Gemini 4 Argon vs GPT-6 Astra: Kosten, Tempo und Benchmarks im Vergleich

Am 23. Oktober 2026 haben wir Gemini 4 Argon und GPT-6 Astra dieselben drei Aufgaben gegeben: einen Abrechnungsfehler beheben, Fragen zu einem 306-zeiligen Log beantworten und einen E-Mail-Verlauf in JSON umwandeln. Argon lag bei jeder Antwort richtig. Astra war bei zwei Aufgaben schneller, kostete aber pro Aufgabe 3,4- bis 4,9-mal so viel und zählte die Fehler im Log beide Male falsch.

Beide Modelle sind jetzt in der API allgemein verfügbar. Argons Einführungspreis endet am 30. November. Ab dem 1. Dezember verdoppelt er sich, und Astra kostet pro Aufgabe weiterhin etwa doppelt so viel.

Die Listenpreise gelten pro Million Tokens, und Argons Preise sind bis zum 30. November Einführungspreise. Beide laufen über OmniaKey: Gemini 4 Argon und GPT-6 Astra.

Lassen sich Gemini 4 Argon und GPT-6 Astra heute nutzen?

Ja. Argon ist seit dem 13. Oktober 2026 in der kostenpflichtigen Gemini API allgemein verfügbar, Astra seit dem 3. September in der OpenAI API.

Manche Seiten aus der Startwoche behaupten noch, Argon sei nicht nutzbar. Als Google das Modell am 30. September vorstellte, öffnete es den Zugang nur für vertrauenswürdige Cyber-Verteidiger im Fairwind Program. Das änderte sich am 13. Oktober.

Keines der Modelle ist in der kostenlosen Stufe seines Anbieters. Argon erreicht außerdem Abonnenten von Google AI Ultra und Pro in der Gemini-App.

Argons Kontextfenster teilen sich Eingabe, Denken und Ausgabe, und sein "long decode"-Modus hebt die Ausgabe auf bis zu 1.048.576 Tokens. Argon nimmt Text, Bilder, Video, Audio und PDF. Astra nimmt Text und Bilder.

Astras Denkstufen heißen low, medium, high, xhigh und max, ein "none" gibt es nicht. Für Tool-Aufrufe verlangt OpenAI die Responses API.

Über OmniaKey rufen Sie beide mit einem Schlüssel unter https://api.omniakey.com/v1 und den Modell-IDs oben auf. Die Preise stehen auf der Seite zu Gemini 4 Argon und der Seite zu GPT-6 Astra.

So haben wir getestet

• Modelle: Gemini 4 Argon (gemini-4-argon) und GPT-6 Astra (gpt-6-astra).
• Am 23. Oktober 2026 über OmniaKeys OpenAI-kompatible Chat-Completions-API, gestreamt und ohne Einstellung für Reasoning oder Denken, sodass jedes Modell seinen Standard nutzte. Google nennt medium als Argons Standard-Denkstufe.
• Derselbe Prompt für beide Modelle. Die Fehlerbehebung und die Log-Aufgabe liefen zweimal pro Modell, die JSON-Aufgabe einmal: 10 Antworten insgesamt.
• Die Zeit läuft vom Absenden der Anfrage bis zum letzten Token, auf unserer Seite gemessen und inklusive Netzwerk.
• Bewertet wurde mit Skripten, nicht nach Geschmack. Jede Fehlerbehebung lief gegen 12 Tests, die die Modelle nie gesehen haben, in einem getrennten Python-Prozess. Die Log-Antworten wurden mit dem Lösungsschlüssel des Skripts verglichen, das das Log erzeugt hat, die JSON-Felder einzeln mit ihrem eigenen Schlüssel. Nur die eine offene Frage, die wahrscheinliche Ursache im Log, haben wir lesend beurteilt.
• Kosten: die Tokens unseres Prompts und der Antwort, multipliziert mit dem Standard-Listenpreis des jeweiligen Anbieters, im ersten Lauf (noch nichts im Cache).
• OmniaKey verkauft den API-Zugang zu beiden Modellen, deshalb liefen die Tests über OmniaKey. Jeder Preis hier ist Googles oder OpenAIs eigener Tarif, nicht unserer.
• Preise, Limits und Daten stammen von den Seiten von Google und OpenAI, die unter Quellen stehen und am 23. Oktober 2026 geprüft wurden.

