我们让 Grok 4.5、GPT-5.5 和 Claude 构建相同的应用

TryAI对Grok 4.5、GPT-5.5、Claude Opus 4.8和Claude Fable 5进行了三项相同的代码生成测试：构建一个3D魔方（带打乱和求解动画）、一个粒子重力沙盒、以及一个打砖块游戏。所有输出均为单文件HTML，无外部库或网络调用，每个模型仅有一次机会，若应用完全无法渲染则允许一次重试。此外还包含一个SVG创意任务：绘制“一匹马骑在宇航员背上在月球行走”的场景。

在最具挑战性的3D魔方任务中，Claude Opus 4.8和Fable 5首次尝试即生成了正确着色、带动画旋转的3D魔方。Grok 4.5首次尝试仅渲染出标题和按钮，魔方区域为空白，使用重试后第二次尝试才成功生成。GPT-5.5则仅渲染出一个暗淡的单面，未能形成完整魔方。Claude两款模型在此任务中并列胜出。

在粒子重力沙盒任务中，所有模型均生成了可工作的应用。GPT-5.5因生成最迷人的视觉效果（发光霓虹吸引子、密集彩色轨迹）而胜出；Grok 4.5呈现了整洁的轨道风格；Fable 5偏向柔和发光球体；Opus 4.8的粒子场最为繁忙但视觉稍逊。在打砖块游戏中，所有模型首次尝试即生成了包含分数、生命值和发光挡板的可玩成品，表现持平。

在固定提示（三个提示，各三次重复，输出上限400 token）的测试中，Grok 4.5中位延迟2.8秒，首token延迟0.44秒，吞吐量110 tok/s，每次回复成本$0.002，四项指标均为最优。GPT-5.5中位延迟2.0秒（短回答最快），但首token延迟1.26秒，吞吐量53 tok/s，成本$0.004。Claude Opus 4.8中位延迟2.6秒，吞吐量47 tok/s，成本$0.004。Fable 5最慢且最贵：中位延迟6.3秒，首token 3.47秒，吞吐量28 tok/s，成本$0.009。所有模型成功率均为100%。Grok 4.5的P95延迟约9秒，存在尾部延迟波动。

在SVG创意任务中，Fable 5表现最佳：生成了戴牛仔帽的马大喊“Giddy-up, human!”以及弯腰宇航员喘气的幽默场景。GPT-5.5次之，马的表情欢快。Grok 4.5生成了色彩丰富、可读性强的场景。Opus 4.8的SVG包含重复属性，在严格解析器下会出错。总体而言，Grok 4.5在速度和成本上优势明显，但在最复杂的任务上首次尝试失败；Claude模型在可靠性上领先，但代价是更高的延迟和成本。