ChatGPT vs Gemini vs Claude：谁能从零做出马里奥64？

当三大顶级AI模型被要求从零开始做一款《超级马里奥64》的克隆游戏时，结果会怎样？一位YouTube博主用同一个提示词分别测试了ChatGPT 5.2、Gemini 3 Pro和Claude 4.5，最终结果既有惊喜也有翻车。这场AI编程能力的正面对决，揭示了当前大语言模型在复杂3D游戏开发任务上的真实水平。

值得一提的是，《超级马里奥64》于1996年发布，是游戏史上第一款真正成功的3D平台跳跃游戏，由任天堂的宫本茂团队开发。尽管以今天的标准来看画面简陋，但其底层技术复杂度远超表面——游戏包含一套精密的角色状态机（马里奥有超过200种动作状态）、基于八叉树的碰撞检测系统、动态摄像机AI，以及针对N64硬件深度优化的渲染管线。原版游戏的C语言源代码约有50万行，经过数十位工程师两年多的开发和调试。要求AI在单次对话中复现这样一款游戏的核心体验，本质上是在测试AI对多个复杂系统协同工作的理解能力。

ChatGPT 5.2：画面最精美，帧率却只有1到2帧

测试从ChatGPT 5.2开始。开启思考模式后，ChatGPT花了整整8分钟才完成代码生成，一次性输出了2700行代码——这是博主见过的单次迭代中最多的代码量。

然而代码量大并不意味着质量高。第一次运行时，游戏画面看起来相当不错，但整个游戏处于冻结状态，完全无法操作。修复后的版本虽然可以移动了，帧率却低到令人发指——大约只有每秒1到2帧，基本处于"幻灯片"状态。

博主多次要求ChatGPT优化性能，甚至按照建议将某个参数调整为0.75来提升帧率，但效果微乎其微。最终ChatGPT的版本因为严重的性能问题无法正常游玩。不过从视觉效果来看，ChatGPT生成的画面质量确实是三者中最好的。

这暴露了一个值得关注的问题：ChatGPT倾向于生成更复杂、更精美的代码，但缺乏对浏览器端性能瓶颈的考量。 2700行代码中可能包含了大量未经优化的渲染逻辑，导致浏览器不堪重负。

浏览器中的3D游戏通常依赖WebGL（Web Graphics Library）技术，通过JavaScript调用GPU进行图形渲染。然而，与原生游戏引擎（如Unity或Unreal Engine）相比，WebGL存在显著的性能开销：JavaScript的垃圾回收机制会导致帧率波动，DOM操作与渲染管线的交互增加延迟，且浏览器的安全沙箱限制了对硬件资源的直接访问。一个未经优化的3D场景如果包含过多的draw call（绘制调用）、未合并的网格体或实时光照计算，很容易将帧率拖到个位数。专业的浏览器3D游戏开发者通常需要使用对象池、LOD（细节层次）系统和批量渲染等优化技术来确保流畅运行。ChatGPT显然没有将这些浏览器端特有的性能约束纳入考量。

Gemini 3 Pro：可玩性最强，综合体验最佳

Gemini 3 Pro的表现明显不同。首先它的生成速度快得多，几乎是即时完成。更方便的是，生成的游戏可以直接在聊天界面内运行，无需额外粘贴到HTML文件中。

初始版本存在一些明显的物理问题：地面摩擦力过大导致移动极慢，跳跃高度不够，Boss无法被击杀。但整体框架是可玩的，已经具备了基本的3D平台跳跃游戏体验。

经过一轮反馈修复后，Gemini的版本有了质的飞跃：

• 移动手感大幅改善，角色操控流畅自然
• Boss战逻辑修复，可以通过跳踩击败敌人
• 新增了多个经典关卡，包括Womp's Fortress（砖块要塞）、Jolly Roger Bay（海盗湾）和Cool Cool Mountain（冰雪山）

虽然各关卡的质量参差不齐——Jolly Roger Bay几乎没什么可做的，Cool Cool Mountain只有一个雪人，但Womp's Fortress的设计相对完整，不会出现角色穿模等严重Bug。Gemini还自动生成了一个关卡选择的Hub区域，体现了它对游戏整体结构的理解。

Gemini的核心优势在于"可玩性优先"的策略。 它没有追求极致的视觉效果，而是确保了流畅的帧率和基本可用的游戏机制，这恰恰是游戏开发中最重要的基础。

Gemini在迭代修复中的优异表现，也反映了AI辅助编程正在从"一次性生成"向"对话式迭代开发"范式转变。这种模式类似于敏捷开发中的快速原型迭代：先生成一个最小可行产品（MVP），然后通过用户反馈不断改进。这对AI模型的能力提出了独特要求——不仅需要理解代码本身，还需要理解自然语言描述的Bug现象（如"移动太慢"）与代码中具体参数（如摩擦系数、速度向量）之间的映射关系。Google DeepMind近期的研究表明，模型在"理解并修复已有代码"方面的能力增长速度，甚至超过了"从零生成正确代码"的能力增长。

Claude 4.5：中规中矩，碰撞检测问题严重

博主首先使用了Claude Sonnet 4.5进行测试。这个版本的问题非常明显：摄像机控制使用I、J、K、L键，操作极其反直觉，而且角色移动方向不会随摄像机旋转而改变，导致操控体验很差。

添加关卡后，各关卡的表现也不尽如人意。Cool Cool Mountain甚至出现了角色超音速移动的Bug，整体体验相当粗糙。

意识到使用了较弱的Sonnet模型后，博主又用Claude Opus 4.5重新测试。Opus版本确实有所改善：

• Goomba（栗子怪）的造型相对逼真，可以通过跳踩消灭
• 加入了Chain Chomp（铁球怪）等经典敌人
• 出现了一些有趣的交互，比如被敌人抓住后会被抛飞

