DAMN… I tested Gemini 4 Argon on my CrusaderBench and it ranked 1st, beating Opus 5.5 by a margin. Argon liked the benchmark too: “This is one of the best-designed game benchmarks I have encountered” ☺️ the benchmark tests how well models can grow an economy in the strategic game Stronghold Crusader. it involves strategic reasoning, planning, computer use, and tool use. other models need more reruns to filter out noise but so far: > Opus is a very good strategic player > Sonnet and Haiku were surprisingl
TL;DR · AI 摘要
Title: ℏεsam @Hesamation on X URL Source: Published Time: 2026-10-13T20:54:50.000Z Markdown Content: DAMN… I tested Gemi...
核心要点
- 主题聚焦：DAMN… I tested Gemini 4 Argon on my CrusaderBenc
- 来源：Hesam(@Hesamation)，建议结合原文判断细节。
- AI 分析暂不可用，本条为保底评分与摘要。
天哪……我在CrusaderBench上测试了Gemini 4 Argon，结果排名第一，大幅领先Opus 5.5。Argon对这个基准测试也给出了好评：“这是我遇到过设计最精良的游戏基准测试之一”☺️ 该基准测试评估模型在战略游戏《Stronghold Crusader》中发展经济的能力。测试涉及战略推理、规划、计算机使用和工具使用。其他模型需要更多次运行来过滤噪声，但目前结果如下：
Opus 是一个非常出色的战略玩家
Sonnet 和 Haiku 出人意料地显得懒惰且缺乏竞争力，经常在时间结束前就早早闲置
GPT 模型表现一直很稳定
Kimi 很懂得利用不同建筑，但战略往往不够好
GLM 5.3 flash 的表现远超我的预期，竞争力明显强于 Haiku
Muse Wonder 是一个非常优秀的玩家，但在某张地图中表现甚至不如“什么都不做”的基准分，导致整体得分下降
另一方面，Argon 展现了一些只有职业玩家才会使用的巧妙策略，例如通过建造水井增加劳动力人口，或依靠面包促进经济发展
该基准测试不会向模型透露任何技巧，仅提供游戏规则。完全取决于模型的创造力，通过游戏规则和资源价格推导出策略。模型思考时游戏会暂停，因此纯粹衡量的是策略能力而非模型速度。祝贺 @GoogleDeepMind 和 @OfficialLoganK 团队发布该模型。所有游戏运行记录、日志、游玩过程的屏幕录像、基准测试代码、提示词等均可在网站上公开获取：crusbench.com 下一步计划是在更多游戏中运行模型，因此分数可能会发生变化。目前处于测试阶段，可能会出现一些问题 ;)