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 Opus 5.5 ベンチマーク比較
2026/10/01 ·

Gemini 4 Argon vs GPT-6 Astra vs Opus 5.5 ベンチマーク比較

Gemini 4 Argon、GPT-6 Astra、Claude Opus 5.5 を比較。Google が9月30日に公開した19項目の過去スコアをもとに、コーディング、知識業務、長文処理の結果と評価方法の制約を解説します。共有コンテキスト、出力上限、継続処理も踏まえ、自分の業務で確かめる比較条件を整理します。

Gemini 4 Argon は Google が2026年9月30日に公開した比較表の多くで先行しましたが、例外もあります。Argon、GPT-6 Astra、Claude Opus 5.5 の三者では、19行中13行で最高、1行で同率、5行で下回りました。内訳は Astra に3行、Opus に2行です[1]。下回る項目は端末操作、難しいソフトウェア課題、コンピューター操作に集中しています。

本記事は全数値を並べ、現在のリクエスト制限と評価方法の注意点を補います。公開後には「gemini 4 argon benchmarks」「gemini 4 argon performance relative to other models」「gemini 4 vs gpt 6 astra」「gemini 4 vs claude」が検索されました。現在は Gemini API と Google AI Studio の入口が文書化されています[2]。以下は公開時の結果であり、新たな独立評価や今日のランキングではありません。

要点

  • 全体:19行中 Argon が13行、Astra が3行、Opus が2行で最高、1行が同率です[1]。
  • Argon の大きな優位:Harvey's Legal Agent Benchmark(19.6% 対 5.4%・3.8%)、GraphWalks 256K–1M(84.2% 対 71.8%・66.8%)、長い動画の LVBench(91.7%)です[1]。
  • 下回る分野:Opus は Terminal-bench 4.0(66.4% 対 57.4%)と PostTrainBench、Astra は FrontierSWE v2、Terminal-Bench Science、OSWorld-2.0 で上回ります[1]。
  • コンテキストと出力:入力・思考・出力で 1,048,576 トークンを共有。単発のネイティブ上限は JSON 32,768、ストリーミング 65,536 で、長い生成は複数リクエストに続きます[3]。
  • 費用:現行料金と、思考・継続を含むタスク全体の使用量を比較します。料金ガイドで内訳を説明します。

Gemini 4 Argon のベンチマーク全表

数値は Google の発表表から引用しています。Claude Fable 5.1 も独立した列に残し、「vs Fable」に答えます。Argon、Astra、Opus の最高値を太字にし、ダッシュは未報告を示します[1]。

分野ベンチマークGemini 4 ArgonGPT-6 AstraClaude Opus 5.5Claude Fable 5.1
ナレッジワークVals Index68.9%63.1%67.0%65.8%
ナレッジワークAutomationBench51.3%41.4%42.5%31.4%
ナレッジワークVals Finance Agent v265.4%53.5%58.6%58.9%
ナレッジワークHarvey's Legal Agent Benchmark19.6%5.4%3.8%6.7%
エージェント型コーディングDeepSWE v1.177.9%74.1%74.2%67.4%
エージェント型コーディングFrontierSWE v255.0%65.5%62.3%56.3%
エージェント型コーディングVibe Code Bench91.9%89.6%90.3%90.3%
エージェント型コーディングTerminal-bench 4.057.4%58.2%66.4%57.9%
ML エンジニアリングPostTrainBench45.3%44.3%49.3%40.2%
科学・数学Terminal-Bench Science 0.157.6%68.1%63.3%52.6%
科学・数学LABBench 288.8%85.4%73.1%68.6%
科学・数学RiemannBench76.0%72.0%69.6%65.6%
長コンテキストGraphWalks、128Kまで99.7%98.7%90.6%91.4%
長コンテキストGraphWalks、256K〜1M84.2%71.8%66.8%65.0%
コンピューター操作Agent's Last Exam39.5%34.2%38.2%—
コンピューター操作OSWorld-2.0(オフラインサブセット)69.2%72.6%——
マルチモーダルChartography71.6%71.0%66.3%46.2%
マルチモーダルLVBench91.7%87.5%83.7%79.7%
サイバーセキュリティCWE-bench v168.0%68.0%67.0%58.0%

Opus 5.5 との直接比較では、両方にスコアがある18行中14行で Argon が上回り、FrontierSWE v2、Terminal-bench 4.0、PostTrainBench、Terminal-Bench Science の4行で下回ります[1]。

