两轮测试后的结论：AI 前端并没有收敛成同一种审美。不同模型 / Harness 在低约束设计任务中反复暴露出明显不同的设计偏好：OpenAI 更擅长实体空间与成熟商业品牌，Gemini 偏概念与互动实验，Claude Sonnet 更像产品 / 品牌设计师，Kimi 擅长中文 typography 与 editorial，Grok 偏电影与舞台感。与其寻找一个「审美最强」的模型，不如利用这些稳定偏差组成一个多模型设计竞标池。

如果你经常用 AI 生成前端，大概率对这个场景不陌生：十个 AI 做的网页，八个长得差不多——大标题、圆角卡片、紫蓝渐变、玻璃拟态、三列功能区。我一直在想：为什么 AI 做出来的前端越来越像？有没有办法让不同模型真正给出不同的设计方向？

这篇文章记录了两轮测试。第一轮用「一个独立开发者的 AI 造物档案」做主题，观察各模型自己的设计 prior；第二轮换成完全不同的题材「一家只在雨天营业的深夜甜品店」，把模型赶出 AI / 开发者审美舒适区，Claude 也在这一轮加入。两轮之后，每个模型家族稳定的设计人格已经相当清楚。

为什么换掉原来的工作流

过去我的流程是：ChatGPT 先出设计图，再让 GPT / Kimi / 其他 Coding Agent 照图实现。问题很明显——最终页面很容易落回同一种 AI 风格。

这次我改了玩法：直接让模型自己承担 Art Director + Frontend Developer 的角色。不给明确视觉风格，只规定主题、内容结构和禁止项，要求 one-shot 交付完整 HTML，以此观察模型自己的设计 prior。

测试方法与边界

• 两轮使用各自的同一 Prompt，不同模型跑同一条题。
• 只允许生成一个可直接运行的完整 HTML；CSS / JS 内联。
• 不依赖图片素材，需要图形时自行用 CSS / SVG / Canvas 创作。
• 同时观察桌面端与 390px 左右移动端。
• 重点不是代码 benchmark，而是：Art Direction、视觉差异化、排版、配色、原创图形、交互、成品感、响应式。
• Harness 与模型没有完全解耦，因此这不是纯模型 benchmark。除 Pi 内部 High / Max 外，大部分结果只能解释成「模型 × Harness」的组合表现。
• 第一轮 Gemini 3.8 Flash 因工作目录异常，结果作废。随后分别在 Antigravity CLI 与 Antigravity IDE 重新生成，两份新结果纳入最终比较。

第一轮的原始测试 Prompt

请设计并实现一个完整的单页 HTML 网站，主题是：

「一个独立开发者的 AI 造物档案」

这个人平时会用 AI 做小游戏、工具、实验性项目和一些奇怪但有趣的东西。网站用于展示他最近做出来的作品，而不是卖课或宣传公司。

页面需要包含：一个有记忆点的首屏；当前正在折腾的项目；4～6 个已经完成的作品；最近的实验 / 更新记录；一个简单但有个性的 About。

请你自己决定整体视觉方向、排版、字体、色彩、留白、组件形式和交互方式。我不想指定具体设计风格，我想看你的设计判断。

但请避免典型 AI / SaaS 模板感：不要默认紫蓝渐变；不要满屏玻璃拟态；不要所有内容都塞进大圆角卡片；不要千篇一律的「巨大标题 + 三张功能卡片 + CTA」；不要用 Emoji 充当主要图标。

希望它看起来像一个真正有审美的独立设计师 / 开发者认真设计过的个人网站，有明显的视觉个性和细节，但不要为了炫技牺牲可读性。可以加入克制的 hover、滚动、微动效和有趣的小细节。

要求：只输出一个可以直接打开运行的完整 HTML 文件；CSS 和 JavaScript 全部包含在 HTML 内；桌面和手机都要适配；不依赖图片素材；页面里的中文文案也请你自己写；不要先解释设计方案，直接完成成品。