Das sind ein oder zwei Läufe pro Aufgabe, lesen Sie die Ergebnisse also als Beispiele für das Verhalten der Modelle, nicht als Benchmark.

Was passiert bei denselben drei Aufgaben?

Beide behoben den Fehler und füllten das JSON korrekt aus. Das lange Log trennte sie, und Astra war bei zwei der drei Aufgaben schneller.

Test 1: einen Abrechnungsfehler in Python beheben

Behebt das Modell jede kaputte Regel in einer kleinen Datei, nicht nur die drei Tests, die fehlschlagen?

Prompt:

You're fixing a bug report in our billing service. Below are billing.py, its test file and the test output. Three tests fail.

Fix billing.py so it follows every rule in its docstring, not only the failing tests. Keep the function names and signatures, and use only the Python standard library.

Reply with the complete corrected billing.py in one ```python code block, then at most three short bullets on what you changed.

Darunter haben wir die 34-zeilige billing.py, ihre vier Tests und die Testausgabe eingefügt: 3 fehlgeschlagen, 1 bestanden. Die Datei hatte vier Fehler.

1. round() rundet halb auf gerade, während die Regeln halb aufwärts verlangen.
2. Mengenrabatte begannen bei 11 und 51 Einheiten statt bei 10 und 50.
3. Der Gutschein wurde nach der Steuer angewendet.
4. Es gab keine Prüfung, ob der Gutschein zwischen 0 und 100 liegt.

Jede Korrektur haben wir mit 12 Tests bewertet, die die Modelle nie gesehen haben.

• Gemini 4 Argon (10,8 s, 10,6 s): beide Korrekturen bestanden 12 von 12. Beide nutzten Pythons Modul decimal mit Aufrunden. Die erste verwendet einen Typ-Hinweis (float | Decimal), der Python 3.10 oder neuer braucht.
• GPT-6 Astra (17,3 s, 6,4 s): beide Korrekturen bestanden 12 von 12. Die erste rechnete mit exakten Brüchen und war die einzige Astra-Antwort, die Reasoning-Tokens meldete (185). Sie war zugleich die langsamste Antwort in diesem Test.

Nach der Bewertung haben wir drei zusätzliche Randfälle an allen vier Korrekturen probiert. Astras zweite Korrektur lag bei zwei davon um einen Cent daneben: Sie rundet den Preis nach dem Gutschein statt den Gutschein selbst. Ein 50-%-Gutschein auf eine Bestellung von 1.001 Cent zog also 500 Cent ab, nicht 501.

Urteil: Gleichstand in unseren Tests. Beide Modelle behoben alle vier Fehler. Argons zwei Antworten lösten auch jeden Zusatzfall, und jede kostete unter einem Cent gegenüber 3 bis 5 Cent bei Astra.

Test 2: die Ursache in einem 306-zeiligen Log finden

Kann das Modell über einen langen Text hinweg zählen, nachschlagen und schließen, ohne danebenzugreifen?

Prompt:

Below is a 20-minute slice of our API gateway's access log. Answer five questions using only this log.

Q1. When did the first 503 happen? Give the timestamp, the request ID and the upstream.

Q2. How many requests returned 503 in total, and which upstream or upstreams served them?

Q3. Which request was the slowest? Give its request ID, path and rt_ms.

Q4. List every request made by user u_4471, in order, as time method path status.

Q5. In one or two sentences: what most likely caused the 503s, and what would you check first?

Start each answer with Q1: to Q5:. No preamble.

Unter die Fragen haben wir 306 Zeilen (43 KB) eines erfundenen Gateway-Logs über 20 Minuten eingefügt. Es enthielt Fallen: eine User-ID mit zwei vertauschten Ziffern (u_4417), einen Scanner auf fehlenden Seiten und eine langsame Suche (9.214 ms) knapp unter der langsamsten Anfrage (9.871 ms). Ein Skript erzeugte das Log und den Lösungsschlüssel.