但Opus版本也有致命缺陷：平台碰撞检测存在严重问题，角色会直接穿过台阶，导致无法到达Boss战区域，还出现了莫名其妙的传送Bug。

碰撞检测（Collision Detection）是3D游戏开发中最具挑战性的技术之一。在3D空间中，碰撞检测需要实时判断数百个物体之间是否发生接触，常用方法包括AABB（轴对齐包围盒）、OBB（有向包围盒）和基于网格的精确检测。更复杂的是碰撞响应（Collision Response）——当角色踩上平台时，系统需要正确计算法线方向、阻止穿透、并施加适当的摩擦力。Claude版本中出现的穿模Bug通常源于离散碰撞检测中的"隧穿效应"：当物体移动速度过快时，一帧内可能完全跨过薄平台而未被检测到。专业引擎通常使用连续碰撞检测（CCD）或射线投射（Raycasting）来解决这一问题，但这些技术的正确实现需要深厚的数学和物理学基础——这显然超出了当前AI单次生成代码的能力范围。

总体来说，Claude的两个版本都过于简单，缺乏完整的游戏体验。

三大AI模型编程能力排名与详细对比

博主给出的最终排名是：Gemini第一、ChatGPT第二、Claude第三。

模型	视觉效果	性能表现	可玩性	关卡丰富度
ChatGPT 5.2	⭐⭐⭐⭐	⭐	⭐	⭐⭐
Gemini 3 Pro	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
Claude 4.5	⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐

三个模型表现出截然不同的编程风格，这与它们的训练数据、对齐策略和架构设计密切相关。ChatGPT（基于GPT系列）倾向于生成详尽、注释丰富的代码，这可能源于其训练数据中大量教程和文档类代码的影响；Gemini（基于Google的多模态架构）更注重实用性和运行效率，可能受益于Google内部大规模工程代码库的训练；Claude（基于Anthropic的Constitutional AI方法）则相对保守，倾向于生成安全、简洁但可能功能不完整的代码。此外，模型的上下文窗口大小也影响着代码生成质量——更大的上下文窗口允许模型在生成后续代码时"记住"前面的架构决策，从而保持代码的一致性和系统性。

这次测试反映了几个值得深思的趋势：

代码量≠代码质量

ChatGPT一次性生成2700行代码，但最终产出了一个几乎不可玩的游戏。相比之下，Gemini可能生成了更精简的代码，却实现了更好的游戏体验。在评估AI编程能力时，不能只看代码的"规模"，更要看代码的"效率"和"实用性"。这一现象在软件工程领域有一个经典的对应概念——"代码膨胀"（Code Bloat），指的是程序包含了超出实际需要的代码量，导致性能下降和维护困难。优秀的软件工程实践强调YAGNI原则（You Aren't Gonna Need It），即不要实现当前不需要的功能。ChatGPT的表现恰恰违反了这一原则。

迭代修复能力决定实际可用性

Gemini在接收反馈后的修复能力表现最佳，能够准确理解"移动太慢""Boss无法击杀"等问题并有效修复。这种对话式迭代开发的能力，可能比一次性生成完美代码更有实际价值。在真实的软件开发流程中，需求变更和Bug修复占据了开发者60%以上的工作时间，因此AI模型的"修复智能"可能比"生成智能"更具实用意义。

3D游戏开发仍是AI编程的硬骨头

即便是表现最好的Gemini版本，距离真正的《超级马里奥64》也有天壤之别。3D游戏开发涉及物理引擎、碰撞检测、关卡设计、AI行为等多个复杂系统的协调，目前的大语言模型在单次对话中还难以处理这种级别的系统复杂度。这本质上是一个"组合爆炸"问题：当多个子系统需要同时正确工作时，任何一个环节的错误都会导致整体体验崩溃。物理引擎需要与碰撞系统配合，碰撞系统需要与关卡几何体配合，摄像机系统需要与角色控制配合——这种多系统耦合的复杂度呈指数级增长，远超当前AI模型的规划能力。

AI距离独立开发3D游戏还有多远

这场AI编程对决虽然带有娱乐性质，但它提供了一个直观的视角来观察不同模型的编程风格差异。ChatGPT追求"大而全"，Gemini注重"稳而用"，Claude则相对保守。对于开发者来说，选择哪个AI编程助手，取决于你更看重哪个维度——如果追求快速原型验证，Gemini目前是更务实的选择。

随着模型能力的持续进化，也许在不久的将来，AI真的能够从零生成一款完整可玩的3D游戏。但至少在今天，它们还需要人类的持续引导和反馈才能交出及格的答卷。从技术路线来看，未来的突破可能来自几个方向：更长的上下文窗口允许AI维护更复杂的代码架构；多智能体协作让不同的AI分别负责物理、渲染、关卡设计等子系统；以及与专业游戏引擎的深度集成，让AI不必从零实现底层技术，而是专注于创意层面的设计决策。

核心要点

• Gemini 3 Pro在三者中表现最佳，以流畅的帧率和可玩性取胜，成功实现了基本的3D平台跳跃游戏体验
• ChatGPT 5.2生成了2700行代码，视觉效果最好，但严重的性能问题（1-2帧/秒）导致游戏几乎不可玩
• Claude 4.5（包括Sonnet和Opus版本）整体表现最弱，存在操控反直觉、碰撞检测失败等问题
• Gemini的迭代修复能力最强，能准确理解反馈并有效改进物理系统、Boss逻辑和关卡设计
• 3D游戏开发仍是当前AI的重大挑战，涉及物理引擎、碰撞检测等多系统协调，单次对话难以完美处理