请把它当成一个真正会放进你自己作品集的项目来设计，而不是前端能力演示。

第一轮：11 个有效样本

最值得保留的几个结论

Gemini 3.8 Flash 必须重新评价

异常环境下的旧结果不能代表 Gemini。正常重测后，Antigravity IDE 与 CLI 两份都进入强势区间。

两份独立输出存在明显共同的「模型指纹」：炭黑 / 工业橙红 / mono telemetry / specimen / archive / Canvas 实验装置 / 独立造物工坊。Harness 改变的是展开程度：IDE 更像完整数字实验室，CLI 更像克制的数字标本馆。

所以 Gemini 3.8 Flash 的前端定位上调为：第一梯队的实验型 Art Director / Prototyper。尤其适合实验站、Lab、Canvas、技术艺术、深色编辑风。

GPT 不是「没有审美」，而是普通工作流容易回到安全 prior

Pi + GPT-6 / Sol 的几份结果说明：当 Prompt 明确要求远离 SaaS 模板、让模型自行承担 Art Direction 时，GPT 完全可以做出成熟、有品牌感甚至有原创插画系统的成品。

GPT/Pi 最突出的不是「界面更复杂」，而是更擅长创造有实体记忆点的东西：收音机、旋钮、手绘物件、小型装置，而不是只创造一个系统界面。

MiniMax M3 的价值是「胆子」

M3 不一定是完成度最高，但它最敢突破安全布局。超大字号、非对称、brutalist typography、巨型机械图，让它成为很好的 design exploration 模型。

如果目标是避免 AI 同质化，M3 很适合被要求一次给出极端不同的方向。

Kimi 49 的前端价值已经够用，不构成升级 99 / K3 的硬理由

K2.6 Web 已经能给出有味道的中文 editorial 方向；K3 更成熟、更克制，但没有形成压倒性的审美差距。

结合此前博客盲测：K2.8 的中文自然感 / 低 AI 味已经是 Kimi 49 的真实独特价值；K2.6 Web 又可作为低成本设计脑暴。 因而现阶段没有因为「前端审美」升级 Kimi 99 的必要。

GLM 很强，但对当前订阅体系仍属可替代能力

GLM-5.3 Flash 此前在长上下文审计任务中表现优秀，这轮前端也做得完整；但无论 Agent / Auditor 还是前端，现有 GPT / Codex 都可以承担。预算有限时，GLM 的边际价值低于 Kimi 的中文 taste，因此暂不因为这轮测试新增 GLM 订阅。

Harness 对设计输出的影响

这轮不能把结果简单解释成纯模型排名，因为大多数模型绑定了不同 Harness。目前能看到的现象：

• Pi 下 GPT-6 / Sol 四份结果共享「暖色、独立 Maker、定制图形」的家族感，说明 Harness 很可能会塑造输出。
• Gemini CLI / IDE 同时保留相同的暗色实验设计指纹，但 IDE 更复杂、更交互化。
• 思考强度并非审美单调递增：GPT-6 Max 比 High 更统一，但 Sol 反而 High 的生命力更好。

因此以后做审美 benchmark，应该把 模型 / Harness / reasoning level 三个变量分别记录。

响应式：桌面强不等于移动端稳

Gemini IDE 桌面端很强，但 390px 实测存在导航横向溢出；CLI 没有真实横向 overflow，但顶栏仍偏拥挤。相比之下，K3、Pi GPT 与 GLM 的移动端收尾相对稳定。

这说明一个值得长期记录的现象：桌面 Art Direction 强，不等于响应式工程收尾同样强。 以后评分需要把 desktop taste 和 mobile implementation 分开。

第一轮之后的订阅决策落点

• Gemini 3.8 Flash：设计竞标池主力，成本接近可忽略；保留。
• Kimi 49：更适合当前个人体系。K2.8 负责重要中文成稿，K2.6 Web 可负责设计方向探索；继续月付观察，不急年付，不升 99。
• GLM Lite：能力强，但当前 GPT/Codex 足以替代其主要工作；暂不新增年付。
• Grok：前端属于加分项，真正独特价值仍是 X/Twitter + adversarial research；促销期继续，恢复正价后重新竞争预算。