• Gemini 4 Argon (9,5 s, 10,0 s): 5 von 5 in beiden Läufen, auch die Zahl von 14 Fehlern, alle von payments-1. Seine Ursache: Dieser Upstream scheiterte schnell (2–9 ms, identische Antworten mit 162 Byte) von 14:07:12 bis 14:09:55, während payments-2 gesund blieb.
• GPT-6 Astra (5,7 s, 5,4 s): 4 von 5 in beiden Läufen. Es zählte 16 Fehler, dann 15. Es waren 14. Alles andere stimmte, auch dieselbe Ursache.

Urteil: Argon. Eine falsche Zahl in einem Log ist die Art Fehler, die man nur beim Nachprüfen findet, und Astra machte ihn in beiden Läufen. Astra antwortete in etwa der halben Zeit.

Wenn Sie eines der Modelle auf Logs einsetzen, lassen Sie sich zu jeder Zahl die passenden Zeilen mitgeben, dann prüfen Sie den Wert in Sekunden.

Test 3: einen E-Mail-Verlauf in JSON umwandeln

Zieht das Modell exakte Felder aus unordentlichem Text und hält es ein strenges Format ein?

Prompt:

Turn this support email thread into one JSON object for our ticketing system.

Schema (every key is required):

• "order_id": string
• "customer_email": string, the From address of the customer's most recent message
• "items": array of objects with "sku" (string) and "quantity" (integer), only the items in the customer's latest request
• "requested_action": one of "refund", "replacement", "other"
• "refund_amount_cents": integer, or null if no refund is requested
• "deadline": "YYYY-MM-DD", or null if none is given; resolve relative dates against the Date header of the message they appear in
• "escalation_risk": boolean, true if the customer threatens a chargeback, a bank dispute or legal action

If the customer changed their mind, use the latest request. Return only the JSON object: no code fences, no comments, no extra keys.

Der Verlauf enthielt zwei Mails derselben Person. Am Montag bat sie von einer Arbeitsadresse aus um zwei Ersatzlampen.

Am Mittwoch änderte sie ihre Meinung von einer privaten Adresse: Erstattung für zwei Lampen und ein Ladegerät, insgesamt 157,50 $, bis "diesen Freitag", sonst würde sie die Zahlung bei ihrer Bank bestreiten. Der Verlauf erwähnt außerdem eine ältere Bestellung ohne Probleme.

• Gemini 4 Argon (6,8 s): alle sieben Felder richtig, in gültigem JSON ohne Zusätze: eine Erstattung von 15.750 Cent, die private Adresse, beide Artikel und "diesen Freitag" aufgelöst zu 2026-10-16.
• GPT-6 Astra (3,9 s): dasselbe, Feld für Feld.

Urteil: Gleichstand bei der Genauigkeit. Astra antwortete in etwa der halben Zeit. Argon kostete 0,003 $ gegenüber 0,013 $.

Beim Tempo beginnt Astra früher zu antworten. Sein erstes Token kam in 3,1 bis 3,8 Sekunden bei jeder Antwort außer der, die nachdachte (9,4 s). Argons erstes Token brauchte 5,1 bis 6,8 Sekunden, selbst beim kurzen JSON-Prompt, und es meldete bei allen fünf Antworten 0 Denk-Tokens.

Wenn Antworten schnell beginnen müssen, hat Astra den Vorteil. Wenn eine Zahl oder ein Nachschlagen stimmen muss, war Argon hier besser.

Was sagen die veröffentlichten Benchmarks?

In Googles eigener Tabelle führt Argon sechs von zehn Zeilen und Astra drei, eine ist gleichauf. Artificial Analysis, eine unabhängige Benchmark-Seite, bewertet beide gleich.

Das sind Googles Zahlen aus der Modellkarte zu Gemini 4 Argon, Ergebnisse Stand Oktober 2026.

