实测Claude Opus 5.5、GPT-6 Astra与Gemini 4 Argon：三项目定高下

在基准测试分数只差几分的情况下，三个顶级模型在实际编码任务中会拉开多大差距？YouTube 频道 AI Wade Journey 的博主 Wade 用三个真实项目做了回答：一个带说话荷官的 3D 二十一点游戏、用 Blender 搭建的涩谷 Sky 屋顶场景、以及一个 Notion 克隆应用。结论是：基准排名基本成立，但差距被显著放大。Claude Opus 5.5 三个项目全部胜出，GPT-6 Astra 以约三分之一成本稳居第二，而 Gemini 4 Argon 虽然最便宜，但尚未进入同一梯队。

基准测试那几分差距，在真实任务中意味着什么

先看纸面数据。据 Artificial Analysis 的 Intelligence Index，Opus 得分 58，Astra 和 Argon 均为 53；LiveBench 上三者总分差距在 2.5 分以内；在用户投票的 Web 应用排行榜上，Opus 第 1、Astra 第 2、Argon 第 9。有趣的是，在小浏览器游戏类别中 Astra 甚至略胜 Opus。

但有一个数字值得单独拎出来：LiveBench 的长时程 agentic 任务——最接近本次实测场景的指标——Opus 和 Astra 都在 80 分以上，Argon 只有约 70。Wade 的账单结构几乎复刻了这个分数分布：Opus 总花费 216.72 美元，Astra 77.86 美元，Argon 按 Google 发布价至少 8.75 美元。

价格层面，情况有些反直觉：按 token 单价，Astra 是 Opus 的 2.5 倍，Argon 仅为 Opus 的一半。但项目不按 token 计价。运行 Artificial Analysis 全套测试的成本分别约为 Opus 8700 美元、Astra 5300 美元、Argon 2400 美元——Opus 单价更低，总账单更高，因为它做得更多。

Artificial Analysis Intelligence Index 是一个聚合型基准，把来自 MMLU-Pro、GPQA、LiveCodeBench、SciCode 等多个独立评测集的分数标准化后加权合成一个 0–100 的综合分，意在用一个数字概括模型的通用智能水平。它的优点是跨模型可比、更新及时，缺点是权重设计带有主观性，且无法反映模型在特定任务类型（如长时程编码）上的专长差异。因此文章中出现“综合分只差 5 分、但细分 agentic 指标差 10 分以上”的情况并不矛盾——聚合分会掩盖子维度上的真实分化。

LiveBench 则采用另一套思路：题目来自近期竞赛、论文与新闻，并按月更新以防数据污染，同时设有客观可验证的答案。它把任务分为推理、编码、数学、数据分析、语言、指令遵循六类，其中 agentic coding 子项专门考察模型在多步骤工具调用与文件操作中的持续表现，这也是文章反复引用它作为“最接近实测场景指标”的原因。

三个项目的实战细节

第一回合：3D 二十一点与会说话的荷官

任务要求包括真实赌场音效、一位带唇形同步的女性荷官、八句指定台词，以及 60 帧每秒的运行帧率。

Argon 完全从数学构建一切：每个筹码点击、纸牌滑动、爵士和弦都由代码生成。但它自报的 60 帧来自一个上限为 60 的计数器，且是在小型无头窗口中测得，没有任何规则测试。Astra 走真人路线，下载了带 66 个面部形态的 3D 头像，用语音响度驱动嘴型，通过 20 句荷官台词、17 项规则测试和 19 项浏览器检查，并诚实注明“锁定 60 帧未被证实”。Opus 走得最远：1600 行代码从零构建荷官，105 句台词逐音节唇形同步，两个辅助代理分别构建荷官和环境，甚至停下来问 Wade 声音是否自然，并用语音识别验证全部八句台词，在完整 4K 下测得 60 帧。

账单：Astra 8 分钟、34.52 美元；Argon 约 1 小时 10 分钟、发布价 3.36 美元；Opus 6 小时 10 分钟、121.89 美元——是 Astra 的 3.5 倍，仅两个辅助代理就花了近 40 美元。

唇形同步（lip sync） 指让 3D 角色的口型与语音音素在时间上对齐的技术。常见做法有两类：一是 viseme 映射，把语音识别出的音素序列映射到预设口型姿态（如 Meta 的 Oculus LipSync、Ready Player Me 的 ARKit 52 blendshape 方案）；二是音频驱动的神经网络，直接从波形回归面部系数。文章提到的“66 个面部形态”即 blendshapes，是 ARKit 标准的一套表情参数；“按音节同步”则属于更细粒度的 viseme 级别控制，需要对台词做强制对齐（forced alignment）得到每个音素的起止时间。这也是 Opus 的 105 句台词逐音节同步在工程量上远超 Astra 的原因——后者只用语音响度驱动嘴型开合，属于振幅近似而非音素对齐。

