自从谷歌9月30号发起安全测试，推出gemini 4 argon灰测，以后的几乎每一天我都雷打不动地去gemini官网看有没有向普通用户推出。
为了能更好地使用和测试，我还提早就搬好了小板凳：早早充好了pro会员，就等着它的发布。
说实话，自从9月30号小部分地推出测试，推特上就接连着讨论了好几天，也有很多拿到测试名额的，做出的效果和claude，gpt做对比，我看着确实是对这个马上要跌到“美国豆包”的大模型另眼相待了。
终于在今天12点多，它发布了！
一、前言
谷歌这大半年可以说都没什么起色，无论是3.5flash，3.6flash，3.8flash可以说对比3.1pro不进反退，其实在上半年我一直以为谷歌是不是在憋什么大招，还是在大模型方面真的竞争不过openai和A÷了。
年初3.1pro发布被称为“地表最强”的那时候还历历在目，我始终不敢相信谷歌会真的不再卷入大模型的研发竞争中。
所以几个星期前当听到gemini 4刚有消息的时候，就一直对谷歌这次的重磅升级充满期待，这次发布的终于不再是一如既往的flash轻量化模型了，而是Gemini 4 Argon
之后我就赶紧去试了试，看看到底能不能平替掉claude opus 5.5，能不能代替gpt 6处理日常任务。
毕竟claude不仅套餐贵、封号快，封号之后还不退钱。相比之下，gemini pro的套餐算是几个里最便宜的了。
我们先看看arena的文本模型的测试报告。
Arena
当然这只是文本测试，gemini算是挤上了第一梯队。
AA
这是综合测评的报告，AAII综合跑分和gpt可以说是旗鼓相当了。
DeepMind
我解释一下这张Google DeepMind（谷歌旗下的人工智能研究机构）跑分表的意义：
二、最亮眼的5项成绩
1. GraphWalks（超长上下文）：84.2%
这是我认为最值得关注的一项。模型最多支持256K～1M 长上下文，Gemini 4 Argon领先 GPT-6 12.4个百分点，领先 Claude Opus 17.4个百分点。
长上下文自gemini 3.1 pro的首次惊艳亮相就是谷歌一直的优势，直到现在看来一直保持的很好。
那么这个测试到底是干什么的？
主要考察模型能不能从几十万甚至上百万 Token 的上下文中，找到并整合相关信息，完成复杂的多步骤推理。
比如：
一次性给 AI 一本几十万字的书。
让它找出分散在不同章节的信息。
要求它结合这些信息回答复杂问题。
Gemini 在这个测试中表现特别突出。
实际意义：在日常任务中，对于阅读超长文档、分析大型代码库、处理海量资料等任务，这是一个很积极的信号。
2. Harvey's Legal Agent Benchmark（法律智能体）：19.6%
Vals Finance Agent v2（金融智能体）：65.4%
这里Gemini 4 Argon跑分来到了19.6% 和65.4%，
而Claude Fable 5.1，GPT-6 Astra，Claude Opus 5.5在这方面只有个位数，这个差距非常夸张。
Gemini 的成绩大约是：GPT-6 的 3.6倍，Claude Opus 的 5.2倍。
这个测试是干什么的？
考察 AI 完成复杂法律工作任务的能力，例如法律文件分析、法律研究及需要多步骤操作的专业任务。
Gemini 在这个法律和金融的测试上有极其明显的相对优势。这对法学学生、金融学生、律师、会计是一个很大的帮助，这意味着它的准确性得到了大幅度的提高。
3. AutomationBench（自动化能力）：51.3%
Gemini 4 Argon跑到了51.3%
Claude Opus 5.5是42.5%，GPT-6 Astra是41.4%，Claude Fable 5.1是31.4%。Gemini 领先第二名 8.8个百分点。
这个测试是干什么的？
主要考察 AI 自动执行任务、调用工具以及完成多步骤工作流程的能力。
举个例子：
你告诉 AI：
帮我整理这些文件，提取数据，生成Excel，再根据数据制作报告。
AI 需要自己规划步骤，使用工具，并完成任务。
这类能力通常被称为 Agent（智能体）能力。
如果你关注 AI Agent、自动化办公、AI 自动完成工作，那么这项成绩非常值得关注。
⭐ 4. LVBench（长视频理解）：91.7%
