Gemini 4 Argon vs Opus 5.5：拡散したテストに異論が出た理由

グミベアのシミュレーションをきっかけに、Gemini 4 Argon vs Opus 5.5 の話題は「コーディングのデモでどこまで証明できるのか」という議論になりました。Semichenko が投稿した比較では、Claude Opus 5.5 と表示された出力のほうが、Gemini 4 Argon と表示された出力よりも自然に伸び縮みして見えます。作者は、両方に同じプロンプトを与えたと説明しています^[1]。その後、別の開発者が見た目の異なる Argon の結果を公開し、こちらも同じプロンプトを使ったと報告しました^[2]。

後のやり取りも、最初の動画と同じくらい重要です。Semichenko は Gemini の実行が失敗していた可能性を認め、さらにテストする必要があると述べました^[3]。公開された投稿が示しているのは、特定の出力をめぐる見解の相違です。モデル全体の優劣はまだ判断できません。この記事では、根拠となる資料と作者の返信を整理し、次の比較を評価するための方法を提案します。

要点

• Semichenko の元の投稿は、操作できるグミベアのシミュレーションを二つ示し、同一のプロンプトを使ったと説明しています。大きな見た目の差は、報告されたその二つの実行結果の差です^[1]。
• @shpotes は、Antigravity で Argon を使って別の結果が得られたと報告しています。この例は、最初の動画で Argon の限界が分かったとする推論に疑問を投げかけます^[2]。
• 元の作者は、Gemini の実行が失敗した可能性を明確に認め、追加のテストが必要だと述べました^[3]。
• 別の返信では、次回は各モデルを三回ずつ試し、最も良い結果を選ぶ方法を提案しています。これは方法の提案であり、その条件で再テストを完了したという報告ではありません^[4]。
• 関連動画は、これらの第三者による事例を紹介しています。reAPI は条件を統制した新たなベンチマークを実施しておらず、完全な実行環境や報告された費用も独自には確認していません^[5]。

元の比較とその後の反応を動画で見る

当社の 2 分 18 秒の動画では、元のデモ、再現したとする投稿、作者の返信を順に紹介しています。この記事を補足する動画で、説明欄には出典を記載しています^[5]。

0:19 の元のデモ、0:46 の再現したとする例、1:11 の作者の返信から見ることもできます。

映像に出てくるのは、コードで作られたインタラクティブなシミュレーションです。コーディング課題として評価する必要があります。出来上がったアニメーションを録画したからといって、テキストから動画を生成するモデルの比較になるわけではありません。上のカバー画像には、この動画のサムネイルを使用しています。報告された出力は、動画とリンク先の元投稿で確認してください。

Gemini 4 Argon vs Opus 5.5 のデモで示されたこと

元の投稿では Opus が上、Argon が下に配置され、引っ張る、押しつぶす、投げる、ベアを増やすという一連の操作が説明されています。批判の対象には、物体の変形、物体同士の相互作用、素材の見え方が含まれています^[1]。

これらは個別に確認すると役立ちます。この課題であれば、ドラッグしたときにベアの形が変わるか、離したときに戻るか、物体が増えても操作できるか、表面が指定した素材らしく見えるかを評価するとよいでしょう。これは提案する評価基準であり、元のアプリケーションから当社が収集した測定結果ではありません。

基準を分ければ、表面が美しいという理由だけでコーディング比較全体の勝敗を決めずに済みます。照明の表現を好ましく感じても、操作が機能するかは別途確認する必要があります。反対に、見た目が洗練されていなくても、機能要件を満たす物体はあり得ます。どちらの映像が優れているかを選ぶ前に、重視する要件を決めてください。

また、示された結果を評価することと、その結果が生じた理由を説明することは別です。録画から言えるのは、画面に見える挙動についての限定的な観察です。原因を特定するには、指示、生成されたプロジェクト、実行履歴、設定が必要になります。元の二つの実行について、照合できる完全な記録は入手していないため、この差をモデルだけに帰することはできません。

