Neko Itosu

Curious mind, passionate about research and how AI really works
AI / ML / Agents｜正在进一步理解智能系统如何学习、推理与认识世界
中文 / English / 日本語
二次元・数学・绘画・音乐・钢琴
† vibe coding 重度依赖 †

[Neko Itosu @WHMaoXian]

Gemini 4 Argon这个做的感觉还可以，大概用了五小时额度的15%

[Neko Itosu @WHMaoXian]

@antiAIvo 直接看视频做的吗，这么强

[Neko Itosu @WHMaoXian]

Gemini 4 Agron模拟宇宙大爆炸

[Neko Itosu @WHMaoXian]

@zane_os 我的很耐用，我做了很多测试，5小时额度才用30

[Neko Itosu @WHMaoXian]

@Thomas3cnl 嗯嗯

[Neko Itosu @WHMaoXian]

通过 Gemini 网页版 + Desktop Commander Remote MCP，即使没有 Google AI Ultra 订阅，也可以让 Gemini 4 Argon 读取本地文件，执行终端命令和编写代码。

第一步：安装 Node.js

前往官网下载并安装 Node.js：

https://t.co/K2y5CDyIn3

安装完成后，打开 Windows PowerShell，执行：

"node --version"

能够正常显示版本号即可。

第二步：启动 Desktop Commander Remote

打开 PowerShell，运行：

"npx @wonderwhy-er/desktop-commander@latest remote"

首次运行可能需要输入 "y" 确认安装。

随后根据浏览器提示登录 Desktop Commander，并完成设备授权。

终端出现以下信息，代表连接成功：

- "Device ready"
- "Desktop Commander Remote is connected"
- "Status: Online"

注意：保持 PowerShell 终端运行，不要关闭，否则远程连接会断开。

第三步：在 Gemini 网页版添加 MCP

打开 Gemini 网页版：

https://t.co/RCeXmHHBkv

依次进入：

Settings → Connected Apps → Custom apps → Add a custom app

添加以下 MCP 服务地址：

"https://t.co/CdgGBsjipM"

点击 Next，按照提示完成 OAuth 授权。

成功后，Custom apps 列表中就会出现 Desktop Commander Remote。

第四步：使用 Gemini 4 Argon 操作本地电脑

返回 Gemini 对话页面，选择 Gemini 4 Argon 模型。

在输入框输入 "@"，选择 Desktop Commander Remote。

然后发送测试指令：

“请通过 Desktop Commander Remote 连接我的 Windows 电脑，列出桌面上的前 10 个文件或文件夹名称。只读取，不要修改文件。”

如果正确返回本地文件信息，就说明 MCP 连接和文件读取功能正常。

第五步：使用任务模式进行编程

Gemini 网页版已经开放 Task Mode，可以切换到任务模式，尝试让 Argon 自主完成多步骤编程任务。

这样就可以测试 Argon 的文件创建、代码编写、命令执行和自主修复能力。

[Neko Itosu @WHMaoXian]

发现一个办法！没有 Google AI Ultra 订阅，Pro 用户也能直接体验 Gemini 4 Argon 编程了！

我们可以通过 Gemini 网页版的自定义 MCP 功能，接入 Desktop Commander Remote。

这样一来，Argon 就能直接读取和修改电脑上的文件，执行终端命令和自主完成编程任务。
当然，这不等于解锁了 Antigravity 的 Argon，毕竟两者的 Agent 开发环境还是有区别的。

我用这个成功做出了鹈鹕测试，感兴趣的 Pro 用户可以试试！

[Neko Itosu @WHMaoXian]

@Thomas3cnl 要重跑，保持终端运行才能用

[Neko Itosu @WHMaoXian]

发现一个办法！没有 Google AI Ultra 订阅，Pro 用户也能直接体验 Gemini 4 Argon 编程了！

我们可以通过 Gemini 网页版的自定义 MCP 功能，接入 Desktop Commander Remote。

这样一来，Argon 就能直接读取和修改电脑上的文件，执行终端命令和自主完成编程任务。
当然，这不等于解锁了 Antigravity 的 Argon，毕竟两者的 Agent 开发环境还是有区别的。

我用这个成功做出了鹈鹕测试，感兴趣的 Pro 用户可以试试！

[Neko Itosu @WHMaoXian]

@Thomas3cnl 目前只知道出码快，总时长得看后面测试了

[Neko Itosu @WHMaoXian]

