GPT Image 2.5 is live — OpenAI's newest image model, targeted edits that leave the rest of the frame alone
Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5: Benchmarks
2026/10/01 ·

Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5: Benchmarks

Gemini 4 Argon, GPT-6 Astra und Claude Opus 5.5 in Googles 19 Launch-Benchmarks: Ergebnisse, Kontextgrenzen und Zugang als Grundlage für deine Modellauswahl.

Gemini 4 Argon führte die meisten Zeilen in Googles Launch-Vergleich vom 30. September 2026 an, aber nicht alle. Unter Argon, GPT-6 Astra und Claude Opus 5.5 hat Argon in der Tabelle mit 19 Zeilen 13 Bestwerte, einen Gleichstand und fünf Niederlagen: drei gegen Astra, zwei gegen Opus 5.5[1]. Die Rückstände betreffen Terminal-Arbeit, schwierigere Software-Benchmarks und Computerbedienung, also wichtige Entwickleraufgaben.

Dieser Vergleich zeigt alle Zahlen aus Googles Tabelle, ergänzt dokumentierte Request-Grenzen und erklärt methodische Einschränkungen. Nach dem Start lauteten Suchfragen etwa „gemini 4 argon benchmarks“, „gemini 4 argon performance relative to other models“, „gemini 4 vs gpt 6 astra“ und „gemini 4 vs claude“. Google dokumentiert mittlerweile den Zugang über Gemini API und Google AI Studio[2]. Die folgenden Werte sind datierte Launch-Ergebnisse, keine neue unabhängige Evaluation oder Aussage zur heutigen Rangliste.

TL;DR

  • Insgesamt: Argon führt 13 von 19 Zeilen an, Astra 3 und Opus 5.5 2; eine Zeile ist gleichauf[1].
  • Argons deutlichste Vorsprünge: Harvey's Legal Agent Benchmark (19.6% gegenüber 5.4% und 3.8%), GraphWalks 256K–1M (84.2% gegenüber 71.8% und 66.8%) sowie LVBench für lange Videos (91.7%)[1].
  • Rückstände: Opus 5.5 führt Terminal-bench 4.0 (66.4% gegenüber 57.4%) und PostTrainBench an; Astra FrontierSWE v2, Terminal-Bench Science und OSWorld-2.0[1].
  • Kontext und Output: Argon teilt 1,048,576 Tokens zwischen Input, Thinking und Output. Native Requests enden bei 32,768 Tokens für JSON oder 65,536 für Streaming; Long Decode setzt über weitere Requests fort[3].
  • Kosten: Vergleiche aktuelle Preise und gesamte Aufgabennutzung inklusive Thinking und Fortsetzung. Der Preisleitfaden erklärt die Dimensionen.

Gemini 4 Argon Benchmarks: die vollständige Tabelle

Die Zahlen stammen aus Googles Ankündigung. Claude Fable 5.1 steht ebenfalls darin und bekommt eine eigene Spalte für die Frage „vs Fable“. Fett markiert ist der höchste Wert unter Argon, Astra und Opus 5.5; ein Strich bedeutet, dass Google keinen Wert veröffentlichte[1].

BereichBenchmarkGemini 4 ArgonGPT-6 AstraClaude Opus 5.5Claude Fable 5.1
WissensarbeitVals Index68,9 %63,1 %67,0 %65,8 %
WissensarbeitAutomationBench51,3 %41,4 %42,5 %31,4 %
WissensarbeitVals Finance Agent v265,4 %53,5 %58,6 %58,9 %
WissensarbeitHarvey's Legal Agent Benchmark19,6 %5,4 %3,8 %6,7 %
Agentisches CodingDeepSWE v1.177,9 %74,1 %74,2 %67,4 %
Agentisches CodingFrontierSWE v255,0 %65,5 %62,3 %56,3 %
Agentisches CodingVibe Code Bench91,9 %89,6 %90,3 %90,3 %
Agentisches CodingTerminal-bench 4.057,4 %58,2 %66,4 %57,9 %
ML EngineeringPostTrainBench45,3 %44,3 %49,3 %40,2 %
Wissenschaft und MathematikTerminal-Bench Science 0.157,6 %68,1 %63,3 %52,6 %
Wissenschaft und MathematikLABBench 288,8 %85,4 %73,1 %68,6 %
Wissenschaft und MathematikRiemannBench76,0 %72,0 %69,6 %65,6 %
Long ContextGraphWalks, bis 128K99,7 %98,7 %90,6 %91,4 %
Long ContextGraphWalks, 256K bis 1M84,2 %71,8 %66,8 %65,0 %
Computer UseAgent's Last Exam39,5 %34,2 %38,2 %—
Computer UseOSWorld-2.0 (Offline-Teilmenge)69,2 %72,6 %——
MultimodalChartography71,6 %71,0 %66,3 %46,2 %
MultimodalLVBench91,7 %87,5 %83,7 %79,7 %
CybersecurityCWE-bench v168,0 %68,0 %67,0 %58,0 %

