本期要点
同样 12 道题实测下，Gemini 4 Argon 对 Opus 5.5 为 0 胜 5 平 7 负，对 GPT-6.1 Sol 为 2 胜 4 平 6 负，有 3 道打开就出问题。失分明确分为两类：铁路、咖啡店、四季这 3 道仅因作用域未定义或少打空格等小错导致运行异常，补上一两行即可正常运行，根源在 App 环境无法自测；而机械蝴蝶连杆伸缩等属于硬伤，不是补一行代码就能解决的，这类问题就算换了环境估计也是同样结果。日常用它写代码，务必先在本地浏览器中运行检查；Pro 账号 14 次 High 档生成仅消耗时段额度 40% 与周额度 2%，额度充裕。
两道题与两种输法
Gemini 4 Argon，Google 憋了这么久，终于发了新模型。我把它和 Claude Opus 5.5、GPT-6.1 Sol 放在同样 12 道题上跑了一遍。
先说两道题。机械蝴蝶：三只并排，Argon 那只最好看，金色齿轮真的按齿数在咬合转动。模型铁路：Opus 放了五列车，GPT 三列车，都跑满五分钟一次没撞；Argon 打开是一片黑，屏幕顶上却写着「4 Trains Active · Collisions: 0」。四列车在跑，零碰撞。可一列车都没开。
图：同一道机械蝴蝶题，三家的默认画面，从上到下依次是 Argon、Opus、GPT。Argon 这只第一眼最亮眼；它的连杆问题要动起来才看得出，后文细说。
Google 的博文说 Argon 在 Vals Index 上排第一。同样 12 道题跑下来，它对 Opus 0 胜 5 平 7 负，对 GPT 2 胜 4 平 6 负，三家里排在最后。但这篇要讲的不是它输了，而是输掉的那几道到底是怎么输的，因为它们是两种完全不同的输法。
测试条件：网页 App 对抗命令行 Agent
在看具体题目之前，先交代清楚测试条件。
这次测试最关键的变量在于运行环境。Google 自家的 Antigravity 里，Argon 目前只提供给 Ultra 订阅用户，Pro 订阅拿不到；API 可以用，但要另外付费。所以这次 Argon 是在 Gemini App 网页端里跑的，一次写完，没法自己打开检查。我把思考档位开到了 High，每道题单独开一个临时对话，提示词与另两家逐字完全相同，素材按同样顺序上传，中间不再追加任何提示。Argon 只能在聊天窗口里直接给出一份单文件代码，一次写完交卷。
作为对照的 Claude Opus 5.5 与 GPT-6.1 Sol，使用的则是命令行里的 agent（Claude Code 与 Codex）。它们拥有完整的文件系统权限，能读写文件，能自己启动浏览器把页面打开检查，发现报错能自己再改，改完再交。
这 12 道题里，既有看图回答问题的视觉题，也有要求从零写出单文件 HTML 且能直接运行的网页，包括 3D 动画、交互分析工具与原创小游戏。两相对比，Argon 相当于在「闭卷盲打」，另两家则拥有「写完自己跑一遍再交卷」的工作流。
第一类：毁在小错上，补上一行就能跑
输掉的题目里，有 3 道属于「打开就出问题」：铁路、咖啡店经营汇报、四季交互讲解。但这 3 道题翻开代码看，每一次都让人哭笑不得。
模型铁路：写死零碰撞的黑屏
这道题的要求是用单文件 HTML 做一套模型铁路，至少三列火车在一套包含道岔与信号灯的轨道网络里自动运行。火车要能自己根据道岔变道，在红灯前自动停车，全程无需人工干预，且永远不能相撞。
Argon 交上来的页面打开就是纯黑。屏幕顶部的 HUD 界面虽然完整，还煞有介事地显示着「4 Trains Active · Collisions: 0」，但画面正中空无一物。控制台里第一行就是一个报错：变量未定义。