Google の評価方法と一緒に読む

全スコアは Google の発表由来で、方法論ページに出典が示されています。差の重みを判断するには三つの条件が必要です[4]。

  1. 競合の多くは自己申告値です。 特記しない限り各社の公表値を使い、記載があれば利用可能な最大推論設定を採用しています。
  2. 一部の Argon テストは Google が実行しました。 DeepSWE v1.1 と Terminal-bench 4.0 が該当し、競合は公開ランキングやシステムカード由来です。評価環境が常に同一ではありません。
  3. 入力も同一ではありません。 LVBench では Gemini が毎秒1フレーム、Astra が800、Opus が600、Fable が300フレームでした。Google は API 制限を理由にしています。画像枚数が異なるため、長動画の差は慎重に読みます。

表は何を試すかを選ぶ材料です。ただし全行に信頼区間や共通評価環境はありません。小差が自分の作業でも再現する保証はなく、大差も重点評価の理由にはなっても実際の順位を証明しません。

独立評価によるGemini 4 Argonのベンチマーク

Artificial Analysisは、掲載する各モデルに独自のIntelligence Indexを実施しているため、すべてのモデルが同じテストセットを受けます。順位はGoogleの表とは異なります。以下は2026年11月4日に各モデルページに掲載されていた数値です[5]。

モデル(評価した設定)Intelligence Index62モデル中の順位指数の評価に使用した出力トークン数指数の評価タスクあたりの費用出力速度
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

設定は同一ではありません。ArgonはHighのみ、AstraとOpus 5.5はMaxで掲載されています。それでも同じランキングでは、HighのGPT-6 Astraが7位で、HighのArgonを上回っています。また、Artificial AnalysisがArgonに適用している料金は100万トークンあたり入力$4、出力$20です。これはGoogleが12月1日から適用する料金で、Gemini 4 Argon料金ガイドで説明している導入価格の$2と$10ではありません。

妥当な読み方は二つあります。Googleの19項目のタスク別ベンチマークでは、Argonが大半の行で先行しています。一方、一つの独立した指数ではOpus 5.5とAstraのスコアが高くなっています。トークン効率も三者ではAstraが最も高く、同じ指数の評価を完了するために使った出力トークン数はArgonの約半分、Opus 5.5の約4分の1でした。

コンテキストと出力が接続設計に与える影響

旧版は Argon のコンテキストを未公開、出力を一回100万トークンと説明していました。現在の Google ガイドでは、より具体的な制限が示されています[2][3]。

Gemini 4 Argon の項目現在の文書にある動作
開発者向け入口Gemini API、Google AI Studio
モデル IDgemini-4-argon
共有コンテキスト入力・思考・出力で 1,048,576 トークン
ネイティブ JSON の単発最大 32,768 生成トークン
ネイティブストリームの単発最大 65,536 生成トークン
より長い生成残りの共有枠内で複数リクエストに継続
思考レベルlow、medium(既定)、high。完全無効化不可

出典は現在の移行ガイドと思考ガイドです[2][3]。

Long Decode は大きな課題の余地を広げますが、一つの HTTP 応答で報告書が完成する保証ではありません。reAPI はサーバー側で自動継続しません。クライアントが明示的に継続し、各リクエストを記録し、再開情報を保持する必要があります。

公開時の比較は Astra と Opus の自社文書の制限を使っていました。その歴史的な値と Argon の Long Decode 上限を、同じ単発処理の数字として比べてはいけません。出力要件と料金は現在の GPT-6 Astra、Claude Opus 5.5 ページで確認してください。

Gemini 4 Argon vs GPT-6 Astra

Argon は知識労働と長コンテキストの多数で上回ります。特に Harvey's は 19.6% 対 5.4%、Vals Finance Agent v2 は 65.4% 対 53.5% です[1]。費用の結論を出す前に、自分の評価の使用量と現在の単価も組み合わせます。

Astra が先行する課題に近いなら、早い段階で試す価値があります。OSWorld-2.0 は 72.6% 対 69.2%、FrontierSWE v2 は 65.5% 対 55.0%、Terminal-Bench Science は 68.1% 対 57.6% です[1]。後二つの10.5ポイント差は Argon の発表表で最大の遅れであり、類似業務では切り替え前に検証します。Terminal-bench 4.0 でも Astra が 58.2% 対 57.4% と僅差で上回ります。