Astras Siege liegen in den Agenten-Zeilen: FrontierSWE v2 (65,5 % gegenüber 55,0 %), Terminal-bench 4.0 und OSWorld-2.0, die Coding im Terminal und die Bedienung eines Rechners prüfen. Argons größte Vorsprünge liegen in der Wissensarbeit: Harveys Test für Rechtsagenten (19,6 % gegenüber 5,4 %), AutomationBench und der Vals Index.

Artificial Analysis gibt beiden 53 im Intelligence Index, fuhr Argon aber mit hohem Reasoning und Astra mit max. Bei diesen Einstellungen schrieb Argon etwa doppelt so viele Ausgabe-Tokens pro Aufgabe (36k gegenüber 17k) und kostete trotzdem weniger pro Aufgabe (1,99 $ gegenüber 3,26 $). Auch die Generierung maß das Team bei Argon schneller, sobald sie läuft: 82 gegenüber 56 Tokens pro Sekunde.

OpenAI meldet für Astra 98 % bei FrontierMath Tier 4 und 99,9 % bei ARC-AGI-3. Googles Tabelle enthält diese Tests nicht, also gibt es keine Argon-Zahl, die man daneben stellen könnte.

Für Terminal-Agenten und Computer-Nutzung sprechen also selbst Googles Zahlen für Astra. Für dokumentenlastige Wissensarbeit sprechen sie für Argon.

Was kostet eine Aufgabe bei welchem Modell?

Zu Listenpreisen kostete Astra in unseren Läufen 3,4- bis 4,9-mal so viel pro Aufgabe wie Argon. Wenn sich Argons Preis am 1. Dezember verdoppelt, kostet Astra weiterhin 1,7- bis 2,4-mal so viel.

Diese Preise stammen von Googles Preisseite für die Gemini API und von OpenAIs Modellseite zu GPT-6 Astra, geprüft am 23. Oktober 2026.

Batch und Flex kosten bei beiden die Hälfte. Bei Astra kosten Prompts über 272K Eingabe-Tokens das Doppelte für Eingabe und Cache und das 1,5-Fache für Ausgabe, gerechnet auf die ganze Anfrage. Googles Preisseite nennt für Argon keinen Aufschlag für lange Prompts.

Hochgerechnet: 1.000 Log-Aufgaben wie unsere kosten bei Argon bis zum 30. November etwa 60 $, ab dem 1. Dezember etwa 120 $ und bei Astra etwa 205 $.

Der Abstand ist aus zwei Gründen kleiner als der Faktor 5 bei den Listenpreisen. Argon schrieb längere Antworten (401 gegenüber 218 Ausgabe-Tokens bei der Log-Aufgabe), und Google zählte dasselbe 43-KB-Log als mehr Eingabe-Tokens als OpenAI.

Fragen Sie zwei Minuten später erneut nach demselben Log, berechnen beide den größten Teil zum Cache-Preis. Unser zweiter Log-Lauf kostete etwa 0,011 $ bei Argon und etwa 0,033 $ bei Astra, rund 80 % weniger als der erste.

Eine OpenAI-Regel sollten Sie kennen: Bei GPT-6-Modellen berechnet der Standard-Cache-Modus Prompt-Tokens, die in den Cache geschrieben werden, mit dem 1,25-Fachen des Eingabepreises. Der erste Log-Aufruf kann daher etwa 0,25 $ statt 0,205 $ kosten.

Welches Modell sollten Sie wählen?

Nehmen Sie Argon für lange Dokumente, Logs und Volumen. Nehmen Sie Astra, wenn Antworten schnell beginnen müssen oder Ihre Agenten im Terminal oder am Rechner arbeiten.

Am 1. Dezember verdoppelt sich Argons Preis auf 4 $ und 20 $ pro Million Tokens, das sind weiterhin 40 % von Astras Listenpreis, die Wahl oben bleibt also. Beide mischen ist einfach, weil sie in derselben API mit einem Schlüssel laufen.

Eine einfache Aufteilung: Argon dort, wo eine falsche Zahl teuer wird, Astra dort, wo eine langsame Antwort teuer wird. Starten Sie mit Gemini 4 Argon auf OmniaKey und GPT-6 Astra auf OmniaKey.

Wie läuft derselbe Test mit einem einzigen API-Schlüssel?

