今天我们不看宣传，不看跑分，也不看官方榜单，直接来一场真刀真枪的实战对决。参赛模型包括：ChatGPT 5.5、Claude 4.7、DeepSeek V4、GLM 5.1，另外还加入一位旁观者兼替补选手：Gemini 3.1 Pro。

这几款模型，基本代表了当前国内外 AI 编程领域的最强阵容。国外代表是 ChatGPT 5.5 和 Claude 4.7，国内代表是 DeepSeek V4 和 GLM 5.1，再加上 Gemini 3.1 Pro 作为参考对象。

本次测试规则简单粗暴：不给二次提示，不给修改机会，不做人工干预。每道任务，每个模型只有一次提交机会。

谁写出来的效果最好，谁的成功率最高，谁的代码最稳定，谁就更接近真正的"编程王者"。

今天我们要看的，不只是哪个 AI 更聪明，而是哪个 AI 更像真的在工作——能把一句话需求理解清楚，并一次性做出可运行、可展示、可交付的作品。

本期测试的核心思路

很多人测试 AI 编程能力，喜欢看跑分、看 benchmark，或者让 AI 解算法题。

但对普通用户来说，真正重要的不是模型榜单排第几，而是它能不能把你的一句话需求，变成一个真的能运行、有体验感、像产品的东西。

所以今天我们不测理论，只测实战。

本次测试围绕五个维度展开：

① 视觉效果
一个网页小游戏或演示页面，不只是能打开就行，还要有动画、有节奏、有冲击力。

② 交互逻辑
有些模型看起来会写页面，但一旦涉及按钮、状态、倒计时、本地存储、拖拽排序，就很容易翻车。

③ 剧情与节奏控制
AI 生成的不只是代码，还包括文案、剧情和用户体验。能不能让一个页面有铺垫、有变化、有高潮，这非常考验模型的综合能力。

④ 约束执行能力
有些模型看似强大，却会悄悄忽略你的要求。比如你要求不使用外部资源，它却偷偷引入了外部库；你要求只用黑白两色，它却加了渐变色。

⑤ 真实性判断
AI 能生成很多"看起来很真实"的东西，但这不代表它是正确的。最后一道测试，我们专门用天气页面做一个反转，揭示 AI 最危险的一面：它可以让假的东西看起来像真的。

第一题：黑客入侵终端

开场先来一道视觉冲击力拉满的题目：模拟黑客入侵终端。

提示词

这道题本身没什么业务价值，但非常适合做开场——它能快速看出模型的动效组合能力。

弱一点的模型，可能只会生成一个静态页面，放几行绿色文字，看起来像终端，但没有节奏、没有推进、也没有真正的动画。

强一点的模型，会知道怎么让画面一步一步升级：先出现终端文字，再增加滚动日志，然后进度条推进，最后弹出 Access Granted，整个过程有明显的情绪递进。

这道题主要看三点：页面是否能直接运行、动画是否有节奏、最后是否有高潮效果。

如果一个模型连这种展示型页面都做不出效果，后面的复杂任务基本凶多吉少。

第二题：恐怖惊吓页面

第二题测试的是节奏控制能力。

提示词：

这题的重点不是鬼脸，而是铺垫。很多模型会犯同一个错误：页面一打开就直接吓人，完全不成立。真正的惊吓效果，关键在于前面要足够平静，让观众放松警惕——至少 5 秒的安静铺垫不可或缺。

这道题主要考察四点：

模型有没有理解"至少 5 秒平静铺垫"；惊吓画面是否足够突然；惊吓后能否顺畅恢复正常；有没有音效控制选项。

差的模型只会堆效果，好的模型懂得控制节奏。这也是 AI 生成交互内容时最重要的一点：不只是会写代码，还要懂体验。

第三题：读心术互动页面

第三题稍微轻松一点，做一个互动型页面：读心术。

要求用户在心里想一个 1 到 100 的数字，通过 3 到 5 步点击引导逐步缩小范围，每一步都有动画反馈和提示语，比如"越来越接近了"，最后用动画展示"AI 猜你想的是 XX"。

