幻觉

第四道题测试视频内容理解。UP主上传了一段"笔在纸上、笔移开、杯子放在纸上、杯子离开屏幕"的短视频，要求模型回答杯子和纸的位置关系、操作顺序、杯子装了什么等问题。

Gemini 4 Argon 在位置判断和内容描述上表现不错，对杯中物品的描述相当详细。但在初始画面的解读上出现了幻觉——原文中手尚未进入画面，模型却声称"右手握着准备拿起"。

GPT-6 Ostra 没有出现这个错误，且对不确定的内容选择不编造，UP主认为这种"不知道就不说"的底线意识值得肯定。两者在视频理解上整体合格，但 Gemini 的幻觉问题提醒我们：识别能力强和描述详细，并不等于准确。

多模态幻觉（Multimodal Hallucination） 指模型在图像或视频理解中，输出了画面中并不存在的人、物或动作。与纯文本幻觉不同，视频幻觉往往更隐蔽：模型能正确识别主体和场景，却会在时间维度上「脑补」前后帧的动作衔接。常见诱因包括训练数据中对「典型动作序列」的强先验——比如看到笔和纸，模型会倾向补全「手握笔准备书写」这一常见叙事，即便当前帧里手尚未入画。文章里 Gemini 4 Argon 声称「右手握着准备拿起」而画面中并无手部，就是这种先验压过事实的典型表现。相比之下，选择「不确定就不描述」的模型，实质是在幻觉与召回之间做了更保守的权衡。

实际场景应用：方案理解能力过关

最后一道题模拟真实工作场景：给出A方案（旧）、B方案（新）和C方案（执行），要求模型列出必须修改的问题和不合理之处。

Gemini 4 Argon 快速给出了答案：座位从60个调整为80个、餐食和礼品数量相应增加、结束时间从16点延至16点30分且在场地租用时间内、主持人更换等，全部识别正确。费用增加的推算也准确无误。这道题展示出 Gemini 4 Argon 在多文档信息整合和实际业务理解上的可靠表现。

多文档信息整合（Multi-document Reasoning） 是衡量模型能否胜任真实办公场景的关键能力。它要求模型同时读取多份来源不同、格式各异的材料，在其中交叉比对、发现冲突，并给出可执行的修改建议。与单文档问答相比，它的难点不在于「读懂」，而在于「对齐」：同一件事在 A、B、C 三份文档中的表述可能不一致，模型必须判断哪份是最新版本、哪些数字需要联动调整。文章中的座位数从 60 调到 80、餐食礼品随之增加、结束时间延后但仍需落在场地租用时段内，正是一组典型的连锁约束推理。这类任务上表现稳定，说明模型在结构化信息处理上已具备实用价值。

跑分与体验的差距，说明什么

五道题当然无法覆盖一个AI模型的全部能力，但已经能看出 Gemini 4 Argon 的几个特点：在结构化任务（工具开发、方案分析）上表现稳定，在创意生成（3D动画）和感知任务（视频理解）上仍有明显短板。

跑分霸榜证明了模型在标准化测试中的实力，但标准化测试与真实使用场景之间的鸿沟，恰恰是用户日常感受最强烈的地方。高思考强度反而输出更差的情况，也让人对模型思考机制的有效性打上问号。

谷歌在 Gemini 4 Argon 上的进步是真实的，但"回到第一梯队"和"重新成为首选"之间，还隔着无数个真实场景的检验。你用上了吗？感觉如何？