Gemini 4 Argon vs Claude Opus 5.5

コードでは比較的近い組み合わせです。Argon は DeepSWE v1.1(77.9% 対 74.2%)と Vibe Code Bench(91.9% 対 90.3%)で先行します。Opus は Terminal-bench 4.0 で9ポイント(66.4% 対 57.4%)、PostTrainBench で4ポイント(49.3% 対 45.3%)上回ります[1]。シェル中心のエージェントなら Opus も有力な比較対象です。

コード以外では Argon の差が大きく、法律ベンチマークで15.8ポイント、GraphWalks 256K–1M で17.4、LABBench 2 で15.7です[1]。本番選定では同じ資料と合格条件を使います。スコア差だけでタスク完了に必要なトークン数は決まりません。

作業別に試したいモデル

  • 法律・金融調査、長文書、動画:Argon を評価に加えます。発表表で差が大きい分野ですが、自分の資料で出典の正確さと完全性を確認します。
  • 長い移行や報告:継続対応クライアントで Argon の Long Decode を試します。共有枠は独立した出力枠ではないため、思考と回答の両方に余地を残します。
  • 端末中心のコードエージェント:Opus と Argon を並べます。Terminal-bench の差を自分の道具と課題でも確かめます。
  • コンピューター操作と難しい開発:この歴史的表で OSWorld-2.0 と FrontierSWE v2 をリードする Astra を含めます。

再現できる比較にします。同じプロンプトと資料を使い、推論設定と予算を記録し、未完了と完了した誤答を区別します。ツールは呼び出しの出力で止めず、結果を戻す一連の流れまで検証します。

reAPI の Argon ページには現在の料金とリクエスト仕様があります。Google の API 公開を待つ段階ではなく、許容できる条件でどのモデルが作業を終えられるかを評価する段階です。

よくある質問

Argon は GPT-6 Astra より優れていますか?

Google の19行中14行で高く、1行は同率です。Astra は FrontierSWE v2、Terminal-Bench Science、OSWorld-2.0 と、僅差の Terminal-bench 4.0 で先行します[1]。

Claude Opus 5.5 より優れていますか?

比較可能な18行中14行で上回ります。Opus は Terminal-bench 4.0、PostTrainBench、FrontierSWE v2、Terminal-Bench Science で先行します[1]。

Claude Fable 5.1 との比較は?

両者が載る17行中15行で Argon が高く、Fable は FrontierSWE v2(56.3% 対 55.0%)と Terminal-bench 4.0(57.9% 対 57.4%)で僅かに上回ります[1]。

最高スコアは何ですか?

GraphWalks 最大128K の 99.7% です。大差の項目も注目点で、Harvey's は 19.6% に対し Astra 5.4%、Opus 3.8%、GraphWalks 256K–1M は 84.2% です[1]。

独立したベンチマークですか?

完全には独立していません。Google 発表の値で、競合の多くは各社の自己申告、一部の Argon テストは Google 自身が実行しています[4]。Artificial Analysisは三者を一つの指数で評価しており、2026年11月4日のスコアはOpus 5.5が59、Astraが57、Argonが50でした[5]。

三つのうち一番安いのはどれですか?

現在のモデル単価と、合格結果を得る費用を比較します。入力、キャッシュ、推論、継続で変わります。料金ガイドは古い固定価格表に頼らない比較方法を説明します。

Argon、Astra、Opus 5.5 を選ぶには

9月の表は、知識労働と長コンテキストで Gemini 4 Argon を試す理由を示します。端末とコンピューター操作では Opus と Astra を残す理由もあります。これらは日付付きのメーカー比較から得た、検証すべき仮説です。

判断は採点できる課題で行います。変更がテストを通るか、報告の主張に根拠があるか、エージェントが指定操作を終えるか。結果とともに予算と継続動作を記録すれば、公開時の比較を Gemini 4 Argon の実用的な評価へ変えられます。

参考資料

  1. Google. Gemini 4 Argon: our next era of frontier intelligence (including benchmark table). 2026年10月参照: blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon

  2. Google. What's new in Gemini 4 Argon. 2026年10月14日参照: ai.google.dev/gemini-api/docs/generate-content/latest-model

  3. Google. Gemini thinking. 2026年10月14日参照: ai.google.dev/gemini-api/docs/generate-content/thinking

  4. Google DeepMind. Gemini 4 Argon model evaluation: approach, methodology and results. 2026年10月参照: 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. 2026年11月4日取得:artificialanalysis.ai/models/gemini-4-argon, gpt-6-astra および claude-opus-5-5