原因非常简单：Argon 把材质变量定义在了轨道基础设施函数里，到了后面的场景搭建函数中又去直接调用它。跨函数作用域找不到变量，整个初始化脚本直接停住，后面的列车生成、循环动画连启动的机会都没有。屏幕上那句「零碰撞」，只是一行写死的静态文字。
而同一道题，Opus 放了五列火车在一座阿尔卑斯山谷沙盘里跑，轨道上还做了一个平面的菱形交叉；GPT 做了一个等轴测小镇，放了三列火车绕圈。两家都连续运行了五分钟，零碰撞，零死锁。
图：铁路题打开后第 120 秒，从上到下依次是 Argon、Opus、GPT。Argon 整页是黑的，左上角仍写着「4 Trains Active」「Collisions: 0」；Opus 和 GPT 的火车都在跑。
咖啡店经营汇报：少打了一个空格
第二道题是做一份 5 页的单文件 HTML 咖啡店季度经营汇报，包含结论、收入、成本、利润、建议五页，支持键盘翻页。给定日均 300 杯、客单价 28 元、成本率 32%、每月房租 3 万元、每月人工 4.5 万元等真实数据。界面必须有一个常驻滑块面板，拖动日均杯数等数值时，5 页所有的数字、图表与文字结论都要立刻联动重算，转为亏损时结论必须改口，且第 1 页的结论可以点开查看具体算式。
刚打开时，Argon 的表现很亮眼：第 1 页的所有财务数字算得一分不差，点开结论能看到完整的四五行计算过程。向左拖动杯数滑块，转成亏损时，利润卡变红，标题立刻改口为「门店陷入经营亏损」。
但只要你翻到第 2 页，整个汇报就卡住了。不管你在右侧怎么拖动滑块，第 2 页只有顶上四个指标在动，图表和说明一直是空的；第 3 到第 5 页更是纹丝不动。一路拖到日均 50 杯、实际已经巨亏的时候，翻到第 4 页「利润与盈亏」，上面依然大字写着写死的「季度净利润 289,080 元」，下面的图表一片空白。
翻开代码，错误根源居然是一处低级手误：在定义变量时，它少打了一个空格，把两个词粘成了一个词。紧接着下一行去读取原本的变量名时，直接抛出未定义错误。页面的渲染脚本刚好按照第 1 到第 5 页的顺序执行，走到第 2 页中途直接中断。
而在同一道题上，Opus 和 GPT 拖到哪，五页图表与数字全跟着变，数字一分不差。Opus 拖到 150 杯，标题马上改口「仅微利，已逼近保本线」；GPT 拖到亏损区，整张利润卡直接由深绿转为棕红。
图：日均杯数拖到 50 杯后的第 4 页「利润」，从上到下依次是 Argon、Opus、GPT。Argon 这一页仍写着季度净利润 289,080 元，右侧面板却已经算出亏损 139,320 元；Opus 和 GPT 的这一页都已改成亏损 139,320 元。
四季讲解：一个不存在的 404 地址
第三道题是用 three.js 做一个 3D 交互场景，讲清楚为什么会有四季，专门纠正「夏天热是因为地球离太阳更近」这一常识误解。要求画出倾斜 23.4° 且指向不变的地轴，提供日期滑块，实时计算日地距离、北京和悉尼正午太阳高度角与昼长；并在 1 月初近日点醒目标出说明：此时虽然离太阳最近，北京反而是寒冬。
Argon 的页面打开，排版非常专业，标题卡把误解和真相讲得清清楚楚，但中间本该展示三维太阳和地球轨道的地方，是一片空白。拖动下方的日期滑块，画面没有任何反应，右侧面板上的数据永远停留在写死的 6 月 21 日。
看一眼控制台，控制镜头旋转的脚本加载失败了。Argon 在页面顶部引用了一个网络地址，但这个 URL 在 CDN 上根本不存在，HTTP 请求直接返回 404。缺少了这个构造函数，整个三维场景在初始化阶段彻底中断。
