大家好，我是蓝戒。本篇我们来聊聊：“Gemini 3.7 Flash、GLM-5.3、Grok 4.6实测写小游戏谁最强”。
同一套Prompt写牛来跑酷小游戏！实测Gemini 3.7 Flash、GLM-5.3、Grok 4.6：谁一发入魂，谁在疯狂翻车？
如今大模型发版的速度比打工人的周报还频繁。但跑分榜单上的那些数字，究竟能不能转化为我们实际开发时的“爽感”？为了不看PPT看疗效，我直接拉出近期热度爆棚的三大顶级模型：Gemini 3.7 Flash、GLM-5.3 以及刚接入 Cursor Pro 的 Grok 4.6，在全部开启“中等推理（Reasoning Medium）”模式下，用同一段包含复杂多角色、多换装、多场景及响应式物理机制的自然语言 Prompt，让它们完整手搓一个网页跑酷小游戏《牛来跑酷》。
开局不多废话，我已经将三个模型写的网页游戏部署上线了，这里放出链接，使用下方链接在浏览器打开直接可以玩：
- 1. Gemini 3.7 Flash 版 牛来跑酷：
https://168116.xyz/example/niulai/gemini/index.html - 2. GLM-5.3 版 牛来跑酷：
https://168116.xyz/example/niulai/glm-5-3/index.html - 3. Grok 4.6 版 牛来跑酷：
https://168116.xyz/example/niulai/grok-4-6/index.html
一、 考题揭秘：这不是玩具Demo，而是一场全栈“大考”
为了彻底榨干模型的逻辑推理、UI布局、状态管理和移动端适配能力，我给出的 Prompt 没有留任何水份：
需求内容：
开发网页游戏《牛来跑酷》，以《牛来》主角“牛来”（小牛犊）为默认角色，每局可切换 7 个角色（牛来妈妈、云雀、蛇、豹拉、狼、牛二、牛爸爸）。
- 服饰系统： 支持帽子、鞋子、衣服套装配置（每种支持 6 种风格）。
- 场景与难度： 支持 5 种赛道（森林、城市、沙漠、雪山、草原），3 种难度（简单、正常、困难）。
- 核心机制： 收集金币（1分），吃苹果加速并在 10 秒内金币得分 10 倍膨胀；根据难度动态调整初速与障碍密度；撞击场景特异性障碍后死亡结算；支持即时重开与重选配置。
这套考题涵盖了 Canvas/DOM 渲染、键盘/触控双端事件映射、状态机切换、音效与物理碰撞判定。三位选手的表现究竟如何？实测过程可谓精彩纷呈。
二、 选手实战复盘：从一发入魂到修罗场重构
1. Gemini 3.7 Flash：教科书级别的“降维打击”
Gemini 3.7 Flash 给人的第一印象是：极快、极稳、极度务实。
- 生成耗时： 三者中最短，推理链路干净利落。
- 交付水准： 第一轮输出即达成了令人惊叹的“开箱即用”。不仅完整实现了 8 个角色的切换、换装状态与多场景跑道，连移动端触控适配、游戏配音音效、难度梯度调节都在第一轮全数做齐。
- 实测体验： 手机竖屏与横屏打开均丝滑无比，无任何掉帧、遮挡或按键冲突，障碍物刷出距离恰到好处。
- 唯一槽点： 角色与服装的视觉审美偏向“程序员极简风”，几何感过重，稍微差点二次元或写实的灵动感。
2. GLM-5.3：审美封神，但经历了一场“空间几何重构”
GLM-5.3 的测评过程最为戏剧化，宛如一个有着顶级美术功底却偶尔方向感迷失的资深架构师。
- 第一轮翻车： 交付的游戏界面极其惊艳，但跑酷视角居然设计成了“纵向伪3D背对玩家视角”，金币和障碍物直接被前方的角色模型自身大面积遮挡。逻辑判定没毛病，但可玩性直接归零。
- 第二轮修改： 提出修改跑道为横向后，GLM 展现出了极高的代码重构认知，直言：“改跑道方向是个大改动：从‘纵向伪3D追尾视角’改为‘横向侧面视角’……整体重构 game.js 渲染引擎 + 调整操控映射 + 速度参数重调。” 改完后跑道对了，但角色模型却是正面面朝玩家横着平移，违背了横版跑酷角色的侧身物理直觉。这也从侧面反映出模型在纯文本空间坐标映射时的一丝短板。
- 第三轮修复： 再次指出问题后，GLM 给出了一段令人震撼的像素级质检反馈：