再現したとする投稿で議論はどう変わったか

@shpotes は自身の結果を、次のように説明しました（訳）。「同じプロンプトでも、Argon + Antigravity ではまったく違う結果になった」。添付のデモでは、Argon の出力とされる物体が伸びたり変形したりしています^[2]。最初の出力が、この課題で Argon に作れるものを代表しているのか。視聴者がそう問い直す具体的な理由になります。

@Caxvalencia による別の投稿には「Argon - Medium」というラベルがあり、もう一つの操作例が示されています^[6]。このラベルは、投稿者が報告した設定です。同一の指示、同じ初期ファイル、同じ順番のツール呼び出しだったことを独立に証明するものではありません。

出典：元の投稿と返信^{[1][2][3][4][6]}。

元の投稿には、再現例へ案内する Community Note（コミュニティノート）も付いています^[1]。リンク先をたどって根拠を確認してください。ノートは補足情報であり、そこでの主張も元の資料と照合する必要があります。

後続投稿の説明をそのまま受け取るなら、「Argon では変形するベアを作れない」という一律の判断は弱まります。ただし、どちらのモデルがどれくらいの頻度で成功するか、どれほどの介入を要するか、別のコーディング課題でどちらが優れるかは分かりません。有力な反例は、断定的な主張に異議を唱えることはできても、モデル全体の順位を決めるものではありません。

作者の返信も含めて見る必要がある

Semichenko はこう書いています（訳）。「うーん、私の Gemini の実行が失敗したのかもしれない。もっとテストする必要がある」^[3]。それより前の返信では、別のテスト投稿者に感謝し、今後の比較では各モデルを三回ずつ試して最良の結果を使う方法を提案していました^[4]。

この返信により、争点の範囲は絞られます。元の映像に見える差が消えたかのように扱う必要はありませんし、これらの投稿だけから人を欺く意図があったと判断する根拠もありません。作者は、その実行に不確実性があると認めています。読者は、評価対象の動画とあわせて、その発言も見るべきです。

三回のうち最良の結果を選ぶ方法は、「選んだルールの下で、各モデルは三回以内にどこまで良い結果を出せるか」という特定の問いに答えます。しかし、最良の一回しか公開しなければ、初回の信頼性は依然として分かりません。今後テストするなら、すべての試行を公開し、どれを選んだかも明示することを提案します。最も良い結果と失敗の記録を、どちらも確認できるようにするためです。

コーディング結果をより役立つ形で比較するには

以下は、編集上の判断として提案するテスト方法です。当社が実施したものではなく、投稿者の非公開セッションを再構成したものでもありません。次の結果を解釈しやすくすることが目的です。

開始時点の状態をすべて保存する。 正確なプロンプト、添付ファイル、初期プロジェクト、追加の指示を残します。空のディレクトリから始めるなら、その旨を明記します。同じプロンプトを別のプロジェクトにコピーしただけでは、モデルが同等の文脈を受け取ったとは言えません。

環境と設定を記録する。 実際に使ったモデル、アプリケーションまたはコーディングエージェント、利用可能なツール、設定を記載します。可能であれば、リクエストやセッションの記録も残します。不明な設定は不明と記録し、出力の出来栄えから推測しないでください。後続投稿に Antigravity の記載があるのは有用な情報ですが、他のセッションで欠けている詳細を補うことはできません。

試行のルールを事前に決める。 初回の結果、固定回数の試行、あるいは定めた予算内での完成を比較するのかを決めます。介入のルールも統一してください。修正用のプロンプトが必要だった場合は、そのプロンプトを含め、追加作業として数えます。最終的なアプリケーションを、手を加えていない初回の応答として示してはいけません。

同じ操作をチェックする。 このグミベア課題では、手足をドラッグする、離す、胴体を押しつぶす、別のベアにぶつける、物体をいくつか追加する、といった再現可能な順序を決めます。要求した操作が機能するか、どこで失敗するか、アプリケーションが引き続き使えるかを記録します。これは提案する合否確認項目であり、紹介されたシミュレーションが物理的に正確な素材を実装しているという主張ではありません。