Nutzen Sie das Python-SDK von OpenAI mit OmniaKey als Ziel und ändern Sie einen String, um das Modell zu wechseln. Wir haben diesen Code am 23. Oktober 2026 ausgeführt.

import os
import time

from openai import OpenAI

client = OpenAI(
    base_url="https://api.omniakey.com/v1",
    api_key=os.environ["OMNIAKEY_API_KEY"],
)

model = "gemini-4-argon"  # change to "gpt-6-astra" to compare
prompt = open("ticket-prompt.md").read()  # the support-ticket task from Test 3

start = time.perf_counter()
response = client.chat.completions.create(
    model=model,
    messages=[{"role": "user", "content": prompt}],
)
print(response.choices[0].message.content)
print(f"{time.perf_counter() - start:.1f} s", response.usage)

1. Legen Sie einen Schlüssel bei OmniaKey an und setzen Sie ihn als OMNIAKEY_API_KEY.
2. Installieren Sie das SDK: pip install openai.
3. Speichern Sie Ihren Prompt als ticket-prompt.md, zum Beispiel die Anweisungen aus Test 3 gefolgt von einem eigenen E-Mail-Verlauf.
4. Führen Sie das Skript aus. Es zeigt die Antwort, die Zeit und den Token-Verbrauch.
5. Ändern Sie model in "gpt-6-astra" und starten Sie es erneut.

Als wir dieses Skript mit dem Prompt aus Test 3 auf Argon laufen ließen, kam das korrekte JSON nach 7,1 Sekunden zurück, mit 634 Eingabe- und 152 Ausgabe-Tokens.

Häufige Fragen

Ist Gemini 4 Argon besser als GPT-6 Astra?

In unseren drei Aufgaben lag Argon jedes Mal richtig und kostete weniger, Astra war bei zwei Aufgaben schneller. Googles Tabelle führt Argon in sechs von zehn Zeilen vorn, Artificial Analysis bewertet beide mit 53 gleich.

Ist Gemini 4 Argon für alle verfügbar?

Seit dem 13. Oktober 2026 ist es in der kostenpflichtigen Gemini API verfügbar, in der kostenlosen Stufe nicht. Abonnenten von Google AI Ultra und Pro bekommen es außerdem in der Gemini-App.

Wie viel günstiger ist Gemini 4 Argon als GPT-6 Astra?

Bis zum 30. November liegt der Listenpreis bei einem Fünftel von Astra: 2 $ und 10 $ gegenüber 10 $ und 50 $ pro Million Tokens. In unseren Aufgaben kostete Astra 3,4- bis 4,9-mal so viel. Ab dem 1. Dezember liegt Argons Listenpreis bei 40 % von Astra (4 $ und 20 $ gegenüber 10 $ und 50 $).

Welches Modell ist besser zum Programmieren?

Beide behoben unseren Fehler und bestanden alle 12 verdeckten Tests. In Googles Tabelle führt Argon bei DeepSWE v1.1 (77,9 % gegenüber 74,1 %), während Astra bei FrontierSWE v2 (65,5 % gegenüber 55,0 %) und Terminal-bench 4.0 (58,2 % gegenüber 57,4 %) führt.

Denkt Gemini 4 Argon standardmäßig?

Ja, auf medium. Bei unseren drei Aufgaben meldete es 0 Denk-Tokens, verbrauchte aber 471 bei einem schwierigeren Zählpuzzle und löste es, es denkt also, wenn eine Aufgabe es verlangt.

Quellen

• Google: Ankündigung von Gemini 4 Argon (30. September 2026), Beitrag zur allgemeinen Verfügbarkeit (13. Oktober 2026), Changelog der Gemini API, Modellseite, Preise, Denkstufen, Modellkarte
• OpenAI: Ankündigung von GPT-6 Astra, Modellseite, Preise, Prompt-Caching, Changelog
• Artificial Analysis: Vergleichsseite

Alles am 23. Oktober 2026 geprüft.

Änderungsverlauf

• 23. Oktober 2026: Erstveröffentlichung. Tests am 23. Oktober über die OmniaKey API ausgeführt.