“验证：像素级朝向检测确认口鼻/喙/狼眼均位于角色右侧；8 角色 × 6 套装扮 × 跳/滑姿势 × 5 赛道 × 15 障碍渲染零报错；主流程全部回归通过。” - 亮点与优势： 最终版在移动端竖屏视距、横屏弹窗滚动等细节上全部打磨完美。最绝的是，三个模型中唯独 GLM-5.3 主动生成了站点 Favicon 图标、中断暂停弹窗，UI 与配色的整体美感也是全场断档领先。
3. Grok 4.6：花 20 刀开会员，换来大型“治低血压”现场
为了深度测试马斯克家的当家花旦 Grok 4.6，我特意怒充 20 刀开通了 Cursor Pro，然而实际表现却一言难尽。
- UI 排版失衡： 第一版生成的设置面板完全没有栅格化美感，左边留下一大块尴尬的空白，右边按钮却堆叠拥挤，交互层次混乱。
- 致命“撞脸”Bug： 跑道方向和角色朝向虽然误打误撞做对了，但移动端视距计算严重失误。角色刚迈步，障碍物和金币就直接“贴脸生成”，玩家完全没有反应时间。
- 难度平衡崩盘： 经过第二轮调整适配后，第三轮实测又暴露出离谱的数值逻辑 Bug——最简单的“简单模式”，障碍物生成频率居然堪比弹幕地狱，试玩者撑不过 10 秒即暴毙，让人一度怀疑自己是不是菜到家了。
- 综合感受： 几轮提示词拉扯下来才勉强达到合格线，整体工程完整度与交互理解明显落后于前两者。
三、 横向多维对比：从三款模型看代码生成的底层代差
| 评估维度 | Gemini 3.7 Flash | GLM-5.3 | Grok 4.6 |
| 首轮交付完整度（Zero-Shot） | ★★★★★（一发入魂） | ★★★☆☆（视角/空间偏差） | ★★☆☆☆（布局与数值Bug） |
| 空间与物理常识理解 | ★★★★★（自然合理） | ★★★☆☆（需纠偏朝向逻辑） | ★★★☆☆（视距参数失衡） |
| 移动端响应式与边缘处理 | ★★★★★（丝滑适配） | ★★★★☆（经多轮打磨后完美） | ★★☆☆☆（贴脸撞障、布局拥挤） |
| 视觉审美与工程细节 | ★★★☆☆（偏工程风） | ★★★★★（自带Favicon/暂停/美工惊艳） | ★★☆☆☆（版式空乱） |
| 代码重构与自我修复能力 | ★★★★★（极强） | ★★★★☆（重构规范、反思透明） | ★★★☆☆（改一处漏一处） |
从本次实战可以看出明显的梯队划分：Gemini 3.7 Flash 综合工程落地最强，GLM-5.3 美术与细节上限最高，Grok 4.6 表现相对垫底。
四、 榜单之外的冷思考：公开评分与真实体感的割裂
目前各大主流大模型打榜（如 LMSYS Chatbot Arena、SWE-bench 等），往往更侧重于单元算法题、合成单测集或纯文本多轮对话。
然而在全栈前端交互、Canvas 图形渲染、多约束状态管理这类复杂真实场景中，模型面临的不仅是“语法对不对”，而是“用户体验是否符合人类直觉”：
- 视觉常识不等于逻辑常识： 模型知道角色在“跑”，但不一定能意识到角色应该“朝右侧身”还是“朝屏幕微笑”。
- 静态代码不等于动态帧率： 跑分能测出语法合法性，却测不出移动端竖屏下 300ms 内障碍物生成距离是否会造成玩家生理不适。
- 这就是为什么很多在 Benchmark 上傲视群雄的模型，一旦放到 IDE 或真实业务场景下就漏洞百出。
五、 模型底座是引擎，Harness 与 Agent 工程才是底盘
这场《牛来跑酷》的小游戏实测，揭示了大模型竞争下半场的一个残酷真相：纯粹比拼底座参数规模的时代正在过去，Harness（评测/工程脚手架）与 Agent 协同链条的完善度，正在决定最终交付质量的生死线。
- Gemini 3.7 Flash 之所以能够“一发入魂”，得益于其底层对于系统级调用、前端上下文感知以及多端物理规律的极致工程优化。
- GLM-5.3 展现出的强大重构自省机制（如口鼻朝向检测、全流程回归判定）以及对 Favicon、弹窗等周边生态的主动补全，证明了国产大模型在 Agent 工作流与审美设计上的深厚积累。
- 单一模型的智商只是发动机，厂商如何围绕模型打造工具链（Tooling）、上下文压缩机制、自我反思纠错循环（Reflection Loop），才是决定开发者用起来是“效率翻倍”还是“血压翻倍”的关键。
文章评论