Allein gegen Opus 5.5 führt Argon in 14 der 18 Zeilen mit beidseitigen Ergebnissen. Es liegt bei FrontierSWE v2, Terminal-bench 4.0, PostTrainBench und Terminal-Bench Science zurück[1].

Die Tabelle mit Googles Methodik lesen

Alle Werte stammen aus Googles Ankündigung. Die Methodik erklärt ihre Herkunft; drei Details beeinflussen die Aussagekraft der Abstände[4]:

  1. Die meisten Rivalenwerte sind selbst gemeldet. Google übernimmt, sofern nicht anders angegeben, die Angaben der jeweiligen Anbieter und deren höchste verfügbare Reasoning-Einstellung, wenn diese dokumentiert ist.
  2. Einige Argon-Werte hat Google selbst ermittelt. Das gilt für DeepSWE v1.1 und Terminal-bench 4.0; die Konkurrenzwerte kommen aus öffentlichen Ranglisten oder System Cards. Die Testumgebung ist deshalb nicht überall identisch.
  3. Die Eingaben waren unterschiedlich. Auf LVBench nutzte Gemini ein Bild pro Sekunde, Astra 800 Frames, Opus 5.5 600 und Fable 5.1 300, laut Google wegen API-Grenzen. Unterschiedliche Frame-Budgets begrenzen den direkten Videovergleich.

Die Tabelle hilft, Tests auszuwählen. Sie liefert aber nicht für jede Zeile Konfidenzintervalle oder dieselbe Testumgebung. Kleine Vorsprünge garantieren keinen Unterschied in deinem Workload. Große Abstände begründen gezielte Tests, nicht automatisch dieselbe Reihenfolge in deiner Anwendung.

Gemini 4 Argon Benchmarks von einem unabhängigen Tester

Artificial Analysis führt seinen eigenen Intelligence Index für jedes gelistete Modell durch, sodass alle Modelle denselben Testsatz durchlaufen. Die Rangfolge unterscheidet sich von Googles Tabelle. Diese Zahlen standen am 4. November 2026 auf den Modellseiten[5]:

Modell (getestete Einstellung)Intelligence IndexRang in der Liste mit 62 ModellenFür den Index verwendete Output-TokensKosten pro Index-AufgabeAusgabegeschwindigkeit
Claude Opus 5.5 (Max)592220M$10.0494.2 Tokens/s
GPT-6 Astra (Max)57554M$6.2467.1 Tokens/s
Gemini 4 Argon (High)5015110M$7.6881.9 Tokens/s

Die Einstellungen sind nicht identisch. Argon erscheint nur mit High, während Astra und Opus 5.5 mit Max gelistet sind. In derselben Rangliste liegt GPT-6 Astra mit High dennoch auf Platz sieben, vor Argon mit High. Artificial Analysis setzt für Argon außerdem $4 für Input und $20 für Output pro Million Tokens an, den Tarif, den Google ab dem 1. Dezember anwendet, statt der Einführungspreise von $2 und $10 aus unserem Gemini 4 Argon Preisleitfaden.

Zwei Lesarten sind vertretbar. In Googles 19 Aufgaben-Benchmarks führt Argon die meisten Zeilen an. In einem einzelnen unabhängigen Index erzielen Opus 5.5 und Astra höhere Werte. Astra ist außerdem das token-effizienteste der drei Modelle: Für denselben Index verwendete es etwa halb so viele Output-Tokens wie Argon und ein Viertel der Menge von Opus 5.5.

Kontext und Output beeinflussen die Integration

Die frühere Version bezeichnete Argons Kontext als unveröffentlicht und den Output als eine Million Tokens in einer Antwort. Aktuelle Google-Leitfäden beschreiben die Grenzen genauer[2][3].