第二轮：雨天深夜甜品店——把模型赶出「AI / 开发者审美舒适区」

第一轮的主题仍然是开发者作品集，模型很容易落入 terminal、grid、telemetry、archive 这些科技设计套路。第二轮我换了一道完全不同的题：「一家只在雨天营业的深夜甜品店」。

目的不是继续测谁会做漂亮 Landing Page，而是强迫模型同时处理：空间感、品牌感、材质、中文文案、真实商业信息、情绪和非技术交互。模型必须回答更具体的问题：雨怎么成为品牌机制？甜品如何被表达？店铺空间如何让人产生「今晚想去坐一会」的感觉？

15 个有效 / 尝试样本

Claude 加入后，模型人格更清楚了

Claude Sonnet 4.6 更像 Product / Brand Designer：不是只做一个漂亮首屏，而是把今日天气、营业状态、菜单标签、品牌故事、空间 SVG、店规、地图、雨讯订阅和雨声都组织成一个完整系统。它在本题里明显比 Opus 更适合作为常规品牌站设计选手。

Claude Opus 4.6 则更像文学型 Art Director：极窄正文、极少视觉元素、深色背景、长篇店铺叙事和大量留白。它最大的价值不是「组件更多」，而是真的敢不填满页面。在诗集、独立出版社、香水、艺术展、极简个人站等题材里可能更占优势。

同一个 Antigravity IDE 下可以看到非常清楚的分工：

• Gemini 3.8 Flash：效率 / 实验性 / 概念视觉。
• Gemini 3.1 Pro：interaction concept，容易过度设计。
• Claude Sonnet 4.6：系统完整、品牌一致、产品信息组织强。
• Claude Opus 4.6：克制、文学、留白、情绪。

两轮测试后观察到的模型设计人格

需要先说明一点：Claude Sonnet 4.6 与 Opus 4.6 仅参与第二轮，因此它们的人格判断目前仍属于单题观察；其余模型家族则有两轮交叉验证，「稳定」的结论更有依据。

收敛后的固定竞标池：4 个方向

不需要每次把所有模型都跑一遍。更合理的固定竞标池可以缩成 4 个差异最大的方向：

1. Gemini 3.8 Flash · Antigravity IDE：快速、近免费、实验性强。
2. Claude Sonnet 4.6 · Antigravity IDE：品牌系统 / 产品完成度。
3. Kimi K2.6 Web：0 Web 额度的中文 typography / 克制方向。
4. GPT-6 / Sol / Codex 中选一个：成熟商业设计、实体空间、原创插画。

特殊题材再临时增加：电影感 → Grok；文学极简 → Opus；需要更浓 Kimi 味 → K2.8。

这比「找一个审美最强模型长期包办 UI」更有效：不同模型的稳定审美偏差，本身就是创意发散工具。

新的前端工作流

同一个低约束设计 Brief
→ Gemini 3.8 Flash / Claude Sonnet / Kimi K2.6 / GPT-Codex 各自 one-shot HTML
→ 特殊题材按需加入 Grok / Opus / MiniMax / K2.8
→ 只选 2～3 个真正不同的 Art Direction
→ 提炼字体、色板、spacing、边框、动效、插画 / 图形哲学
→ 固化为 DESIGN.md / design tokens
→ GPT / Codex 正式工程化实现
→ 最后做 screenshot review + 响应式检查

关键思想：不要让模型先共同收敛到一个设计图，再去实现；先让不同模型各自暴露自己的 prior。 模型之间的差异本身就是廉价的创意发散工具。

Demo 怎么看

每个参赛网页都会以独立 demo 的形式保留，正文里按需嵌入 iframe，滚动、Canvas、声音这些截图表达不了的部分可以直接上手操作；每个 demo 同时提供「新窗口打开完整页面」的链接，方便移动端和 iframe 受限的环境。

下一步

第三轮的计划：给所有模型同一 moodboard / 参考图，测试「吸收参考但不机械抄袭」的能力。这正好补上两轮都没覆盖到的一个变量——前两轮完全不给视觉参考，只测模型自己的 prior；下一轮看模型在既有参照下的消化能力。