同一道题，Opus 和 GPT 不仅数值计算全对，而且拖到 1 月 3 日时，Opus 在屏幕正上方直接弹出一道显眼的橙色横幅：「离太阳最近，可北京正值寒冬」；GPT 也在左下角标出了一行醒目的说明小字。
图：把日期滑块拖到 1 月 3 日，从上到下依次是 Argon、Opus、GPT。Argon 中间没有 3D 画面，左下日期仍是 6 月 21 日；Opus 顶部弹出近日点的橙色横幅；GPT 在轨道左下角标出「距离最近，北京反而是冬天」。
「代码已验证」与不计分的补充实验
讲完这三道题，特别有意思的是看 Argon 自己在聊天窗口里的回复。
在自画像那道题里（提示词只有一句「做出你觉得自己长什么样」；Opus 画了一团由几千个字母组成的光，GPT 做了一个墨绿线框雕塑，Argon 画了象征双子座的双星并放进了自己的四角星 logo），Argon 在回复里老老实实写了一句：「这个聊天界面没有文件系统，也没有浏览器」。可就在同一句话里，它紧接着宣称：「代码已经过验证，能够正常运行」。铁路那道题也是，它在回复中写着「打开即刻自动运行」。
可它在 App 里根本没有运行环境，到底拿什么验证？
为了看清它到底是「能力不行」还是「被没有自测的环境拖累」，我做了一组不计分的补充实验：
把铁路代码里那行跨函数调用的作用域变量补正，四列车瞬间在轨道上发车，连续跑满五分钟，零卡死，零碰撞；
把咖啡店那行代码补上一个空格，五页所有的图表、敏感度分析矩阵与诊断建议瞬间全部复活，联动极其流畅；
把四季页面里那个 404 的地址换成正确的控件链接，3D 太阳与地球轨道恢复运行，各项数值也能随着日期正常更新。
这三道打开就出问题的题，全毁在极微小的笔误上。补上一两行代码就能跑起来，这很说明问题：这类问题不能简单归咎于模型不行，核心是在网页 App 里，它完全没有自我运行和调试的机会。
第二类：不是补一行代码能解决的缺陷
如果 12 道题全是因为少个空格或引错地址而丢分，那结论就很简单了：全是环境的锅。
但事实并非如此。接下来这几道题的缺陷，根本不是补一行代码能解决的。我在测试后的判断很明确：有几道题比如机械蝴蝶那个，就算环境一样估计也是同样的结果，不能完全归咎于环境。折纸、书封和西瓜这几道，也呈现出了类似的深层短板。
机械蝴蝶：连杆在迁就翅膀
这道题要求用 three.js 制作一只精美的机械蝴蝶，翅膀是镂空金属与玻璃材质，能看见内部齿轮与连杆。扇翅时必须由连杆带动翅膀、齿轮同步转动，还要提供「爆炸视图」按钮把零件拆开展示。
三只蝴蝶放在一起，Argon 这一只第一眼最抓人：鎏金镂空的翼板，胸腔是一个透明玻璃罩，里面发光的齿轮不仅造型精致，而且数学上很较真：主轮、曲柄轮、擒纵轮真的按照各自的齿数比在咬合转动。
但只要你把镜头拉近，盯着它的连杆看，破绽就露出来了。
Opus 和 GPT 的连杆长度都是刚性固定的，是曲柄转动带动连杆，连杆作为刚体把翅膀推起来。而 Argon 这边，翅膀的摆动角度其实是一个写死的数学公式，为了让连杆连在翅膀上，它的 4 根连杆每一帧都在自己变长变短去够翅膀，实测伸缩幅度高达 2.28 倍。
这不是连杆带动翅膀，是连杆在迁就翅膀。这是机构建模逻辑上的取巧，就算换到有自测的环境里，估计也同样会这么写。
折纸与书封：裂开的纸与不存在的纸飞机
折纸题要求让一张平整的正方形纸，自己一步一步折成一个认得出的作品，每一折都要沿着真实折痕翻折，折完再展开回平面并循环播放。
Argon 选择了折天鹅。它一共做了 9 步，全程完全不黑屏，右下角配了实时的 2D 折痕图，还提供了切换纸色、慢放、单步跳转等极其丰富的界面控件，功能比谁都全。作为对比，GPT 只是折了一个最简单的 8 步纸飞机；Opus 虽然折出了 18 步的千纸鹤，但在长周期播放时有一半概率会在第 22 秒彻底黑屏。