Eigenschaft von Gemini 4 ArgonAktuell dokumentiertes Verhalten
EntwicklerzugangGemini API und Google AI Studio
Modell-IDgemini-4-argon
Gemeinsamer Kontext1,048,576 Tokens für Input, Thinking und Output
Einzelner nativer JSON-RequestBis zu 32,768 generierte Tokens
Einzelner nativer StreamBis zu 65,536 generierte Tokens
Längere GenerierungFortsetzungen innerhalb des verbleibenden gemeinsamen Fensters
Native Thinking-Levellow, medium (Standard), high; nicht vollständig abschaltbar

Quellen: Googles aktuelle Migrations- und Thinking-Leitfäden[2][3].

Long Decode schafft Raum für große Aufgaben, garantiert aber keinen fertigen Bericht in einer HTTP-Antwort. reAPI setzt serverseitig nicht automatisch fort. Dein Client muss Fortsetzungen ausdrücklich ausführen, jeden Request erfassen und benötigte Wiederaufnahmeinformationen behalten.

Der Launch-Vergleich verwendete Astra- und Opus-Limits aus deren Dokumentation. Diese historischen Grenzen lassen sich nicht mit Argons Long-Decode-Grenze vergleichen, als beschrieben sie denselben Einzelrequest. Prüfe die aktuellen Seiten für GPT-6 Astra und Claude Opus 5.5 für Output-Bedarf und Preise.

Gemini 4 Argon vs GPT-6 Astra

Argon führt die meisten Wissensarbeits- und Langkontext-Zeilen gegen Astra an. Deutlich sind Harvey's mit 19.6% gegenüber 5.4% und Vals Finance Agent v2 mit 65.4% gegenüber 53.5%[1]. Für eine Kostenaussage musst du diese Aufgabenstärke mit eigener Token-Nutzung und aktuellen Preisen verbinden.

Astra verdient einen frühen Test bei Aufgaben ähnlich seinen führenden Computer- und Software-Benchmarks: OSWorld-2.0 (72.6% gegenüber 69.2%), FrontierSWE v2 (65.5% gegenüber 55.0%) und Terminal-Bench Science (68.1% gegenüber 57.6%)[1]. Die letzten beiden Abstände von 10.5 Punkten sind Argons größte Rückstände in seiner Launch-Tabelle. Teste vergleichbare Arbeit vor einem Wechsel. Auch Terminal-bench 4.0 führt Astra knapp mit 58.2% zu 57.4% an.

Gemini 4 Argon vs Claude Opus 5.5

Beim Coding liegt dieses Paar enger zusammen. Argon führt DeepSWE v1.1 (77.9% gegenüber 74.2%) und Vibe Code Bench (91.9% gegenüber 90.3%) an. Opus gewinnt Terminal-bench 4.0 mit 9 Punkten Abstand (66.4% gegenüber 57.4%) und PostTrainBench mit 4 (49.3% gegenüber 45.3%)[1]. Für Agents, die hauptsächlich in der Shell arbeiten, bleibt Opus ein relevanter Kandidat.

Außerhalb des Codings sind Argons Vorsprünge größer: 15.8 Punkte im Legal-Benchmark, 17.4 bei GraphWalks 256K–1M und 15.7 auf LABBench 2[1]. Nutze für eine Produktionsentscheidung dieselben Quellen und Abnahmekriterien. Ein Benchmark-Vorsprung bestimmt nicht den Token-Bedarf zur Fertigstellung deiner Aufgabe.

Welche Modelle du für welche Arbeit testen solltest

  • Recht, Finanzen, lange Dokumente und Videos: Nimm Argon in die Evaluation auf; hier liegen große Vorsprünge der Launch-Tabelle. Prüfe Quellenrichtigkeit und Vollständigkeit mit eigenem Material.
  • Lange Migrationen oder Berichte: Teste Argons Long Decode mit einem Client für Fortsetzungen. Reserviere Raum für Thinking und Antwort; Kontext ist kein unabhängiges Output-Kontingent.
  • Terminal-lastige Coding-Agents: Teste Opus 5.5 neben Argon. Der Terminal-bench-Vorsprung muss sich mit deinen Werkzeugen und Aufgaben bestätigen.
  • Computerbedienung und schwere Softwareaufgaben: Beziehe Astra ein, das in der datierten Tabelle OSWorld-2.0 und FrontierSWE v2 anführt.

