Gemini 4 Argon实测：跑分碾压Opus，实战却翻车？

谷歌终于放出了备受期待的 Gemini 4 Argon，官方 benchmark 显示它在多项测试中击败了 Fable 5.1 和 Opus 5.5，甚至压过了 Astra。但跑分好看不等于好用——一位 YouTube 创作者用三个真实项目做了无滤镜测试：国际象棋游戏、自定义 MCP Server 和 PPT 生成。结果有些出人意料。

跑分王者，实战未必称王

据该创作者在视频中的实测，Gemini 4 Argon 在 Cursor 中仅用约 25 分钟就完成了一个带埃及主题棋盘的象棋游戏，一次 prompt 直出，期间还自主调用了浏览器截图和 Blender 工具进行验证。而 Opus 5.5 花了 40-50 分钟，消耗的 token 也明显更多。

但时间短不等于质量高。创作者把两个模型生成的象棋游戏并排展示，让观众猜哪个是 Argon 做的——结果评论区大概率会选错。Opus 5.5 的版本在动画流畅度、场景光影、音效配合上明显更胜一筹，甚至能自动生成对局精彩时刻的"电影回放"。Argon 的版本虽然逻辑正确，但视觉表现被评价为"还不错，但差一截"。

你可能没注意到，Argon 目前通过 Google AI Pro 或 Ultra 订阅即可使用，API 定价为输入 $2 / 输出 $10（限时五折），与 Fable 系列和 Opus 处于同一价位区间。创作者特别提醒：想用 Anti-Gravity 桌面端必须持有 Ultra 订阅，普通 Pro 用户只能走 API 或第三方平台。

象棋游戏对决：速度赢不了质感

两个象棋游戏都支持多主题竞技场切换——古典、日本、印度、美国、埃及。Opus 5.5 的版本在切换到日本主题后，棋子移动的击杀动画被创作者形容为"太漂亮了"，角色有滑步、有光影反馈，整体呈现出类似《Solo Leveling》的视觉风格。

Argon 的版本同样具备主题切换和动画，但创作者的评语是"角色和动画都不错，但就是少了点什么"。这种差距很难用 benchmark 分数衡量——它关乎审美判断、细节密度和"完成度"的直觉感知。

这里暴露了一个关键问题：Argon 在 Cursor 中确实展现了强大的工具调用能力——它主动截图、打开浏览器执行点击操作、甚至尝试调用 Blender 做 3D 渲染。但这些"能做事"的能力，和"做得好"之间还有距离。

MCP（Model Context Protocol）是 Anthropic 于 2024 年底推出的开放协议，旨在标准化大语言模型与外部工具、数据源的连接方式。它采用客户端-服务端架构：模型作为客户端，通过统一的 JSON-RPC 接口调用由开发者实现的 MCP Server，后者封装了文件系统、数据库、API 等具体能力。文章中的测试要求模型从零生成一个包含 28 个工具的 MCP Server，实质是考察模型对协议规范的理解、工具 schema 的定义能力以及 Python 服务端代码的工程实现水平。MCP 的价值在于解耦——模型无需为每个工具单独适配，只需遵循同一协议即可即插即用地扩展能力边界。

MCP Server 测试：Argon 的舒适区

第三个测试是让模型从零构建一个自定义 MCP Server。Argon 交出了一份包含 28 个工具的答卷：图像信息读取、格式转换、缩放旋转翻转、去水印、去背景、上采样、黑白转换等。创作者在 Cursor 中配置好后，直接让 Argon 调用自己生成的工具处理缩略图——去水印、翻转、去背景全部成功执行。

这个环节 Argon 表现稳健，生成的 Python 脚本能正常运行，MCP 协议连接也没有问题。创作者认为，如果你需要快速搭建一个带多工具的后端服务，Argon 是称职的。但 Opus 5.5 同样完成了这个任务，只是在耗时和 token 消耗上更高。

PPT 生成：差距最明显的一环

最让创作者失望的是 PPT 生成。他给两个模型相同的 prompt：生成一份 16 页、关于"AI 从图灵到 Agent"的演示文稿，指定主题和视觉参考。

Argon 输出的 PPT 被评价为"可以用，但排版对齐有问题，padding 处理粗糙"。而 Opus 5.5 的版本在图表连接逻辑、信息层级、整体清洁度上明显更好。创作者的原话是："Opus 5.5 的质量远好于 Argon 4。"

一个有趣的细节：Argon 生成 PPT 代码后，无法直接在 Gemini 平台内执行，创作者不得不把代码复制到 StackBlitz（Bolt 旗下的在线 IDE）中运行，才拿到最终的 .pptx 文件。而 Opus 5.5 的流程更顺畅。

StackBlitz 是一个基于浏览器的在线 IDE，其底层使用 WebContainers 技术在浏览器内运行完整的 Node.js 环境，无需本地安装依赖即可启动项目。文章中提到创作者将 Argon 生成的 PPT 代码复制到 StackBlitz 中执行，正是因为该平台能快速提供可运行的前端/Node 环境，从而运行生成 .pptx 文件的脚本（如 PptxGenJS 等库）。这暴露了一个实际工作流问题：模型生成的代码若无法在对话平台内直接执行，用户就需要借助外部沙箱环境完成“最后一公里”，增加了操作摩擦，也影响了产出效率的体感。

跑分与体验的裂痕

视频结尾，创作者抛出了一个尖锐的问题：benchmark 上 Argon 全面超越 Opus 5.5，为什么实际用起来感觉反过来了？他的猜测是，benchmark 可能无法完全反映真实开发场景中的综合能力——工具调用的协调性、审美判断、代码组织质量，这些维度很难被标准化测试捕捉。

这并不意味着 Argon 不行。它在速度、工具调用主动性、MCP 构建能力上都有亮点，定价也有竞争力。但如果你追求的是"一次到位"的产出质量，Opus 5.5 在创作者的三轮测试中赢了两次。

选择哪个模型，取决于你更在意速度还是完成度。跑分可以当参考，但别把它当结论。