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: тесты
2026/10/01 ·

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

Gemini 4 Argon, GPT-6 Astra и Claude Opus 5.5 в 19 тестах Google при запуске. Сравните результаты задач, ограничения контекста и доступ перед выбором модели.

Gemini 4 Argon лидировал в большинстве строк сравнения Google от 30 сентября 2026 года, но не во всех. Среди Argon, GPT-6 Astra и Claude Opus 5.5 у него 13 лучших результатов из 19, одна ничья и пять проигрышей: три Astra и два Opus[1]. Слабее оказались терминальные задачи, сложные программные тесты и работа с компьютером, важные для разработчиков.

Здесь приведены все числа Google, актуальные ограничения запросов и оговорки методики. После запуска искали «gemini 4 argon benchmarks», «gemini 4 argon performance relative to other models», «gemini 4 vs gpt 6 astra», «gemini 4 vs claude». Сейчас Google документирует Gemini API и Google AI Studio[2]. Ниже сохранены датированные результаты запуска: это не новый независимый тест и не сегодняшний рейтинг.

Коротко

  • В целом: Argon лидирует в 13 из 19 строк, Astra в 3, Opus в 2, одна строка — ничья[1].
  • Заметные преимущества Argon: Harvey's Legal Agent Benchmark (19.6% против 5.4% и 3.8%), GraphWalks 256K–1M (84.2% против 71.8% и 66.8%) и длинное видео LVBench (91.7%)[1].
  • Отставания: Opus ведёт Terminal-bench 4.0 (66.4% против 57.4%) и PostTrainBench; Astra — FrontierSWE v2, Terminal-Bench Science и OSWorld-2.0[1].
  • Контекст и вывод: ввод, рассуждение и вывод делят 1,048,576 токенов. Нативные пределы одного запроса — 32,768 для JSON и 65,536 для потока; длинная генерация продолжается между запросами[3].
  • Стоимость: сравнивайте текущие тарифы и полный расход задачи с рассуждениями и продолжениями. Категории описаны в ценовом руководстве.

Бенчмарки Gemini 4 Argon: полная таблица

Числа взяты из анонса Google. Claude Fable 5.1 также сохранён отдельным столбцом для вопроса «vs Fable». Лучший результат среди Argon, Astra и Opus выделен жирным; тире означает отсутствие опубликованного значения[1].

ОбластьБенчмаркGemini 4 ArgonGPT-6 AstraClaude Opus 5.5Claude Fable 5.1
Интеллектуальная работаVals Index68,9%63,1%67,0%65,8%
Интеллектуальная работаAutomationBench51,3%41,4%42,5%31,4%
Интеллектуальная работаVals Finance Agent v265,4%53,5%58,6%58,9%
Интеллектуальная работаHarvey's Legal Agent Benchmark19,6%5,4%3,8%6,7%
Агентное программированиеDeepSWE v1.177,9%74,1%74,2%67,4%
Агентное программированиеFrontierSWE v255,0%65,5%62,3%56,3%
Агентное программированиеVibe Code Bench91,9%89,6%90,3%90,3%
Агентное программированиеTerminal-bench 4.057,4%58,2%66,4%57,9%
ML-инжинирингPostTrainBench45,3%44,3%49,3%40,2%
Наука и математикаTerminal-Bench Science 0.157,6%68,1%63,3%52,6%
Наука и математикаLABBench 288,8%85,4%73,1%68,6%
Наука и математикаRiemannBench76,0%72,0%69,6%65,6%
Длинный контекстGraphWalks, до 128K99,7%98,7%90,6%91,4%
Длинный контекстGraphWalks, от 256K до 1M84,2%71,8%66,8%65,0%
Управление компьютеромAgent's Last Exam39,5%34,2%38,2%—
Управление компьютеромOSWorld-2.0 (офлайн-подмножество)69,2%72,6%——
МультимодальностьChartography71,6%71,0%66,3%46,2%
МультимодальностьLVBench91,7%87,5%83,7%79,7%
КибербезопасностьCWE-bench v168,0%68,0%67,0%58,0%

При прямом сравнении только с Opus 5.5 Argon впереди в 14 из 18 строк с обоими значениями. Он уступает на FrontierSWE v2, Terminal-bench 4.0, PostTrainBench и Terminal-Bench Science[1].