第二回合：Blender 中的涩谷 Sky 屋顶

任务要求搭建涩谷 Sky 屋顶并在黎明雪景中渲染 30 秒电影级画面，建筑结构必须准确，音乐用代码谱写。提示词从未指定分辨率——这成了关键变量。

Argon 的甲板干净低多边形，但周围东京只是平面上的 64 个盒子，富士山是 1.5 公里外的白色圆锥。文件是 4K，帧却不是：画面以 1080p 渲染后拉伸，唯一说明这一点的是代码里的一行注释。Astra 渲染了真正的 4K，约 40 分钟输出 900 帧原生画面，屋顶遵循官方图纸——黄色直升机坪、六根木梁、玻璃边缘——但周围城市是一千个随机盒子，没有富士山，音乐是 123 个手写音符。Opus 从真实数据出发：辅助代理先研究真实甲板并列出无法确认的部分，随后从 OpenStreetMap 拉取超过 22000 栋建筑，使用塔楼真实轮廓与高度，按真实方位放置富士山，并从四个角度对照实景照片校验模型，每个剪辑点都落在音乐小节上。交付时为 1080p/24 帧，Wade 要求 4K 后它修复了一个导致视图全黑的曝光设置并重新渲染，耗时 79 分钟。

账单：Astra 59 分钟、30.56 美元；Argon 约 3.5 小时、至少 4.17 美元（连接中断 23 次，Wade 确认是 VPN 问题）；Opus 3.5 小时含 4K 重渲、69.32 美元。

OpenStreetMap（OSM） 是一个开放协作的世界地图数据库，其建筑数据以多边形轮廓加标签（高度、层数、用途）的形式存储，可通过 Overpass API 按经纬度范围批量拉取。在 3D 场景重建中，OSM 常被用来生成城市白模：把建筑轮廓挤出为体块，高度标签缺失时按层数×3 米估算。文章里 Opus“拉取超过 22000 栋建筑、使用塔楼真实轮廓与高度”，本质是把 OSM 数据导入 Blender 后做程序化建模，这与 Astra“随机生成一千个盒子”的区别在于地理真实性与遮挡关系是否正确。

渲染分辨率与输出分辨率的区别也值得澄清：Blender 中渲染分辨率由场景设置决定，输出尺寸只是最终编码参数，把 1080p 画面拉伸到 4K 不会增加任何细节。识别这一点只能靠检查工程文件或渲染日志，而非成片观感——这正是 Argon 那行代码注释成为关键证据的原因。

第三回合：Notion 克隆

任务是用 React 和 TypeScript 构建 Notion 风格应用，包含嵌套页面、带斜杠菜单的块编辑器、拖拽排序、小型数据库、搜索、深色模式和浏览器内保存。

Argon 写了最多代码、覆盖最广的块类型，但代理从未在浏览器中打开自己的应用，只跑了五个模拟测试。删除页面或点击重置演示，数据直接消失，没有确认也没有撤销。Astra 的应用完成度最高：封面图、收藏、15 秒撤销、可导出导入的备份，31 分钟、12 项数据测试通过，并在 Chrome 中自行点击界面，包括真实鼠标拖拽。Opus 像一支 QA 团队：21 项浏览器测试全部通过，随后派出第二个 Opus 代理攻击应用，找出 14 个 bug——例如在代码块内输入斜杠会破坏代码——全部修复并补充回归测试。

账单：Astra 31 分钟、12.77 美元；Argon 约 31 分钟、1.22 美元（会话时钟显示近 19 小时，其中 17.5 小时是一个命令在等待批准）；Opus 1 小时 18 分钟、25.50 美元。

Agentic 编码代理的自我验证能力，指代理能否在交付前主动打开浏览器、点击界面、运行真实交互测试，而非仅依赖它自己编写的单元测试。文章中的分歧正在于此：Argon 只跑了五个模拟测试、从未打开应用；Astra 用浏览器自动化点击了真实界面（包括鼠标拖拽）；Opus 更进一步，用第二个代理扮演攻击者对应用做对抗性测试。这一差异对应业界所说的“生成-验证鸿沟”——模型生成代码的能力与其发现自身代码缺陷的能力并不同步，后者依赖是否被赋予浏览器控制、可观测性与多轮自主循环。这也是为什么同一批基准分数下，实际交付质量会被显著放大的机制性原因。

总账与解读：便宜不等于高效

三个项目合计，Opus 216.72 美元、Astra 77.86 美元、Argon 按发布价至少 8.75 美元（全价至少 17.50 美元）。工作时长：Astra 总计约 2.5 小时，Argon 约 5 小时（估算），Opus 近 11 小时。这些是基于会话日志的 API 等价估算，并非订阅实际扣费。

Wade 的核心结论是：Opus 5.5 是这里最强的构建者，适合追求最完整、最经测试的结果且能承担时间与账单的用户；Astra 是紧随其后的价值之选，构建扎实、报告诚实、成本约三分之一；Argon 最便宜，但尚未进入同一梯队。他特别强调“便宜不等于高效”——当每个产出都需要人工复核时，省下的钱会以另一种方式还回去。

需要说明的边界：每个任务只跑一次，三者分别运行在 Claude Code（最高 effort）、Codex（最高档）和 Gemini CLI on Vertex AI（high thinking）中，因此比较的是三套编码代理配置而非纯粹的模型。结果会因环境而异。但在同一套设置下，基准分数的排序在真实工作中不仅成立，而且被放大。