GPT-5.4：四模型原子时钟应用对照

一句话结论

同一条无跟进创意编码提示下，GPT-5.4 的视觉/布局最好看，但原子时间同步会漂移；Claude 更重正确性，Gemini 更完整，说明单一模型不能同时覆盖设计与技术验证。

适用场景

• 适合的任务：比较前端生成、外观层次、集成正确性和不同模型的失败模式。

• 不适合的任务：把单个 atomic world clock prompt 当成通用编码排名，或把文章未披露的代码产物当作正式 benchmark。

• 适用的模型版本：GPT-5.4、Claude（文章上下文指 Opus 4.6）、Gemini、MiniMax M2.5。

• 适用的客户端、Agent 或 API：文章未公开统一客户端/harness；作者还进行两周日常项目使用。

• 推荐的推理档位和参数：未公开/无法核实；文章不是参数控制实验。

测试环境、输入/配置

• 任务：一次提示构建 atomic world clock app，要求模拟时钟、数字时间、世界地图/时区和真实 atomic time synchronization。

• 约束：四个模型同一提示、one shot、无 follow-up、无 hand-holding。

• 后续观察：作者随后连续两周在真实项目中使用 GPT-5.4，但未公开完整项目日志或统一评分表。

• 检查点：布局/审美、NTP/atomic sync、模拟指针角度、地图完整性、运行可用性。

结果数据

• GPT-5.4：外观最好、布局清晰，适合展示；但 atomic sync 只取一次时间后漂移，analog clock hands 略有偏差。

• Claude：NTP 同步正确、按间隔更新；视觉较功能化而非漂亮。

• Gemini：首轮有 import errors，修复后得到较完整的真实地理投影世界地图；时间同步同样漂移，指针偏差。

• MiniMax M2.5：该创意集成任务产生非功能结果；作者说明针对性代码修复可能不同。

• 四个模型都在模拟时钟指针位置上出错，暴露出看似简单的角度映射问题。

文章附带的公开数据表（来源 Vals.ai/Artificial Analysis）列出：GPT-5.4 SWE-Bench Pro 57.7%、Terminal-Bench 2.0 75.1%、OSWorld 75.0%；但作者强调不同 scaffold 会明显改变结果。

结论

该测试把“好看”“完整”“正确”拆开：GPT-5.4 适合视觉设计和定向修复候选，但任何时间、金融或同步类功能都必须加入真实协议/数据验证。作者的路由建议是按任务分工，而不是寻找一个全能模型。

局限

• 单一 prompt、四个模型、无公开仓库/代码 diff/自动测试报告，不能给出统计显著性。

• 模型参数、温度、工具、上下文和运行时没有完整披露，难以严格复现。

• 文章的 benchmark 表混合官方/第三方数据，并且其关于长上下文、模型价格和其他模型的部分是二次资料；不应与本次创意测试混为一谈。

复现步骤

1. 保留原始 atomic world clock 需求，给每个模型相同文件起始状态、API mock 和运行环境。

2. 预先写自动检查：NTP/atomic sync 更新间隔、时针/分针/秒针角度、时区转换、地图数据和无网络回退。

3. 每个模型运行多次，记录首次可运行时间、测试失败、视觉评分、功能通过率和人工修订。

4. 将 GPT-5.4 的设计质量与协议正确性分别评分，不让漂亮界面掩盖同步错误。

5. 用第二个真实项目验证结果，再决定是否将 GPT-5.4 用于设计、修复或审查。

原始证据与数据

原文公开了完整任务描述、one-shot/无跟进约束、四模型逐项结果，以及 GPT-5.4 外观好但 atomic sync 漂移、Claude NTP 正确、Gemini 地图完整、MiniMax 非功能等观察。

来源摘录或观察（仅做合规短引）

作者的总结是 “Design? GPT 5.4. Correctness? Claude. Completeness? Gemini”，这是一条单任务观察，不应扩展为普遍排名。