We made Grok 4.5, GPT-5.5, and Claude build the same apps

背景

随着大语言模型在代码生成领域的能力不断提升，开发者社区常用一种被称为“build-off”的直观方法来评估新模型：给模型一个相同的提示，让它一次性生成一个完整的交互式应用，然后对比输出结果。xAI 本周发布了 Grok 4.5，号称是其迄今为止最智能的模型，并特别强调其“与 Cursor 一起训练”以优化编码和智能体工作。为了客观检验这一宣称，作者将 Grok 4.5 与当前最主流的三个模型——GPT-5.5、Claude Opus 4.8 和 Claude Fable 5——放在同一标准下进行了三轮对比测试，并测量了延迟与成本。

核心内容

作者给四个模型完全相同的三个提示，要求每个模型一次性生成一个独立的、自包含的 HTML 文件（无外部库、无网络请求），用于构建交互式应用。不允许任何人工干预或提示调整，仅当应用完全无法渲染时允许一次重试。所有结果均在真实浏览器中加载、测试并记录。以下是三轮测试的详细结果：

第一轮：3D 魔方（带打乱和还原功能）

提示要求构建一个彩色、3D 效果的魔方，带有“Scramble”和“Solve”按钮，且必须展示旋转动画。这是最困难的任务，需要真正的 3D 数学、面状态管理和动画。

• Claude Opus 4.8 和 Fable 5：第一次尝试就生成了正确、完整、彩色且能正常打乱/还原的 3D 魔方，动画流畅。
• Grok 4.5：第一次尝试只渲染了标题和按钮，魔方本体完全空白（黑色空洞）。使用一次允许的重试后，第二次生成了干净、彩色的 3D 魔方。
• GPT-5.5：表现最差，只渲染了一个几乎无色的单一面，而非完整魔方。
• 胜者：Claude Opus 4.8 和 Fable 5 并列第一。

第二轮：粒子重力沙盒

提示要求构建一个基于 Canvas 的交互式粒子重力沙盒：数百个带拖尾的粒子，点击鼠标可添加大质量引力源，视觉效果要令人着迷。

• 所有模型都成功生成了可工作的沙盒，胜负取决于视觉风格。
• GPT-5.5：效果最令人着迷，使用了发光霓虹引力源和密集的彩色旋涡拖尾。
• Grok 4.5：风格干净、轨道感强，带有整齐的引力环和彩色条纹粒子。
• Fable 5：倾向于柔和的光球效果。
• Claude Opus 4.8：产生了最密集、最像蛛网的粒子场，物理效果出色，但视觉稍逊。
• 胜者：GPT-5.5（凭“感觉”胜出）。

第三轮：可玩的打砖块游戏

提示要求构建一个基于 Canvas 的可玩打砖块游戏：鼠标控制挡板，球击碎彩色砖块，显示得分和生命数。

• 四个模型全部一次性成功生成了可玩、精致的打砖块游戏，包含得分、生命数和发光挡板。
• Grok 4.5 和 GPT-5.5 的霓虹街机风格最突出（GPT 甚至在脚本自动击球时自己累计了分数）。
• 如果非要挑刺，四个模型都达到了可发布水平。
• 胜者：所有人并列。

速度与成本对比

作者使用统一的测试框架，通过同一提供商路径运行三个固定提示（涵盖编码、推理、摘要），每个提示重复三次，输出 token 上限为 400，测量吞吐量（输出 token 数 / 总墙钟延迟）和首次 token 延迟。

• Grok 4.5：首次 token 延迟低于 0.5 秒，流式输出速度约 110 tokens/秒（约为其他模型的两倍），且回复成本最低。这正是 xAI 宣传的“智能/时间/成本”优势。其中位墙钟延迟看起来中等，是因为它回复冗长（每个答案写了更多 token），且尾部延迟较高（p95 约 9 秒）。
• GPT-5.5：短回答时最迅速。
• Claude Opus 4.8：均衡的中间位置。
• Claude Fable 5：最慢且最贵，是为顶级智能付出的代价。

附加轮：绘制奇怪 SVG

作者要求每个模型仅用手写 SVG（无光栅、无库）绘制一个故意滑稽的场景：一匹马骑在宇航员肩膀上，在月球上行走（角色反转，两个人物，一个文件）。

• Fable 5：最佳表现——马戴着牛仔帽，大喊“驾，人类！”，驼背的宇航员喘着气说“呼……呼……”。不仅是绘图，更是喜剧。
• GPT-5.5：紧随其后，马兴高采烈地喊着“WHEE!”。
• Grok 4.5：干净利落地完成了任务，绘制了色彩丰富、可读性强的场景。
• Claude Opus 4.8：也画出了有特色的马骑宇航员，但其原始 SVG 包含重复属性，导致严格 SVG 解析器报错（作者在展示时宽松渲染了它），这是一个真实但小的正确性瑕疵。

最终结论

• Grok 4.5：速度与价值的怪兽。它构建了出色的打砖块和流畅的引力模拟器，流式输出速度约为其他模型的两倍，运行成本最低。唯一的失误是难度最高的状态依赖任务（魔方第一次失败，重试后修复）。如果你的工作负载是高流量代码生成，延迟和成本是关键因素，那么它很难被反驳。
• Claude Opus 4.8 和 Fable 5：最可靠的构建者。它们是唯一首次尝试就成功完成 3D 魔方的模型，Fable 5 的 SVG 最有趣。但代价是延迟和价格，尤其是 Fable 5。
• GPT-5.5：快速风格师。最漂亮的引力模拟器，短回答最快，但魔方表现不佳。

关键要点

• 在“一次性构建”测试中，Claude 家族（Opus 4.8 和 Fable 5）在复杂 3D 任务上表现最可靠，首次尝试即成功；Grok 4.5 需要一次重试，GPT-5.5 完全失败。
• 在粒子沙盒等视觉创意任务中，GPT-5.5 的视觉效果最令人着迷，Grok 4.5 风格干净且轨道感强。
• 打砖块游戏所有模型均一次成功，质量接近可发布水平，差异微乎其微。
• 速度与成本方面，Grok 4.5 优势明显：首次 token 延迟低于 0.5 秒，流式速度约 110 tokens/秒，成本最低。但其输出冗长，尾部延迟偏高（p95 约 9 秒）。
• 在 SVG 创意任务中，Fable 5 兼具幽默感和绘画质量，GPT-5.5 次之；Opus 4.8 存在 SVG 属性重复的 bug。
• 总体而言，Grok 4