五题实测Gemini 4：能力无短板，细节定高下

一位B站UP主对Google新一代大模型Gemini 4进行了一次“冷酷”的实测：五道横跨编码、读图、写作、长文和数学的题目，分别放入Google Anti-Gravity和Vertex AI两个产品中，一次性给题、不追问、不改题、不许联网。结果出人意料——五个方向，两个产品都交出了能用的答卷，唯一的分差出现在代码题的一个震动特效上。

测试设计：一次成稿，拒绝“挤牙膏”

这次测试的规则很明确：五道题一次性发出，中间不追问、不提示、不改题；所有回答原样呈现，成功或翻车都不修饰；同一道题、同一段提示词，先测Anti-Gravity，再测Vertex AI。UP主特意说明，这种“一次性不追问”的方式和日常真实使用有差异，结果仅代表本次测试，不构成产品推荐。

五道题的方向覆盖了当前大模型最常被考察的能力：编码（用HTML写一个能玩的打砖块游戏，禁止调用外部资源）、读图（从一份行业报告第16页提取正文、表格和图表信息）、写作（800字悬疑短篇，三重反转、人物不超过四个、场景集中、中文无翻译腔）、长文（1.4万字材料的结构梳理、数据抠取与矛盾排查）、数学（一道考研级别定积分，重点看推导是否完整）。

Anti-Gravity 与 Vertex AI 的定位差异

文中提到的两个产品虽然都接入了 Gemini 4，但定位并不相同。Vertex AI 是 Google Cloud 面向企业开发者的机器学习平台，提供模型训练、部署、调优和 API 调用等全流程服务，强调可管理性与合规性；而 Anti-Gravity 更偏向面向开发者的实验性工具或轻量级入口（具体形态随 Google 产品迭代而变化），强调快速上手和交互体验。两者共享底层模型能力，但在产品封装、默认参数、系统提示和交互细节上可能存在差异，这正是编码题中“屏幕震动效果”有无的潜在来源——模型能力相近时，产品层的工程实现和默认行为会放大细节差异。

编码题：都能跑，但“手感”分了先后

打砖块游戏的题目只给了一句话需求，外加一条硬限制：不许调用任何外部资源，所有东西必须写在一个文件里。Anti-Gravity和Vertex AI都一次性给出了完整代码，没有分步挤牙膏，也没有反问细节。打开就能玩，挡板跟手，分数、生命值、重开逻辑一应俱全。

差别藏在细节里：Vertex AI在打碎砖块时加了屏幕震动效果，Anti-Gravity则没有。UP主的评价很直接——“同一句话同一套限制，两边都照着做完了，差别不在能不能做，而在愿不愿意多给一点手感上的东西。”这一题两个产品没有能力差距，只在收尾的用心程度上分出了先后。

“禁止调用外部资源”意味着什么

题目要求所有东西写在一个文件里、不调用任何外部资源，这实际上是在限制模型只能使用 HTML、CSS 和原生 JavaScript 的内联实现。外部资源包括 CDN 上的图形库（如 Three.js）、字体、图片、音频以及网络请求。这一限制排除了模型“套用现成库”的捷径，迫使其手写游戏循环、碰撞检测、渲染和音效（若需要）等逻辑，因此更能反映模型对基础 Web 技术的掌握程度和代码组织能力。同时，单文件约束也考验模型对代码篇幅和可维护性的平衡——既要功能完整，又不能因过度堆砌而难以阅读。

读图与长文：数据全对，口径清晰

读图题使用了一份公开的行业研究报告第16页，上面有正文、表格和图表。两个产品都准确抓住了三个关键点：单位是美元、2021到2022年数据呈下降趋势、273.4亿元标的是米哈游一家公司的口径。UP主特别指出，两边都没有把行业口径和企业口径混着用，年份也是照抄图上信息，没有自行补全。

长文题节选了同一份报告中1.4万余字的材料，要求写300字以内的摘要覆盖五个部分，并回答五个数据题。Anti-Gravity和Vertex AI的摘要都压在300字内，五个部分全部提到，数据题五项全对，页码也全对。对于材料中未提及的问题，两边都如实回答“没有提供”，没有硬编数字。材料中是否存在前后矛盾，两边都判断“没有发现明显不一致”。

行业口径与企业口径的区别

在读图题中，“口径”指统计数据的范围与归属。行业口径通常覆盖整个市场或细分赛道的总规模，而企业口径只统计某一家公司的营收或业务数据。两者数值可能相近，但含义完全不同——若把企业数据误读为行业规模，会严重高估市场容量。文中特别指出两个产品都没有混用口径，说明它们在提取表格和图表时不仅识别了数字，还正确关联了数字对应的统计主体和单位（美元），这是读图能力中容易被忽视但至关重要的一环。

写作与数学：找不到能分开说的点

写作题要求800字悬疑短篇、三重反转、每重反转前文埋下伏笔、人物不超过四个、场景集中、中文不能有翻译腔和模板腔。两个产品交出的稿子字数都落在750到850字之间，三重反转成立、伏笔到位、人物和场景控制达标，语言通顺，没有套话式开头结尾。UP主把两份稿子并排读了两遍，结论是“找不到能把它们分开说的点”。

数学题是一道在AI圈流传已久的定积分题。UP主不懂数学，只能拿标准答案比对，重点看推导是否一步步写全、中间有没有跳步。Anti-Gravity和Vertex AI都给出了完整推导，精确值和小数近似均与标准答案一致。UP主也坦承，这类题模型可能见过，所以只能说“这一次算对了”，不能断定它没有被答案带过。

测试的边界：一次结果，不是模型上限

五道题下来，UP主没有找到能把两个产品分开的地方。他在结尾处主动列出了这次测试的局限：五道题难度顺序是自己排的，不是标准评测；每题只跑了一次，没有重复采样，结果可能碰巧偏好或偏差；提示词是随手一问的写法，测的是“随手一问的水平”，不是模型的上限。

这种自我拆台式的坦诚，反而让测试结果更有参考价值。对于普通用户而言，Gemini 4在编码、读图、写作、长文和数学五个方向上都表现出了稳定的可用性——没有明显短板，也没有出现“翻车”。两个产品之间的差异极小，选择哪一个更多取决于你对Google开发者工具链的偏好，而非模型能力本身。

如果非要从这次测试里带走一个结论，那就是：当模型能力普遍越过“能用”的门槛后，产品之间的竞争会落到细节体验上——比如一个屏幕震动效果。而对于评测本身，一次性、不追问、不许联网的方式虽然严苛，但也更接近普通用户真实提问的场景。UP主最后把“哪道题最不公平”抛给了评论区，这个开放式的结尾，或许比任何分数都更有讨论空间。

单次采样与模型评测的局限性

大模型输出具有随机性，同一提示词多次运行可能得到不同结果。文中“每题只跑一次”意味着测试无法区分模型能力的稳定水平与单次运气成分。严格的模型评测通常需要多次采样（如 pass@k 指标）、控制温度参数、使用标准化题库，并引入人工或自动评分。此外，“随手一问”的提示词测的是模型在非精心设计输入下的表现，更接近普通用户场景，但无法反映模型在复杂指令、多轮追问和工具调用下的上限。因此，这次测试的结论应理解为“在本次条件下可用”，而非对 Gemini 4 能力的全面判定。