Как читать таблицу с учётом методики Google

Все результаты происходят из анонса, а методика объясняет источники. Три детали влияют на оценку разницы[4]:

  1. Большинство результатов конкурентов заявлены ими самими. Если не указано иное, Google использует опубликованные производителями числа и максимальные доступные настройки рассуждения, когда они известны.
  2. Часть тестов Argon выполнила Google. Это DeepSWE v1.1 и Terminal-bench 4.0; значения Astra, Fable и Opus взяты из открытых рейтингов или системных карточек. Условия тестирования не всегда идентичны.
  3. Входные данные различались. В LVBench Gemini получал один кадр в секунду, Astra 800 кадров, Opus 600, Fable 300 из-за ограничений API, по объяснению Google. Разный бюджет кадров требует осторожности при сравнении длинного видео.

Таблица помогает выбрать, что проверить. Она не даёт доверительных интервалов и единого стенда для каждой строки. Маленькое преимущество не гарантирует разницу в вашей нагрузке; большое оправдывает направленный тест, но не доказывает тот же порядок в приложении.

Бенчмарки Gemini 4 Argon от независимого тестировщика

Artificial Analysis рассчитывает собственный Intelligence Index для каждой модели в своём списке, поэтому все модели проходят один и тот же набор тестов. Порядок отличается от таблицы Google. Эти показатели были опубликованы на страницах моделей 4 ноября 2026 года[5]:

Модель (протестированная настройка)Intelligence IndexМесто в списке из 62 моделейВыходные токены, использованные для индексаСтоимость одной задачи индексаСкорость вывода
Claude Opus 5.5 (Max)592220M$10.0494.2 токена/с
GPT-6 Astra (Max)57554M$6.2467.1 токена/с
Gemini 4 Argon (High)5015110M$7.6881.9 токена/с

Настройки различаются. Argon представлен только на High, а Astra и Opus 5.5 указаны на Max. При этом в том же рейтинге GPT-6 Astra на High занимает седьмое место, опережая Argon на High. Artificial Analysis также рассчитывает стоимость Argon по $4 за ввод и $20 за вывод за миллион токенов: это тариф Google с 1 декабря, а не вводные $2 и $10, описанные в нашем руководстве по ценам Gemini 4 Argon.

Обоснованы два вывода. В 19 бенчмарках Google Argon лидирует в большинстве строк. В одном независимом индексе Opus 5.5 и Astra набирают больше баллов. Astra также расходует меньше всего токенов из трёх моделей: для прохождения того же индекса она использовала примерно половину выходных токенов Argon и четверть от объёма Opus 5.5.

Контекст и вывод влияют на интеграцию

Предыдущая версия называла контекст Argon неопубликованным и описывала миллион токенов в одном ответе. Современные руководства уточняют ограничения[2][3].

Свойство Gemini 4 ArgonТекущее документированное поведение
Доступ разработчикаGemini API и Google AI Studio
ID моделиgemini-4-argon
Общий контекст1,048,576 токенов ввода, рассуждения и вывода
Один нативный JSON-запросДо 32,768 сгенерированных токенов
Один нативный потоковый запросДо 65,536 сгенерированных токенов
Более длинная генерацияПродолжение между запросами в оставшемся общем окне
Уровни рассужденияlow, medium по умолчанию, high; полное отключение невозможно

Источники — текущие руководства Google по миграции и рассуждению[2][3].

Long Decode даёт запас для больших задач, но не гарантирует готовый отчёт в одном HTTP-ответе. reAPI не продолжает работу автоматически на сервере. Клиент должен явно отправлять продолжения, учитывать каждое обращение и хранить данные для возобновления.

Исходное сравнение использовало ограничения Astra и Opus из их документации. Нельзя смешивать исторические пределы с Long Decode Argon так, будто все описывают одинаковый одиночный запрос. Для нужного объёма вывода и тарифов проверьте текущие страницы GPT-6 Astra и Claude Opus 5.5.

Gemini 4 Argon vs GPT-6 Astra

Argon выигрывает большинство строк интеллектуальной работы и длинного контекста. Особенно заметны Harvey's — 19.6% против 5.4% — и Vals Finance Agent v2 — 65.4% против 53.5%[1]. Прежде чем делать вывод о стоимости, сопоставьте преимущество с расходом токенов и текущими тарифами собственного теста.

Astra стоит проверить рано, если работа похожа на его ведущие компьютерные и программные тесты: OSWorld-2.0 (72.6% против 69.2%), FrontierSWE v2 (65.5% против 55.0%), Terminal-Bench Science (68.1% против 57.6%)[1]. Последние два отставания по 10.5 пункта — крупнейшие у Argon в его таблице. Для похожей работы тестируйте до перехода. Astra также слегка впереди на Terminal-bench 4.0: 58.2% против 57.4%.