Halte den Vergleich reproduzierbar: gleiche Prompts und Quellen, protokollierte Reasoning-Stufe und Budgets. Unterscheide unfertige Antworten von fertigen, aber falschen. Bei Tool-Nutzung prüfe den vollständigen Roundtrip, nicht nur die Rückgabe eines Tool Calls.

Die Argon-Modellseite bei reAPI verlinkt aktuelle Preise und die Request-Referenz. Es geht nicht mehr darum, auf Googles API zu warten, sondern darum, welches Modell deinen Workload unter tragbaren Bedingungen beendet.

FAQ

Ist Gemini 4 Argon besser als GPT-6 Astra?

In Googles Tabelle erzielt Argon in 14 von 19 Zeilen höhere Werte, bei einem Gleichstand. Astra führt FrontierSWE v2, Terminal-Bench Science, OSWorld-2.0 und knapp Terminal-bench 4.0 an[1].

Ist Gemini 4 Argon besser als Claude Opus 5.5?

In 14 der 18 vergleichbaren Zeilen. Opus führt Terminal-bench 4.0, PostTrainBench, FrontierSWE v2 und Terminal-Bench Science an[1].

Wie schneidet Argon gegen Claude Fable 5.1 ab?

Argon liegt in 15 der 17 beidseitig berichteten Zeilen vorn. Fable führt knapp FrontierSWE v2 (56.3% gegenüber 55.0%) und Terminal-bench 4.0 (57.9% gegenüber 57.4%) an[1].

Was ist Argons bestes Benchmark-Ergebnis?

GraphWalks bis 128K mit 99.7%. Besonders relevant sind große Abstände: Harvey's mit 19.6% gegenüber Astras 5.4% und Opus' 3.8% sowie GraphWalks 256K–1M mit 84.2%[1].

Sind die Benchmarks unabhängig?

Nicht vollständig. Sie stammen aus Googles Ankündigung; die meisten Rivalenwerte sind laut Google selbst gemeldet, einige Argon-Tests führte Google durch[4]. Artificial Analysis testet alle drei mit einem Index: Am 4. November 2026 erzielte Opus 5.5 dort 59, Astra 57 und Argon 50[5].

Welches der drei Modelle ist am günstigsten?

Prüfe aktuelle Modellpreise und Kosten eines akzeptierten Ergebnisses. Input, Cache-Treffer, Reasoning und Fortsetzung verändern die Rechnung. Der Preisleitfaden erklärt den Vergleich ohne veraltete statische Preistabelle.

Zwischen Argon, Astra und Opus 5.5 wählen

Googles September-Tabelle spricht dafür, Argon für Wissensarbeit und langen Kontext zu testen. Für Terminal- und Computeraufgaben liefert sie Gründe, Opus und Astra im Testset zu behalten. Das sind nützliche Hypothesen aus einem datierten Herstellervergleich.

Entscheidend sind bewertbare Aufgaben: Besteht die Änderung ihre Tests, belegt der Bericht seine Aussagen, erledigt der Agent den Auftrag? Erfasse Budget und Fortsetzung zusammen mit dem Ergebnis. So wird aus dem Launch-Vergleich ein praktischer Test von Gemini 4 Argon.

Quellen

  1. Google. Gemini 4 Argon: our next era of frontier intelligence (including benchmark table). Abgerufen im Oktober 2026 von blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon

  2. Google. What's new in Gemini 4 Argon. Abgerufen am 14. Oktober 2026 von ai.google.dev/gemini-api/docs/generate-content/latest-model

  3. Google. Gemini thinking. Abgerufen am 14. Oktober 2026 von ai.google.dev/gemini-api/docs/generate-content/thinking

  4. Google DeepMind. Gemini 4 Argon model evaluation: approach, methodology and results. Abgerufen im Oktober 2026 von deepmind.google/models/evals-methodology/gemini-4-argon

  5. Artificial Analysis. Gemini 4 Argon (High), GPT-6 Astra (Max) and Claude Opus 5.5 (Max) model pages. Abgerufen am 4. November 2026 von artificialanalysis.ai/models/gemini-4-argon, gpt-6-astra und claude-opus-5-5