提示词：

这题并不是真的 AI 读心，而是经典的交互设计加算法包装。它的重点在于：模型能不能把一个简单逻辑，包装成一个有趣的体验。

差的模型只是几个按钮加一行结果。好的模型会设计完整流程：让用户选择数字范围、奇偶、大小区间，逐步缩小，最后给出一个看似神奇的答案。

这道题揭示了一个很有趣的现象：观众体验不等于技术难度。有些东西技术上很简单，但只要包装得好，就会显得非常高级。

这也是 AI 生成内容时最典型的特质：它很会"装懂"，也很会"制造感觉"。

第四题：股票市场 K 线图

第四题测试数据与动画结合能力。

要求生成一个 HTML 网页，模拟股票市场 K 线图动态变化，需要自动波动动画、涨跌颜色变化，并提供"暴涨"和"崩盘"两个触发按钮，动画要夸张、有冲击力。

提示词：

这道题重点看动态效果。差的模型可能画一个静态图，或用几个柱子假装 K 线，但不会真正变化。好的模型会生成动态数据，让图表持续波动，点击"暴涨"或"崩盘"按钮后能看到明显趋势变化。

这题主要看：K 线是否真正动态变化、涨跌颜色是否清晰、暴涨和崩盘按钮是否有效、动画是否有冲击力。如果模型只做了一个看起来像股票图的静态页面，那它其实没有完成任务。

第五题：拆弹小游戏

第五题是综合能力大考：拆弹游戏。

要求生成一个 HTML 小游戏，场景是拆弹：页面需要有 30 秒倒计时，多根电线供选择，不同选择触发不同结局，倒计时音效逐渐加快，最后 3 秒要有明显紧张提示。

提示词：

这道题同时考验逻辑、UI、状态管理和氛围营造。模型必须处理倒计时、用户选择、成功与失败分支、音效节奏、最后 3 秒提示等多个并行状态。

差的模型可能只是做几个按钮，不管点哪个都是同一个结果。

好的模型会让不同电线对应真实不同的结局，比如剪红线成功拆弹、剪蓝线直接爆炸、剪黄线倒计时加速、剪绿线触发隐藏结局。这类小游戏最能直观看出模型处理交互逻辑的真实水平。

第六题：天气查询页面打假

最后一题是本期最重要的压轴反转：天气查询页面。

要求生成一个 HTML 天气查询页面，默认显示某城市天气，调用真实 API，UI 要精美，并提供"刷新数据"按钮。

提示词：

这题的重点不只是做天气页面，而是打假。AI 很容易生成一个"看起来像真实 API"的页面——写接口地址、写加载状态、写天气卡片、显示温度湿度风速，一切看上去都那么专业。

但问题是：这些数据是真的吗？很多时候并不是。所以这道题的价值在于告诉我们一个残酷的事实：AI 能生成看起来很真的东西，但看起来真，不代表它是真的。你必须有独立判断的能力。

AI 编程能力越来越强，但它最大的风险也在这里：它能把假的东西包装得无比真实。

最终总结：谁才是真正的编程王者？

经过这组测试，我们看的不只是哪个模型会写代码，而是哪个模型更接近真实开发场景中的可靠助手。

一个真正强大的编程 AI，应该具备以下能力：

能准确理解需求；能一次性生成可运行代码；能处理复杂交互逻辑；能控制动画节奏；能严格遵守限制条件；能保持长逻辑的一致性；能让解释与代码高度对应；不会用看似真实的内容糊弄用户。

今天这些测试从视觉效果、剧情节奏、状态管理、交互逻辑、推理一致性、UI 审美，到最后的真实性判断，基本覆盖了 AI 编程应用中最关键的几个实战场景。

最终我们会发现，AI 最厉害的地方，不一定是它真的知道答案，而是它能让一个答案看起来非常像正确答案。

这也是我们使用 AI 时最需要保持警惕的地方：

它可以让页面看起来像产品。它可以让动画看起来很高级。它可以让推理看起来很严谨。它甚至可以让假数据看起来像真的。

所以今天这期测试，表面上是在比较 ChatGPT 5.5、Claude 4.7、DeepSeek V4、GLM 5.1 和 Gemini 3.1 Pro 的编程实力。

但更深一层，其实是在看：哪个 AI 更会"演"，哪个 AI 更像真的在工作，以及我们自己有多容易被 AI 说服。

这才是这场编程王者对决真正值得关注的地方。

如果你也想亲自验证，可以把同样的提示词分别丢给不同模型，看它们生成的代码能否直接运行，效果是否符合要求，逻辑是否稳定。

记住一句话：

AI 最可怕的不是不会写代码，而是它写错了，你却看不出来。