Gemini 4
谷歌DeepMind下一代旗舰大语言模型，为Gemini系列的后续版本，外界预期其能力将大幅跃升
核心事实
时间轴 (近 90 天)
据视频引用的Agent Arena数据，Gemini 4在该排行榜上排名第八。
在游戏生成测试中，Gemini 4生成的小游戏控制系统“相当糟糕”，难以理解玩法，角色会卡住；对比GPT 6.1 Sol生成的游戏至少可玩、不会到处乱跑。
在“巴别塔”3D生成测试中，Gemini 4出现人物漂浮、卡住不动、排列呆板、水体处理问题，GPT 6.1 Sol的人物有更明确的设计感和行为意图，整体完成度高出一个层次。
在“岛屿庇护所”3D生成测试中，Gemini 4出现树木乱倒、元素错位等问题，作者认为该表现“肯定不是最好的”，而Sonnet 5.5细节丰富且连贯、视觉美感更高。
在3D生成“金门大桥”提示词测试中，Gemini 4的连贯性和3D质感不错，水的质感令人印象深刻，UI界面用心，作者认为与Sonnet 5.5相当甚至略好，但GPT 6.1 Sol更胜一筹。
DeepSeek等模型的价格比Gemini 4低得多。
视频博主估算Gemini 4比Opus 5.5便宜约70%。
视频博主估算Gemini 4的成本约为6 Sol的三分之二。
Gemini 4进入了帕累托前沿（Pareto frontier），但位置处于中间地带。
Gemini 4略高于Sol 5-6的排名，但低于6 Sol、Fable 5、Opus 5等最新模型。
还有 40 条时间轴事件
全部知识事实 (20)
Gemini 4 Argon 已向付费用户全面开放，但 Anti-Gravity 功能仅限 Ultra 订阅用户使用，Pro 用户无法使用
90%已验证Gemini 4 Argon的最大输出从64000 Token提高到100万（指输出上限而非上下文窗口）
80%已验证Google决定正式放弃Gemini 3.5 Pro的检查点（checkpoint）版本
65%已验证谷歌在其官方博客上发布了 Gemini 系列的新成员 Gemini 4 Argon
90%待验证DeepSeek等模型的价格比Gemini 4低得多。
50%待验证在游戏生成测试中，Gemini 4生成的小游戏控制系统“相当糟糕”，难以理解玩法，角色会卡住；对比GPT 6.1 Sol生成的游戏至少可玩、不会到处乱跑。
50%待验证在“巴别塔”3D生成测试中，Gemini 4出现人物漂浮、卡住不动、排列呆板、水体处理问题，GPT 6.1 Sol的人物有更明确的设计感和行为意图，整体完成度高出一个层次。
50%待验证在“岛屿庇护所”3D生成测试中，Gemini 4出现树木乱倒、元素错位等问题，作者认为该表现“肯定不是最好的”，而Sonnet 5.5细节丰富且连贯、视觉美感更高。
50%待验证Gemini 4进入了帕累托前沿（Pareto frontier），但位置处于中间地带。
50%待验证Gemini 4略高于Sol 5-6的排名，但低于6 Sol、Fable 5、Opus 5等最新模型。
50%待验证视频博主估算Gemini 4的成本约为6 Sol的三分之二。
50%待验证在3D生成“金门大桥”提示词测试中，Gemini 4的连贯性和3D质感不错，水的质感令人印象深刻，UI界面用心，作者认为与Sonnet 5.5相当甚至略好，但GPT 6.1 Sol更胜一筹。
50%待验证视频博主估算Gemini 4比Opus 5.5便宜约70%。
50%待验证据视频引用的Agent Arena数据，Gemini 4在该排行榜上排名第八。
50%待验证UP主在测试结尾列出了局限：五道题难度顺序是自己排的，不是标准评测；每题只跑了一次，没有重复采样；提示词是随手一问的写法，测的是“随手一问的水平”，不是模型的上限。
50%待验证测试中五道题一次性发出，不追问、不提示、不改题，且禁止联网。
50%待验证在编码题（用HTML写打砖块游戏，禁止调用外部资源）中，Anti-Gravity和Vertex AI都一次性给出了完整可运行的代码。
50%待验证谷歌 Gemini 4 在该测试中生成的是复制粘贴式的小场景，规模不符合「超大规模集群」的要求。
50%待验证Gemini 4在收到模糊反馈后能精准修复起跳位置，说明其对空间关系的理解更到位；DeepSeek的重写虽工程量大但未抓住核心问题。
50%待验证该测试为非严格对照实验，提示词、环境、接口调用方式都会影响结果，UP主将提示词放在评论区鼓励他人复现。
50%