一年后旗舰模型复盘：Gemini 4 Argon 幻觉率降至 15%
按 10 月同一时间点对比去年与今年的旗舰模型，作者称 Gemini 4 Argon 长程工程排到全场第二、幻觉率压到行业最低的 15%，而 GPT-6 Astra 偏科、Opus 5.5 复杂任务仍领先。
隔了一整年，大模型到底是从玩具熬成了生产力，还是换个姿势继续画饼？ 按10月同截面复盘，把去年和今年的旗舰拉出来遛一圈，神话全碎了。 OpenAI：从全能大哥，沦为昂贵的偏科怪 去年：GPT-5 Pro横扫全场，代码能打、理论无敌，写长文本不用操心。 今年：GPT-6 Astra 理论依然封神，但一进真实系统修 Bug、干长程工程，甚至干不过自家便宜 5 倍的 6.1 Sol。 实战体感：去年大伙儿默认闭眼选 OpenAI；今年开发者大面积逃跑，Astra 沦为供在橱窗里的奢侈品。 Anthropic：唯一把正经干活刻进骨子里的正规军 去年：中杯Sonnet 4.5 越级挑大梁，成了程序员写代码最顺手的工具。 今年：大旗舰Opus 5.5杀回，复杂实际任务的完成度依然断层领跑。 实战体感：哪怕单项跑分偶尔被别人超过去，但遇到复杂任务能老老实实听懂需求、一步步改到能跑通的，能让用户心甘情愿拼了命也要掏钱用上的只有它。 Google：被骂了一整年后，突然把幻觉治好了 去年：Gemini 2.5 Pro 代码水平全网垫底，稍微长点的任务就开始瞎编。 今年：Gemini 4 Argon 逆风翻盘，长程工程冲到全场第二，幻觉率率压到行业最低的 15%。 实战体感：去年根本不敢拿它干正事，今年一次性吞下整本大项目、答案还精准可靠，成了很多办公室里最稳的一线生产力。 xAI：神话褪色，但退守成了高性价比主力 去年：Grok 4 Heavy靠着做题狂暴表现，直接跟OpenAI坐一桌。 今年：Grok 4.7没能延续冲击第一的势头，综合指数 46 分掉到了第二梯队，在极复杂的极端工程环境里明显吃力。 实战体感：去年以为马斯克要超车登顶，今年发现它没杀进决赛圈；但胜在速度飞快且只要 $2/$6 的低价，成了很多人退而求其次的高频实用款。 DeepSeek：把桌子彻底掀翻的性价比屠夫 去年：开源主打极低推理成本，但在复杂大工程里只能算辅助，顶层硬仗还得闭源大模型来打。 今年：全量上线的 V4.1-Flash-1017，代码和实际干活能力硬生生冲到了贴脸打一线闭源的水平。 实战体感：综合纯理论或许还有微小代差，但干脏活累活的完成度完全不怵顶级旗舰；最绝的是价格只有美系顶配的三十分之一，直接把生产力门槛砸穿了。 这一年最大的变化其实就一句话： 去年的模型像个娇气的大牌实习生，得哄着供着，写两行代码还得时刻防着他捅娄子；今年谁能在泥坑里把活一次性干完、谁能把账单砍到零头，谁才能真正留下来干活。