Gemini 4 Argon vs Claude Opus 5.5

В программировании эта пара ближе. Argon ведёт DeepSWE v1.1 (77.9% против 74.2%) и Vibe Code Bench (91.9% против 90.3%). Opus выигрывает Terminal-bench 4.0 на 9 пунктов (66.4% против 57.4%) и PostTrainBench на 4 (49.3% против 45.3%)[1]. Если агенты в основном работают в оболочке, Opus остаётся полезным кандидатом.

Вне кода преимущество Argon составляет 15.8 пункта в юридическом тесте, 17.4 на GraphWalks 256K–1M и 15.7 на LABBench 2[1]. Для производственного решения дайте обоим одинаковые материалы и проверки приёмки. Бенчмарк не определяет, сколько токенов понадобится для вашей задачи.

Какие модели проверять для разных задач

  • Право, финансы, длинные документы и видео: включите Argon — здесь заметны большие преимущества стартовой таблицы. Проверяйте точность источников и полноту на своих материалах.
  • Длинные миграции и отчёты: оценивайте Long Decode с клиентом продолжений. Оставьте место для рассуждения и ответа; общий контекст не является отдельной квотой вывода.
  • Терминальные агенты: сравните Opus 5.5 с Argon. Разницу Terminal-bench нужно проверить с вашими инструментами и заданиями.
  • Компьютер и сложная разработка: включите Astra, ведущий OSWorld-2.0 и FrontierSWE v2 в датированной таблице.

Обеспечьте воспроизводимость: одинаковые запросы и источники, записанные настройки рассуждения и бюджеты. Отличайте незавершённый ответ от законченного, но неверного. При работе с инструментами проверяйте весь цикл с возвратом результата, а не только появление вызова.

Страница Argon reAPI ведёт к текущим ценам и справочнику запросов. Вопрос уже не в ожидании API Google, а в том, какая модель завершает работу при приемлемых условиях.

Частые вопросы

Argon лучше GPT-6 Astra?

В таблице Google его оценка выше в 14 из 19 строк, одна — ничья. Astra ведёт FrontierSWE v2, Terminal-Bench Science, OSWorld-2.0 и с небольшим отрывом Terminal-bench 4.0[1].

Он лучше Claude Opus 5.5?

В 14 из 18 сопоставимых строк. Opus ведёт Terminal-bench 4.0, PostTrainBench, FrontierSWE v2 и Terminal-Bench Science[1].

Как он соотносится с Claude Fable 5.1?

Argon выше в 15 из 17 строк с обоими результатами. Fable слегка впереди на FrontierSWE v2 (56.3% против 55.0%) и Terminal-bench 4.0 (57.9% против 57.4%)[1].

Какой результат Argon самый высокий?

GraphWalks до 128K — 99.7%. Существенны и большие разрывы: Harvey's 19.6% против 5.4% у Astra и 3.8% у Opus, GraphWalks 256K–1M — 84.2%[1].

Эти тесты независимые?

Не полностью. Это публикация Google; большинство конкурирующих значений заявлены производителями, а часть тестов Argon провела Google[4]. Artificial Analysis тестирует все три модели в одном индексе: 4 ноября 2026 года Opus 5.5 получил 59 баллов, Astra 57, а Argon 50[5].

Какая из трёх моделей дешевле?

Проверяйте текущие ставки и стоимость принятого результата. Ввод, кэш, рассуждения и продолжения меняют счёт. Ценовое руководство помогает сравнить без старой статической таблицы.

Выбор между Argon, Astra и Opus 5.5

Сентябрьская таблица даёт повод оценить Gemini 4 Argon для интеллектуальной работы и длинного контекста, сохранив Opus и Astra для терминала и компьютера. Это полезные гипотезы из датированного сравнения производителя.

Решение принимайте по оцениваемым задачам: проходит ли изменение тесты, подтверждает ли отчёт утверждения, завершает ли агент действие. Записывайте бюджет и продолжения вместе с результатом. Так сравнение запуска становится полезной проверкой Gemini 4 Argon.

Источники

  1. Google. Gemini 4 Argon: our next era of frontier intelligence (including benchmark table). Проверено в октябре 2026 года: blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon

  2. Google. What's new in Gemini 4 Argon. Проверено 14 октября 2026 года: ai.google.dev/gemini-api/docs/generate-content/latest-model

  3. Google. Gemini thinking. Проверено 14 октября 2026 года: ai.google.dev/gemini-api/docs/generate-content/thinking

  4. Google DeepMind. Gemini 4 Argon model evaluation: approach, methodology and results. Проверено в октябре 2026 года: 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. Дата обращения: 4 ноября 2026, artificialanalysis.ai/models/gemini-4-argon, gpt-6-astra и claude-opus-5-5