Gemini 领先 GPT-6 4.2个百分点。
这个测试是干什么的？
主要考察模型理解长视频内容的能力。
例如：
给 AI 一段很长的视频，然后让它总结视频内容
找到视频中特定时间发生的事情
理解不同片段之间的联系
回答需要跨越多个片段才能解决的问题
这是 Gemini 多模态能力的一项亮眼成绩。
如果你用 AI 分析视频、总结课程、理解长视频内容，这项能力就很有价值。
这里我特别想说一下：
Vibe Code Bench 达到91.9%，不代表 Gemini 的编程能力就全面超过 GPT-6 和 Claude。
因为几个模型都已经达到90%左右，分数差距并不大。
三、Gemini 的几个明显短板
虽然 Gemini 在这张表中领先的项目很多，但有些领域并没有占据优势。
1. FrontierSWE v2（复杂软件工程）
GPT-6 Astra
65.5%
Claude Opus 5.5
62.3%
Claude Fable 5.1
56.3%
Gemini 4 Argon
55.0%
Gemini 落后 GPT-6 10.5个百分点。
这个测试关注真实软件工程问题的解决能力。
它表明，在部分复杂代码修改和软件工程任务上，GPT-6 可能更有优势。
2. Terminal-bench 4.0（终端操作）
Claude Opus 5.5
66.4%
GPT-6 Astra
58.2%
Claude Fable 5.1
57.9%
Gemini 4 Argon
57.4%
Claude Opus 领先 Gemini 9个百分点。
这项测试特别值得关注。
因为它测试的是 AI 在终端环境中执行操作、使用命令和解决复杂任务的能力。例如你平时使用的 Linux 终端、Codex 等相关工作场景，就需要模型的这类能力。
如果你主要用 AI 来编程、开发网站、使用 Linux、部署项目，我反而建议重点关注 FrontierSWE v2、Terminal-bench 4.0 和 OSWorld-2.0 这三项，而不是只看 Gemini 拿了多少个第一。
只是可惜做开发Gemini还是差点意思。
不过实际情况还得自己动手看看效果到底怎么样。
四、使用体验
先看看最近大模型都在卷的3D建模。
3D
3D
这方面不用说，做工确实相较于gpt 6有过之而无不及，随着大模型这方面的强力进步，独立游戏开发相信不久也会迎来第一春的。
下面来看个对比：
四大模型对比
除了建模这点我不喷，也没得喷。
不过我真的很想吐槽gemini的前端UI审美设计，先看一张纯html的网页。
前端审美
虽然提示词简单，但这至少也反映了模型的原生审美能力吧，如果我不说谁敢相信都到现在了，还有AI能生成这样的网页设计，这谁绷得住…
其实自从3.1 pro一直到后面，我是一直对谷歌的gemini前端设计印象一直挺好的，但没想到升级迭代了几次反而水平不如以前了。。。
下面这个是我一句话做的赛车竞速游戏：（提示词在末尾）
gemini
gemini
还是那个问题：这个界面太丑了，两年前的AI做出来的塑料质感，放到现在多少不太合适。
不过说实话，整体没什么大问题，而且城市场景渲染的也可以，至少楼层都不相同，还特意加了桥和隧道，还能换场景视角，这点倒是在我意料之中。
此外速度方面这次gemini也明显做了升级，同样是这段赛车游戏提示词，gpt足足跑了23分钟才做好，而gemini则仅仅用了10分钟！
最重要的是，gpt 6 astra的bug还是挺多的，连左右方向都搞混了。而且对城市的还原度也没有gemini高，最让我绷不住的是gpt做的氮气加速，竟然给后盖加了两个水滴。。。
这是我觉得gemini比较强的地方。
gpt
gpt
五、价格，值不值？要不要订阅？
价格
这里价格我只能给到人上人，性价比上相比gpt 6.1还是不太够看，不过就目前跑分以及测试上也只能说摆脱了“美国豆包”的称号，算是勉强挤进了第一梯队，可编程开发方面的短板以及审美上的缺陷，很难让别人愿意再次将它捧在手心，只能说留个备用。
想完全平替掉claude可能还是差一截，也可能是我之前的期望值有点高。
可gpt性价比都那么高了，谁还会留gemini做备胎呢？
感谢你的观看。
提示词：做一个赛车游戏，要求3D建模，城市场景，建模一定要精细化，真实还原城市场景，模仿真实的赛车游戏核心玩法