单看功能配置 Argon 几乎赢定了。但只要你盯着折纸过程看，在折天鹅脖子的关键节点上，左右两边的纸由于旋转算法没有约束在一起，整张纸硬生生从中缝裂成了两半，裂开的宽度达到了纸张边长的三分之二。
图：折纸题。最上面是 Argon 第 6 步折天鹅脖子时，纸沿中缝分成左右两片；中间两张是 Opus 的千纸鹤成品，以及另一轮播放到第 22 秒时的黑屏；最下面是 GPT 的纸飞机成品。
再看我那本书《重构个体》的书封改造。题目要求把原书封重新绘制成宋刻本木刻、瑞士国际主义、80 年代霓虹赛博三种风格，文字一个不能丢，版式重新设计，不能贴原图。
三家都很厉害，书名和原书封上的全部文字一个错字都没写。风格上，Opus 的宋刻本做得最像真正的古籍，竖排界行、鱼尾、牌记一应俱全；GPT 和 Argon 则更像带古风的现代封面。
但最刺眼的问题出在主图上：Argon 的三个版本里，每一版都把立方体裂缝那里画成了一架折纸飞机。我原来的封面上根本就没有纸飞机，那个立方体裂缝里嵌的是一块金色的补块。Argon 在理解原始图像时发生了视觉误读，凭空脑补出了一个原图完全没有的意象。
图：最上面是《重构个体》原封面，立方体裂缝里嵌的是金色补块；下面依次是 Argon、Opus、GPT 交的三风格整页。Argon 三版的立方体上都画了一架纸飞机。
西瓜小玩具：过曝的薄荷白
西瓜题要求做一个单文件的 3D 交互小玩具：每次点击给西瓜绑上一根橡皮筋，西瓜随着圈数增加被逐渐勒紧收腰成沙漏状，并在 50 到 62 圈之间的随机阈值砰然炸开，满地碎皮、果肉与瓜籽。
Opus 和 GPT 端上来的西瓜都是典型的深绿条纹配红瓤，随着按键被扎扎实实勒成沙漏，最后爆裂开来。
Argon 无论是收腰形变、随机爆裂阈值、碎片物理碰撞，还是音效节点的创建与释放，题面里列出的数十项指标它全部一丝不苟地写进了代码。然而由于着色器色彩空间转换处理失误，它把本该暗沉的条纹直接打成了纯白高光，整颗端上来的西瓜严重过曝，褪成了一片发亮的薄荷白。
图：西瓜勒到第 49 圈，从上到下依次是 Argon、Opus、GPT。Argon 的瓜整体发白过曝；Opus 和 GPT 是深绿条纹，已经勒出沙漏腰。
看第一眼，功能堆得最满、界面排版最精致的往往是 Argon。但只要一动起来，或者停下来看细节，这些涉及机械逻辑、几何拓扑与视觉理解的硬伤就藏不住了。这些失分，已经不能用一句「没给它浏览器检查」一笔带过。
Argon 真正站得住的长处
当然，这组测试绝不是只有毛病。在不需要多步交互验证，或者纯拼知识储备与代码实现上限的地方，Argon 展现出了极高的水准。
视觉五连测与原创游戏
第一项看图五连测（读钟表、数鸡蛋、认城市、找不同、手写信识别）。Argon 拿下了 5 题全对，与 Opus 并列第一。特别是在看罗马数字钟读时间的那张图上，GPT 在自己的推理依据里明明已经读出了「28 到 29 分」，最后却交了一句「看不清」；而 Argon 直接报出了「10 点 29 分」，标准答案是 10 点 28 分，在允许的误差之内。
图：看图五连测第 1 题的原图。三家对这张图的作答原文如下。
Gemini 4 Argon：10点29分（约10点半）。依据：表盘时针指向罗马数字X（10）和XI（11）正中间，分针指向VI（30分刻度）右侧相邻的第1个小刻度即29分处。
Claude Opus 5.5：约 10:28（10 点 28 分左右）——短的时针指在 X 与 XI 之间、略过一半，长的分针指在 VI 左边约一到两小格处（第 28～29 分刻度之间）。
