Gemini 4 Argon vs Opus 5.5：一场走红后遭到质疑的测试

一个软糖熊模拟程序，让 Gemini 4 Argon vs Opus 5.5 的讨论变成了另一个问题：一段编程演示究竟能证明多少？在 Semichenko 发布的对比中，标注为 Claude Opus 5.5 的结果在拉伸和挤压时，比标注为 Gemini 4 Argon 的结果更有说服力。作者称，两者使用了相同的提示词^[1]。随后，另一位开发者发布了一个明显不同的 Argon 结果，也表示使用了同一提示词^[2]。

后续回应和最初的视频同样值得看：Semichenko 承认，这次 Gemini 运行可能失败了，需要做更多测试^[3]。现有帖子记录的是围绕几个具体结果的分歧，还无法确定模型的整体排名。下面梳理相关证据、作者的回应，以及判断下一次对比时可以采用的方法。

要点速览

• Semichenko 的原帖展示了两个可交互的软糖熊模拟程序，并称使用了相同提示词。显著的视觉差异对应的是作者报告的这两次运行^[1]。
• @shpotes 表示，在 Antigravity 中使用 Argon 得到了不同结果。这一示例对“第一段视频已经说明 Argon 的能力上限”的推断提出了质疑^[2]。
• 原作者明确表示，Gemini 的这次运行可能失败了，需要继续测试^[3]。
• 在另一条回复中，作者提议下次让每个模型各尝试三次，再选取最好的结果。这是一项方法提议，并非已经完成的重测^[4]。
• 配套视频梳理了这些第三方示例。reAPI 没有开展新的受控基准测试，也没有独立核实完整测试环境及所报告的费用^[5]。

观看原始对比与后续回应

我们的 2 分 18 秒视频依次介绍原始演示、其他开发者报告的复现和作者回复。它与本文相互补充，视频简介中列有素材来源^[5]。

可以直接跳转到 0:19 的原始演示、0:46 的复现示例，或 1:11 的作者回应。

画面展示的是通过代码实现的交互模拟，应按编程任务来评估。把运行后的动画录成视频，并不会使它成为文生视频模型对比。上方封面采用本视频的缩略图；如需查看帖子所报告的实际结果，请看视频和链接中的原始帖子。

Gemini 4 Argon vs Opus 5.5 演示展示了什么

原帖将 Opus 的画面放在上方、Argon 放在下方，并描述了拉伸、挤压、抛掷和增加软糖熊等一系列操作。作者的批评涉及物体如何变形、如何相互作用，以及材质看起来是否合适^[1]。

这些方面值得分开检查。对这项任务，我们建议评估：拖动时熊是否变形，松手后能否恢复，场景中物体增多后是否仍可正常操作，以及表面是否像所要求的材质。这些是建议采用的评估标准，并非我们对原始应用测得的结果。

把标准拆开，可以避免仅凭漂亮的表面效果决定整场编程对比。观众可能更喜欢某个结果的光照，但仍需检查交互是否正常。反过来，外观不够精致的物体也可能满足功能要求。先确定哪些要求重要，再选出你认为更好的演示。

评价展示出来的结果，与解释差异为何产生，也是两件不同的事。录屏能支持对画面中表现的有限观察。要确定原因，还需要指令、生成的项目、执行历史和设置。我们没有取得原始两次运行的完整对应记录，因此无法将这段差距单独归因于模型。

其他开发者报告的复现改变了什么

@shpotes 这样描述自己的结果（译）：“同样的提示词，在 Argon + Antigravity 上得到了截然不同的结果。”附带演示中，归于 Argon 的结果出现了拉伸和变形^[2]。这给观众提供了一个具体理由，去质疑第一个结果是否能代表 Argon 在这项任务上能做出的效果。

@Caxvalencia 的另一条帖子标注了“Argon - Medium”，并展示了另一个交互示例^[6]。这个标签是发布者对设置的描述，不能独立证明它使用了相同指令、相同初始文件或相同的工具调用顺序。

来源：原始帖子及回复^{[1][2][3][4][6]}。

原帖还附有一条引导读者查看复现结果的 Community Note（社区笔记）^[1]。可以沿着其中的链接查看证据。社区笔记提供了补充背景，其中的说法仍需对照底层来源核实。

如果按这些后续帖子的表述来理解，它们削弱了“Argon 做不出可变形软糖熊”这一笼统判断。但它们不能说明两个模型各自有多高的成功率、需要多少人工干预，也不能确定谁在另一类编程任务中表现更好。一个有力的反例可以质疑绝对化结论，却不等于建立了整体排名。

作者的回应也应完整呈现

Semichenko 写道（译）：“嗯，也许我的 Gemini 这次失败了，我需要再多测一些”^[3]。在更早的一条回复中，作者感谢了另一位测试者，并提议在未来对比中，让每个模型各尝试三次，再选取其中最好的结果^[4]。

这段回应缩小了争议的范围。没有必要假装原始画面中的差异不存在，也没有依据凭这些帖子认定作者有欺骗意图。作者已经承认这次运行存在不确定性。读者在判断那段视频时，也应看到这份承认。

