Gemini 4 Argon 实测：3D 演示、电子表格原型与基准成绩

我已经使用 Google 的 Gemini 4 Argon 大约一周，初步测试表明 Google 已经赶上前沿水平。我让它用 Three.js 制作详细的赛博朋克城市动画，包括霓虹灯、高楼和飞行汽车，目标是至少每秒 30 帧。

结果在我的浏览器里轻松达到每秒 60 帧，画面中有建筑、交通和动画效果。霓虹灯可能有点过量，但控件可以调整泛光、交通、画质和配色主题。一个简短提示大约 30 分钟就产生了这个结果；如果没有明确指定时间，Argon 往往会花这么久。

我认为 Argon 的 3D 作品还不如我见过的 Astra 和 Opus 最佳结果，不过在这项任务上比 Muse Wonder 更好。这是对这些特定视觉测试的判断，并不是说 3D 较弱的模型在广义编程上也一定不好。

一个 Three.js 鲁布·戈德堡机械装置看起来很出色，而且可以交互：我能移动镜头、启动球、改变速度并单独运行各个阶段。球曾卡住一次，我也看到了穿模，但多米诺骨牌和弹球效果运行良好。制作约花了 30 分钟。

我要求它增加复杂度，并加入客厅、大峡谷和拉斯维加斯等主题关卡。模型加入了主题，但尽管我多次要求超写实，它们看起来并不特别逼真。我想知道，换用 Unreal Engine 或 Blender 等环境是否能得到更好的视觉效果。

视频合作伙伴 Box 测试了知识工作，包括从文档、电子表格、演示文稿和图片中提取信息。在其报告的数据集上，Argon 得分 85%，Gemini 3.1 Pro 为 71%。Box 是赞助商，这些结果来自它自己的评测，反映的是特定任务，并非所有可能用途。

我还制作了一个 Fall Guys 克隆游戏。关卡有趣且有挑战性，角色碰撞看起来不错。模型做出了可玩的游戏，不过画面仍有闪烁。最终动画的效果也很好。

我先用简短提示要求制作功能对等的克隆，再设置目标，让它不断迭代，直到有十个复杂、有趣的关卡。我要求关卡更大，并改进滚动球等物体的碰撞处理。经过几轮迭代后，结果明显改善，我又将它与其他模型的作品作比较。

为了进一步测试 3D 能力，我让它在 Unreal Engine 中渲染海上的船。水面和波浪看起来不错，但有重复的纹理。与我测试过的其他模型生成场景不同，这个场景不能潜到水下。

接着我让 Argon 克隆 Excel，没有设置迭代循环。大约 20 分钟内，它查看了我电脑上的 Excel，并生成了一个看起来很像的浏览器界面。在我的快速测试中，基本算术和 SUM 公式都能运行，过程中虽出现了一个小输入错误。

这个原型的制作速度让我觉得，软件代码本身将成为越来越弱的护城河。在我看来，产品需要提供无法仅靠要求模型复制界面就能复现的服务和价值。简短演示并不能证明它与成熟的电子表格产品完全兼容。

Google 的发布方式有些特别：它先公布模型和基准成绩，然后才让公众使用，同时让早期测试者和安全研究人员获得访问权限。基准图将 Argon 与几个领先模型作比较；我又加入了 Muse Wonder Full 和 GPT-6.1 Sol 的较新结果。

展示的比较中，Argon 在 DeepSWE 1.1 上得分 77.9，仅次于 Muse Wonder Full 的 79.0；Vibe Code Bench 得分为 91.9。它的 Terminal-Bench 4.0 得分为 57.4，低于 Opus 5.5 的 66.4 和其他一些模型。我认为这是强劲且有竞争力的表现。

图中 Argon 的 OSWorld 得分为 69.2，接近 GPT-6.1 Sol 的 71.4；Agents’ Last Exam 得分约为 39.5。这些分数有助于比较，但选用什么基准和评测方法很重要。

我很高兴看到 Google、Meta、OpenAI 和 Anthropic 都推出了有竞争力的前沿模型。希望竞争能给用户带来更好、更快、更便宜的模型。目前，实际演示和公开基准都让 Argon 成为值得关注的模型。