課題を採点してから、品質と費用を照らし合わせる。 元の動画には、作者が報告した費用の数字が含まれています。当社は、その請求記録や費用に含まれる作業全体を独自には確認していません^[5]。自分でテストする際は、評価に含めたすべての試行について使用量と費用を残し、同じ合否基準に照らして支出を比較してください。失敗した試行も評価記録の一部です。

reAPI を通じて評価する場合は、Gemini 4 Argon のモデルページと Claude Opus 5.5 のモデルページで、現在のモデル情報と料金を確認してください。これらは自分の評価環境を作る際の出発点ですが、SNS の投稿に登場するツールやセッションを再現するページではありません。

公開済みのモデルベンチマークについては、Gemini 4 Argon・GPT-6 Astra・Claude Opus 5.5 の比較を参照してください。そちらは特定の日付のベンダー公開ベンチマーク表を扱っています。本記事の対象は、このグミベアをめぐる具体的な議論です。

よくある質問

話題になったテストで、Opus 5.5 のコーディング性能が上だと証明されたのですか？

その特定の映像比較では、Opus に有利な結果が示されています。ただし、確認した投稿には、コーディング全般での優位性を示すための、条件を統制して繰り返した評価はありません^[1][3]。

後から投稿された Argon の例は同じプロンプトを使ったのですか？

@shpotes は、同じプロンプトを使ったと明言しています。これは投稿者による説明です。当社は、プロンプトの全内容、周辺の文脈、設定、実行手順を元のセッションと照合して、独立に確認したわけではありません^[2]。

再現例によって、逆に Argon の勝利が証明されたのですか？

これらの事例から、全般的な勝者を決めることはできません。報告された再現例は、最初の Argon の結果から導かれた推論を問い直すものです。成功率や、コーディング課題全般での優位性を示してはいません^[2]。

作者は批判に応答しましたか？

はい。Semichenko は Gemini の実行が失敗していた可能性に言及し、さらにテストする必要があると述べました。また、今後の比較で三回の試行から最良の結果を選ぶ方法も提案しています^[3][4]。

AI 動画生成のテストだったのですか？

公開された例は、コーディングで構築したインタラクティブなシミュレーションです。当社の動画は、それらの出力の録画を取り上げています。テキストから動画を生成するモデルの比較ではありません^[5]。

reAPI はこのベンチマークを再実施しましたか？

いいえ。この記事とリンク先の動画は、第三者が報告した実行結果を分析しています。当社は環境全体を独立に再現したり、請求記録をすべて確認したり、新しいベンチマークのスコアを算出したりしていません^[5]。

勝者を決める前に確認したいこと

まず元のデモを見て、再現したとする投稿と作者の返信を読んでください。モデル選びの判断が必要なら、完全な環境情報と、明示した評価ルールの下で行われた全試行の記録を求めましょう。それらがそろうまでは、Gemini 4 Argon vs Opus 5.5 のグミベアテストは、調べる価値のある具体的な事例として扱うのが適切です。自分の仕事で使うモデルは、繰り返せる条件の下で必要な挙動を確認してから選んでください。

参考資料

1. Semichenko (@semichenkko)。元のグミベア比較と添付の Community Note。 2026 年 10 月 19 日閲覧：x.com/semichenkko/status/2110131790136401989

2. @shpotes。同一プロンプトを使ったとする Argon + Antigravity の再現例。 2026 年 10 月 19 日閲覧：x.com/shpotes/status/2110222482632286672

3. Semichenko (@semichenkko)。Gemini の実行が失敗した可能性と追加テストの必要性を認めた返信。 2026 年 10 月 19 日閲覧：x.com/semichenkko/status/2110375383686135996

4. Semichenko (@semichenkko)。今後の比較で三回の試行から最良の結果を選ぶ方法を提案した返信。 2026 年 10 月 19 日閲覧：x.com/semichenkko/status/2110282000246472931

5. reAPI。Gemini 4 Argon vs Opus 5.5: The Viral Test That Got Challenged。 2026 年 10 月 19 日閲覧：youtu.be/QR9HChbtym0

6. @Caxvalencia。Argon - Medium の操作例。 2026 年 10 月 19 日閲覧：x.com/Caxvalencia/status/2110170790444269766