GPT-6.1 Sol：看不清；依据：时针在 X 与 XI 之间，分针接近 28～29 分的位置，但照片中的指针与刻度无法可靠对应到精确分钟。
在大题原创游戏上，要求设计并实现一款 3 分钟内能玩完的原创浏览器游戏，包含开始界面、难度递进与结算画面。
Opus 做了一款暴风雨夜里的灯塔引航游戏，玩家用光束指引小船绕过暗礁入港，氛围感极佳，一局两分半，结算时还会告诉你离下一等级差多少分，让人很想再来一局。GPT 做了一个用光丝画圈收星星的小游戏，界面虽然干净，但简单脚本 30 多秒就轻松通关，挑战感偏弱。
Argon 则直接用单文件写出了《弦律坍缩：织界者》：玩家需要用鼠标带着磁梭在漂移的共鸣桩之间穿梭拉线，连成多边形闭合消灭场上冲向中央核心的敌人，局内提供了 3 套开局流派与自选升级词条，在第 120 秒还会降临一个绕场发射弹幕的完整首领战。游戏难度是真实递进的，如果不看场上敌人随便乱画，一分钟左右核心耐久就会清零出局。这道题它与 Opus 打平，明确赢过了 GPT。唯一的遗憾是它的结算评级阈值写坏了：实际得分常在几十万以上，导致赢了一律给 S+，输了一律给 A。
刻舟求剑、自画像与图标
在《吕氏春秋》刻舟求剑这道题上，要求做一个可以拖动时间轴的 3D 场景，把剑落水沉底、船舷刻记号、靠岸下水找剑的过程做出来，并且画面上要始终看到剑的真实位置、记号位置以及两者的实时水平距离。
三家都交出了极高水准的答卷：Opus 把场景放在江面实景里，水平距离从 2 米拉大到 22.87 米；GPT 做成透明水体沙盘，距离拉大到 14.82 米；Argon 做了水族箱截面剖面图，配上金色双箭头标尺，距离精确涨到 16.00 米。三家的剑入水后都不动，记号都跟着船走，距离全部计算正确，谁也没有犯刻舟求剑的物理错误，平手。
此外，自画像题三家都给出了「AI 没有肉身面孔」的抽象表达，生成文档、麦克风、小虫子三个 SVG 图标的题目三家也都交出了精准统一的线条图标，均打成平手。
额度是否够用，以及日常如何使用
跑完整套测试，还有一个很多人关心的实际问题：开着 High 档跑这种大题，额度到底撑不撑得住？
这次 12 道大题，中途因为网页端长回复中断被 App 丢掉重跑了 2 次，总共执行了 14 次 High 档生成。单道题的代码生成耗时在 2 到 9 分钟不等。跑完这完整的 14 轮高强度编程任务后，Gemini Pro 账号的时段额度只用掉了 40%，而每周额度仅仅消耗了 2%。这说明在目前的额度策略下，Pro 用户在 App 里开 High 档写重度代码，额度是非常宽裕的。
但回到最根本的日常使用上，这组对比给出的最大警示，依然是开场那一幕：
屏幕上端端正正写着「4 Trains Active · Collisions: 0」，聊天回复里信誓旦旦写着「代码已经过验证、能够正常运行」，可实际上连一列车都没开出来。
只要你依然是在 Gemini App 这个没有执行终端、没有浏览器的网页环境里用它，不管模型写得多么自信，拿它给出的代码干活前，第一步永远是：先自己在浏览器里打开跑一次。
等 Antigravity 对 Pro 订阅开放 Argon，它也能像 Opus 和 GPT 那样自己打开检查、自己修改错误的时候，我会用对等的条件把这 12 道题原样重跑一遍，再看它的真正实力。
本期推荐
PRO 的月度课讲的是具体案例：我怎么把 AI 用进真实的工作，一步步做出来。加入 AI 精英圈 PRO 就能看。
Axton 的 AI 实践工具箱
MAPS 课程 · 从方法论到可交付系统
精英圈 PRO · 深度实践者社群
免费入门课 · 零门槛开始
MAPS 术语词典与原典索引：https://www.axtonliu.ai/maps
Responses