Gemini 4 Argon 开放实测后，官方跑分和开发者的真实体验出现了明显差距。
纸面基准上，Argon 在多项指标中超越了 Opus 5.5，但实际开发体验仍存在差距，尤其是复杂调试和终端操作方面。
相比之下，Argon 的高速输出和超长上下文能力，让它在部分日常开发场景中展现出了比 Codex 更流畅的使用体验。

结合目前的社区反馈和第三方评测，可以从三个方面来看 Argon 的真实表现。
1. 对比 Astra。
开发者分享的使用体验来看。Argon 最明显的优势就是快。相比之下，Codex 在复杂任务中往往需要较长时间进行推理，调用工具和运行测试，等待时间可能达到数分钟。
不过，OpenAI 并非已经全面落后。在 FrontierSWE v2 这类高难度软件工程基准中，GPT-6 Astra 取得了 65.5%，明显高于 Argon 的 55%。因此，Argon 在交互速度上的优势比较明确，但还不能据此认定它已经全面超越 Codex 的软件工程能力。

2. 对比 opus5.5。
官方测试中，Argon 在 DeepSWE v1.1 上取得了 77.9%，超过 Opus 5.5 的 74.2%。
但换成更强调终端操作和多步骤执行的 Terminal-Bench 4.0，Argon 只有 57.4%，而 Opus 5.5 达到了 66.4%。这也解释了为什么部分开发者在实际使用中，体感上仍然觉得 Claude 更强。真正的软件工程Agent需要理解项目、调用工具、定位错误、运行测试，并根据结果不断修正。在这些任务中，Claude依然有很强的竞争力。
另一个比较直观的差异是前端审美。从部分开发者分享的网页 UI 和 3D 项目来看，Argon 的执行效率很高，但视觉效果有时比较平淡，缺少惊艳感。相比之下，Claude 在页面细节和减少返工方面，仍然做得很不错。

3. Argon 真正的优势仍然是百万级上下文。它在超长上下文中追踪复杂信息关系的能力非常突出，对于分析大型代码库和处理长文档都有很大的价值。

总结:
结合目前的测试和开发者反馈，
快速编程，大型代码库检索和超长文档分析是Argon擅长的。
Argon 的高速输出与百万级上下文能够带来很明显的体验优势。
总体而言，Argon可以确定已经进入第一梯队。

[Neko Itosu @WHMaoXian]

@dwaejikkul56053 是的，定位其实像flash😂

[Neko Itosu @WHMaoXian]

@leo114119 免费会员聊天能用已经可以了

[Neko Itosu @WHMaoXian]

Good morning Argon

[Neko Itosu @WHMaoXian]

@hosting997 Reverse engineering can involve cracking software or bypassing protections, and that could get your account flagged. Not worth risking your main account over it.

[Neko Itosu @WHMaoXian]

REA最近太火了，别被名字和营销带偏了，有两点需要注意

1:千万千万千万别让官号codex和claude去搞。

2:它根本不是一键逆向任何软件。
本质上只是让 AI 调用现有逆向工具，自动分析部分功能，根本复刻不了大型商业软件。

[Neko Itosu @WHMaoXian]

@LucisObscura520 @portertech 这样吗，我看这种bot出来之前就有了，我还一直以为他们是用浏览器自动化操作 X，再接个模型API回复的

[Xudong Han @Xudong07452910]

现在顶尖大学里教 Agent，已经开始一路教到 GPU 了。

非常推荐 Harvard 的 CS2680 Modern AI Systems 。课程从 Claude Code、Agent Loop、Eval 和 Token 成本开始，一路往下做到模型部署、Routing、KV Cache、量化和 speculative decoding。

作业设计也很有巧思，5 个作业都围着同一个 Agent 系统往下拆，先看它怎么工作，再自己搭 Harness，最后一路优化到推理层。

感觉它更像是在回答一个问题：

一个现代 AI Agent，到底是怎么从应用层一路跑到底层系统的？

做 Agent、Harness、AI Infra 的可以收藏。

https://t.co/zUUJPY4lyA

[Neko Itosu @WHMaoXian]

@portertech 那些ai评论大部分是调用api的运营的，平台允许这样。这个dot能做到一样的效果，而且还是Astra驱动还免费，只不过平台规则上是不允许不调用api的自动化运营

[Neko Itosu @WHMaoXian]

@Vincent_AINotes 估计是重置太多，都在拉满噔扛不住

[Neko Itosu @WHMaoXian]

@jngjng383250 还是注意一点比较好