Gemini 4首测：性价比突出，但生成质量仍逊竞品

Google 终于发布了 Gemini 4，距离上一次大版本号更新已经过去一段时间，因此首批实测体验备受关注。来自 YouTube 的早期上手视频从排行榜、3D 生成、游戏可控性以及性价比几个维度给出了第一印象——结论并不单一：Gemini 4 在价格与效率曲线上有亮点，但在多项生成质量对比中落后于 Sonnet 5.5、GPT 6.1 Sol、Opus 5.5 等竞品。

排行榜位置：中游水平，但踩在性价比前沿

据该视频引用的 Agent Arena 数据，Gemini 4 排名第八，略高于 Sol 5-6，但低于 6 Sol、Fable 5、Opus 5 等最新模型。更值得关注的是帕累托前沿（Pareto frontier）表现——Gemini 系列一贯在定价效率上有优势，Gemini 4 也确实进入了帕累托前沿，但位置处于中间地带。这意味着在数千个用户提交的任务中，它的综合排名处于中游。

价格方面是 Gemini 4 的明显优势。视频博主估算，其成本约为 6 Sol 的三分之二，比 Opus 5.5 便宜约 70%。DeepSeek^广告 等模型的价格还要低得多，但在同价位带里，Gemini 4 的定价策略依然有竞争力。

帕累托前沿与定价效率

帕累托前沿（Pareto frontier）原本是经济学与多目标优化中的概念：在给定其他目标不恶化的情况下，无法再改进任一目标的解集构成前沿。在模型评测语境中，通常以“成本”和“任务完成质量/胜率”为两个坐标轴，把各模型画在图上——位于前沿上的模型意味着在同等价格下难以找到质量更高的替代品，或者在同质量下难以找到更便宜的替代品。

因此进入帕累托前沿并不等于综合排名靠前，而是说明该模型在“价格—性能”权衡上没有明显劣势。Gemini 4 位于前沿中段，对应的解读是：它并非最便宜或最强，但在其中等价位上提供了可接受的性能，适合作为预算受限时的候选。若某个模型被前沿上其他模型在两个维度上同时压制，则称为被“支配”（dominated）。

Agent Arena 这类众包评测平台的排名基于大量用户提交任务的对战或评分，与静态基准不同，它更接近真实使用分布，但也受提交任务类型分布影响，排名波动较大，宜作为参考而非定论。

3D生成实测：金门大桥尚可，后续场景掉队

视频作者用一系列 3D 生成提示词做了快速横评。在“金门大桥”这个经典提示词上，Gemini 4 的表现可圈可点——连贯性和 3D 质感都不错，水的质感令人印象深刻，UI 界面也做得比较用心。作者认为这一项与 Sonnet 5.5 相当甚至略好，但 GPT 6.1 Sol 仍然更胜一筹。

然而从第二个场景开始，差距拉大。在“岛屿庇护所”类提示词中，Gemini 4 的生成结果出现树木乱倒、元素错位等问题；对比之下 Sonnet 5.5 的人物、漂浮岛屿细节丰富且连贯，视觉美感明显更高。作者直言这一项“肯定不是最好的”。

“巴别塔”场景进一步暴露短板：人物漂浮、卡住不动、排列呆板，水体处理也有问题。与 GPT 6.1 Sol 的对比中，后者的人物有更明确的设计感和行为意图，整体完成度高出一个层次。白宫场景同样如此——Gemini 4 不算糟糕，但存在屋顶黑色异常块之类的瑕疵；Sonnet 5.5 则呈现出精细的设计感、行走的人物和优美的花卉细节，作者评价“完全是另一个级别”。

需要说明的是，作者本人强调他并不单纯在意 3D 生成本身，这些例子是为了观察更底层的能力：指令遵循的稳定性。同一个模型在不同提示词下表现起伏明显——有的场景出色，有的场景明显失稳，这种不稳定性才是真正需要警惕的信号。如果连生成类任务都存在细节失控，那么在数据库 schema 设计等需要精确思考的任务上，用户可能需要更明确地引导模型。

指令遵循与可控性

指令遵循（instruction following）指模型在生成内容时，对提示词中显式约束（数量、布局、空间关系、风格、禁止项）的遵守程度；可控性（controllability）则更宽泛，指用户能否通过提示词稳定地引导输出朝预期方向发展，而不是每次生成都出现随机漂移。

在 3D 或场景生成任务中，这两项能力体现为：物体是否按描述摆放、人物是否有合理行为、物理关系（水面、支撑、遮挡）是否自洽。同一个提示词在不同场景下质量起伏大，通常说明模型缺乏稳定的内部表征，而非单纯的美学差异——美学问题可以靠后期调整，结构性失控则难以修补。

这也是评测者强调“3D 生成只是氛围检查”的原因：生成类任务只是观察底层能力的探针。若模型在空间与数量约束上频繁失稳，那么在数据库 schema 设计、配置生成、代码重构等需要精确结构遵循的任务中，用户往往需要把需求拆解得更细、给出更明确的约束与示例，才能获得可靠输出。

游戏生成：可控性不足

Gemini 系列此前在游戏生成上口碑不错，但 Gemini 4 在本次实测中的表现令人失望。作者试玩生成的小游戏时，控制系统“相当糟糕”，甚至难以理解玩法，角色会卡住。对比 GPT 6.1 Sol 生成的游戏，虽然操控也称不上优秀，但至少可玩、不会到处乱跑。作者坦承单个游戏不足以全面评判游戏生成能力，但至少这次没有看到 Gemini 4 在该维度上的明显优势。

模型版本号与能力预期

大版本号（如 Gemini 3 到 Gemini 4）通常意味着基座模型、训练数据或后训练策略的整体更新，但并不保证每个能力维度都同步提升。厂商发布节奏、算力分配与产品定位都会影响各维度的取舍：有的版本侧重推理与成本效率，有的侧重多模态或长上下文。

因此“新版本必然全面更强”是一种常见误判。理性的做法是以具体任务集做小规模 A/B 测试：选取团队日常最高频的 5–10 类任务，用同一批提示词在新旧模型上跑一遍，比较成功率、返工率与单位任务成本。对成本敏感的团队，还应把价格折算进指标，采用“每完成一个任务的花费”而不是单纯的 token 单价来比较——这也是帕累托前沿视角在实际选型中的落地方式。品牌与版本号只能作为初筛依据，不能替代实测。

如何理解这次首测

这份第一印象的价值在于揭示了 Gemini 4 的定位轮廓：它延续了 Gemini 家族在定价效率上的传统优势，成功进入帕累托前沿，适合对成本敏感、任务难度中等的场景。但在生成质量和稳定性上，它尚未追平 Sonnet 5.5、GPT 6.1 Sol 这一梯队，尤其是跨场景的一致性表现存在波动。

作者的提醒值得记住：3D 生成只是“氛围检查”，真正要观察的是指令遵循稳定性、创意表现力以及细节 controllability 这些可迁移到实际工作流中的能力。对于打算切换模型的团队来说，Gemini 4 值得亲自试用，但不宜仅凭品牌或版本号做决策。