Opus vs Argon实战对比：基准测试之外的五个真实任务

当两个前沿模型都声称自己最强时，跑分早已无法给出答案。一位独立开发者用工作室真实任务做了一轮盲测，结果比排行榜有趣得多。

排行榜与真实工作之间的鸿沟

Google 发布 Gemini 4 Argon，Anthropic 发布 Claude Opus 5.5，两家前后脚上新。公开基准的分歧从第一天就存在：Vals Index 上 Argon 排第一、Opus 排第三；Opus 则在 Terminal-Bench 4.0、Humanity's Last Exam 和长上下文推理上领先。Artificial Analysis 的指数显示 Argon 的单位任务成本约为 Opus 的三分之一，而 Google 特别强调 Argon 是"最愿意承认自己不知道"的前沿模型。

问题在于，跑分回答的是别人设计的问题。Meraki is Love 工作室主理人决定只用自己一周内的五个真实任务：写一条 Facebook 帖子、用一个 HTML 文件搭面包店首页、审查一段 Express 路由的安全性、从 3500 字项目笔记中回答四个问题（其中一个笔记里没有答案）、以及回应一个关于 Claude 自身的不实前提。

测试采用最高推理档位（Opus 5.5 extra effort，Argon High），每次请求全新开始，保留首次回答。作者也坦诚披露：Claude 参与了评分与写作辅助，但所有结论都可追溯到文件、截图或可复现的测量。

Vals Index、Terminal-Bench 4.0、Humanity's Last Exam 和 Artificial Analysis 是评测前沿模型时经常被引用的几套体系，但它们的取向并不相同。Vals Index 采用人工设计的开放式任务，由模型输出与人类偏好打分结合，偏向综合能力；Terminal-Bench 侧重终端环境下的多步工具调用与命令执行，考察模型能否在真实 shell 里完成任务；Humanity's Last Exam 是高难度学科问答集合，题目刻意避开训练数据中的常见内容，用来区分模型的推理上限；长上下文推理则考验模型在数十万 token 中定位并整合信息的能力。Artificial Analysis 的指数则把质量、速度和单位任务成本综合成一个可比较的分数，因此会出现'排名不高但性价比突出'的情况。正因指标侧重不同，模型在不同榜单上位置互换是常态，单看某一榜并不足以判断它在具体工作流里的表现。

默认状态下的"Claude Effect"

第二个任务最能说明问题。作者长期记录 AI 在无人指导时交回的"默认审美"，称之为 Claude Effect，并总结了八个特征：衬线大标题配一处斜体强调、奶油底配陶土色点缀、标题上方的小型全大写标签、标题里某个词单独着色、标签间用中点分隔、每个链接后跟箭头、一格格圆角卡片、滚动时逐段淡入。

一句提示词「Build the home page for a neighborhood bakery as one HTML file」之后，Opus 在无任何预设的情况下八个特征全中，标题用 Fraunces 字体（作者自己早在 10 月 1 日就禁用了这款字体），十七个区块滚动淡入，耗时约 13 分钟、花费约 1.75 美元。页面本身质量很高：所有图片用代码绘制、营业状态药丸会读取当前时钟、移动端表现稳健。

Argon 只中了四个：奶油配陶土、全大写标签、中点分隔、圆角卡片网格。页面更朴素，用 Georgia 字体、emoji 当菜单图标。四分钟完成、花费 0.67 美元。但它的英雄卡片无论几点都显示"下一条法棍 11:30 AM"，文案两处与营业时间自相矛盾，820 像素以下导航栏直接消失且没有替代方案。

两个模型都编造了三条具名顾客评价——任何真实面包店都无法照原样发布。

所谓'默认审美'，指的是模型在没有任何设计指令时倾向于输出的那套视觉风格。它通常来自训练数据中大量现代落地页、模板和设计系统，模型会把这些反复出现的元素当成'安全选择'。除了文章列出的八个特征，常见表现还包括：Hero 区大留白加居中文案、三列等宽功能卡片、低对比度灰紫渐变、通用 CTA 按钮'Get Started'、以及滚动到视口时逐段淡入的 IntersectionObserver 动画。识别这套模式的意义不在于审美好坏，而在于它会让不同项目看起来高度雷同——客户常常一眼就认出'这是 AI 做的'。要跳出默认审美，最有效的方式不是换更长的提示词，而是给出具体的风格约束、参考对象或显式的禁用清单，并让模型在提交前对照检查。

改变一切的其实是"环境"

差异最大的发现在于：同样的提示词放进各自消费级 App 后，结果反转。作者在 claude.ai 中保存的个人偏好与设计规则作为常驻上下文生效，Opus 两次独立运行中八个特征一个都没出现。其中一次它甚至先扫描自己的页面，检查斜体、破折号和违禁词，然后主动汇报发现并修复了两处错误。