“三次取最佳”回答的是一个特定问题：在选定规则下，每个模型最多尝试三次，能做出多好的结果？如果只展示胜出的那一次，首次尝试的可靠性仍然没有答案。对于今后的测试，我们建议公开所有尝试，并标明选中了哪一次，让最佳结果和失败记录都能被查看。

怎样让编程结果对比更有参考价值

以下是本文提出的测试建议。我们没有实际执行它，也没有据此还原创作者的私人会话。它的目的是让下一次结果更容易解释。

保留完整的起点。 保存准确的提示词、附件、初始项目和所有额外指令。如果从空目录开始测试，也要写明。仅仅把同一提示词复制到另一个项目里，并不能证明模型收到的上下文相同。

记录环境与设置。 写明实际使用的模型、应用或编程智能体、可用工具和设置。尽可能保存请求或会话记录。不知道的设置就标为未知，不要根据结果好不好看来反推。后续帖子提到 Antigravity，是一个有用的已披露细节，但它无法补上其他会话中缺失的信息。

提前确定尝试规则。 先决定比较的是首次尝试、固定次数内的结果，还是在规定预算内完成任务的能力。人工干预也应采用相同规则。如果某个结果需要额外的修复提示词，就公开该提示词，并计入新增工作量，不要把最终应用呈现为未经修改的首次响应。

采用相同的交互检查。 对软糖熊任务，可以定义一套可重复的操作顺序：拖动一条肢体、松手、挤压身体、让一只熊碰到另一只，再增加若干物体。记录每项要求的交互是否有效、在哪里失败，以及应用是否仍可使用。这是一份建议的验收清单，并不表示演示中的模拟已经实现物理准确的材质。

先按任务标准评分，再比较质量与花费。 原始视频中包含创作者报告的费用数字。我们没有独立核实这些数字对应的账单记录和完整工作过程^[5]。自己测试时，应保留每次纳入评估的尝试所产生的用量和费用，再按相同验收标准比较花费。失败的尝试也属于评估记录的一部分。

如果准备通过 reAPI 进行评估，可以查看 Gemini 4 Argon 模型页和 Claude Opus 5.5 模型页，了解当前模型信息与价格。这些页面可以作为搭建自己测试环境的起点，但并不复现社交帖子展示的工具或会话。

如果你关心的是已发布的模型基准测试，可以阅读我们的 Gemini 4 Argon、GPT-6 Astra 与 Claude Opus 5.5 对比。那篇文章讨论特定日期的厂商基准测试表；本文关注的是这次具体的软糖熊争议。

常见问题

这场走红的测试证明 Opus 5.5 编程更强了吗？

在这一次具体的视觉对比中，展示的结果更有利于 Opus。但我们查阅的帖子没有提供经过条件控制、反复测试的评估，无法据此确定普遍的编程优势^[1][3]。

后续 Argon 示例真的用了相同提示词吗？

@shpotes 明确表示用了相同提示词。这是该来源的说法。我们没有将全部提示词内容、周边上下文、设置和执行步骤，与原始会话逐项独立核对^[2]。

复现结果反过来证明 Argon 获胜了吗？

这些示例无法得出普遍适用的胜者。报告中的复现质疑了从第一个 Argon 结果推导出的结论，但并没有建立成功率，也没有证明它在各类编程任务上占优^[2]。

原作者回应质疑了吗？

回应了。Semichenko 表示，Gemini 的这次运行可能失败了，需要更多测试。作者还提议在未来对比中采用三次尝试取最佳结果的方式^[3][4]。

这是 AI 视频生成测试吗？

公开示例涉及通过编程构建的交互模拟。我们的视频讨论的是这些结果的录屏，不是在比较文生视频模型^[5]。

reAPI 重新运行了这项基准测试吗？

没有。本文和链接视频分析的是第三方报告的运行结果。我们没有独立复现完整环境、核查全部账单记录，也没有生成新的基准测试分数^[5]。

选出胜者之前，还需要哪些信息

先看原始演示，再读复现帖子和作者回应。如果需要据此选择模型，应要求提供完整环境，以及在明确评估规则下的所有尝试。在这些资料齐备之前，Gemini 4 Argon vs Opus 5.5 软糖熊测试适合作为一个具体案例继续研究。为自己的工作选择模型时，应在可重复的条件下检查真正需要的行为。

参考资料

1. Semichenko (@semichenkko)。原始软糖熊对比及附带的 Community Note。 检索于 2026 年 10 月 19 日：x.com/semichenkko/status/2110131790136401989

2. @shpotes。报告使用相同提示词的 Argon + Antigravity 复现。 检索于 2026 年 10 月 19 日：x.com/shpotes/status/2110222482632286672

3. Semichenko (@semichenkko)。承认 Gemini 这次运行可能失败、需要更多测试的回复。 检索于 2026 年 10 月 19 日：x.com/semichenkko/status/2110375383686135996

4. Semichenko (@semichenkko)。提议在未来对比中三次尝试取最佳结果的回复。 检索于 2026 年 10 月 19 日：x.com/semichenkko/status/2110282000246472931

5. reAPI。Gemini 4 Argon vs Opus 5.5: The Viral Test That Got Challenged。 检索于 2026 年 10 月 19 日：youtu.be/QR9HChbtym0

6. @Caxvalencia。Argon - Medium 交互示例。 检索于 2026 年 10 月 19 日：x.com/Caxvalencia/status/2110170790444269766