7.3
深览指数
科技人人都是产品经理·AI产品大峡谷··AI 生成
鹈鹕骑车你看过，但Gemini 4都鹈鹕骑车的震惊视频，你肯定没看过。
本文并非单纯介绍Google Gemini 4 Argon模型的上线信息，而是聚焦于一线开发者社区的真实使用反馈。文章核心结论是：Argon在代码生成、多模态融合和视觉作品创作上表现惊艳（如办公桌变赛车游戏、纯代码生成视觉作品），但在工程级代码维护中表现有水分（如“6留2”的优化验收率）。作者指出，模型的能力与产品体验间有距离，且相比Claude Opus在细腻度和“灵气”上仍有差距，适合想了解模型真实上限与短板而非只看跑分的深度读者。原文 ↗
核心观点
- ▍Gemini 4 Argon在代码生成与多模态融合上确实有突破性表现，但在一线工程落地和细腻度上仍不及Claude Opus，社区反馈呈现两极分化。
- 01开发者 Genevieve 用 Argon 将家中办公桌照片配合 Blender MCP 和 Three.js，改造成了一款可玩的赛车游戏。
- 02Cognition 团队将 Argon 整合入 Devin 后观察发现，模型会先扫描代码库和 git 历史，改完后会自检，干活风格较稳。
- 03Google ADK 复盘记录显示，Argon 在一个 20 万行 Python 仓库中，第一轮改动未遵守代码规范，补全规则后连续运行约 11 小时，提出的 6 项优化有 4 项被人工驳回。
- 04开发者 @vib3coded 对比“瓶中船”3D 生成任务，Argon 成本 0.19 美元，Opus 5.5 成本 12.06 美元，但后者在玻璃质感、细节和创意上明显更优。
- 05Reddit “Tiny World”测试中，Argon 又便宜又快，但被批评缺“灵气”，且自动检查渲染时因脚本报错失败。
反方 / 局限
- — 沃顿教授 Ethan Mollick 指出 Argon 在复杂多智能体协同任务中易掉链子，且存在对胡诌结论过度自信、偷懒的问题，对 Antigravity 体验持保留态度。
- — 文章指出，花哨的 Demo 容易掩盖“6留2”式的工程现实——核心维护者仍需逐条甄别 AI 输出的代码是否可用。
12 分钟 · 4 卡片 · 7 资料
读原文 →