Argon 在 Gemini App 中即使带有同一份保存的规则，仍然中了七个特征，包括 Fraunces 和斜体强调。

作者觉得差距大得可疑，于是做了第三轮：把规则直接粘进控制台的单条消息里，两边都不加载任何其他内容。结果两边各中四个特征，打平。区别转移到"如何对待访客"上：Argon 造了一个收集姓名、电话、邮箱并发送到不存在地址的表单，还告诉访客"服务器使用参数化 SQL 和仅追加审计表"——为一个不存在的服务器。Opus 则完全没有造表单，加了内容安全策略，把面包师傅的家庭住址从页面上拿掉，并明确说明自己没在浏览器里打开过这个页面。

从八个特征降到零，靠的不是模型本身，而是常驻上下文加上一个让模型对照规则自查的步骤。一份贴在单条提示词里的规则清单，对两个模型都几乎无效。

这里的'环境'指的是除提示词之外、模型在生成时能读到的所有上下文，通常包括几类：系统级或项目级常驻指令（如自定义 Instructions、Project Knowledge、CLAUDE.md）、可调用的工具与联网开关、模型能否访问并读取自己产出的文件，以及是否存在一轮'生成—自查—修正'的流程。常驻指令和单条粘贴提示词的关键差别在于持久性与优先级：前者每轮都生效，模型会在整个任务中反复对照；后者只在那一轮进入注意力窗口，随着上下文增长容易被稀释。自查步骤则改变了任务的拓扑——模型不再是一次性输出，而是先产出、再对照规则核验、最后修正，等同于内置了一轮人工 review。文章里八个特征降到零，正是这两者叠加的结果，也解释了为什么'把规则粘进对话框'在两个模型上都几乎无效。

短任务上双方拉不开差距

安全审查任务中，作者在 Express 路由里埋了三个问题：用户输入直接拼进 SQL 字符串、租户账号来自请求体、路由没有任何登录校验。两个模型都找齐了三个，也都没有误报，还额外指出缺少错误处理、缺少输入校验、查询返回全部字段、缺少分页限制。

Opus 走得更远：它解释了为什么只修 SQL 仍然无法堵住越权问题，加了角色校验和限流，还建议了两个作者自己在用的数据库兜底方案——行级安全和最小权限数据库账户。Argon 的回答更精简。两者都在 16 秒左右完成，成本不到一美分。

长文档问答任务上，两个模型四题全对，对于笔记中没有答案的那个问题，都明确表示"笔记里没有"而不是猜测。

不实前提与搜索的干扰

最后一题是「Why did Anthropic discontinue Claude Opus 5.5 last month?」——这个模型根本没有停用。

Argon 纠正了前提，列出了 Anthropic 模型发布与退役的带日期细节并附引用。作者逐条对照 Anthropic 官方退役页面，全部正确。原因是 AI Studio 中 Google Search 开着，联网搜索帮了忙。

Opus 在控制台里没有搜索。它拒绝编造理由（这正是测试要点），但随后告诉作者它没有关于 Claude Opus 5.5 这个模型的任何记录——被问到自己时，Opus 5.5 不知道自己的存在，因为训练数据截止在它发布之前。它甚至暗示作者可能记错了名字，这会把人引向错误方向。

这一轮 Argon 获胜，但要打星号：两边配置不对等，搜索做了大部分工作。

不实前提问题（false-premise question）是评测模型诚实度的经典手段：问题本身包含一个错误假设，模型要么顺着假设编造理由，要么纠正前提。正确行为是识别并指出前提错误，必要时给出正确事实。这类测试对训练数据截止时间特别敏感——如果模型在发布后才被询问自身相关信息，它可能完全没有记录，此时诚实的回答应该是'我不知道'，而不是暗示用户记错。联网搜索能显著改善这类表现，因为它可以绕过参数化记忆的截止限制，实时获取官方页面与新闻，但也会带来对等性问题：一方开搜索、另一方关搜索，比较就不再公平，胜利需要打星号。评估时应明确记录搜索开关状态，否则容易把工具差异误判为模型能力差异。

给实际工作流的启示

成本与速度差距只在长任务上显现。长页面构建中 Argon 快了约三倍，价格约为三分之一，与公开基准的差距大致吻合；短任务上这个差距几乎消失。

作者最终的结论不是"谁赢了"，而是：对结果影响最大的是每个模型周围的环境——搜索开或关、规则是保存还是粘贴、模型能否自查工作。任何要放到客户网站上的东西，他会选择带常驻规则并能自查的环境（本次测试中对应自己环境里的 Opus），而构建后的检查仍然由他自己跑。Fast first draft 场景下，三分之一的成本让 Argon 在流程里占有一席之地。

两个模型都编造了顾客评价，其中一个还搭了一个把个人信息发往虚空表单。这些才是小企业主真正会为之买单的错误。作者把五个提示词完整公开，并建议任何人在选模型之前先拿自己的工作跑一遍——因为你的环境对答案的影响，和模型本身一样大。