Gemini 4 Argon vs GPT-6 Astra: precio, velocidad y precisión en las mismas tareas

El 23 de octubre de 2026 dimos a Gemini 4 Argon y a GPT-6 Astra los mismos tres trabajos: corregir un error de facturación, responder preguntas sobre un registro de 306 líneas y convertir un hilo de correo en JSON. Argon acertó todas las respuestas. Astra fue más rápido en dos trabajos, pero costó entre 3,4 y 4,9 veces más por trabajo y contó mal los errores del registro las dos veces.

Los dos están disponibles en la API. El precio de lanzamiento de Argon termina el 30 de noviembre. Desde el 1 de diciembre se duplica, y Astra seguirá costando unas dos veces más por trabajo.

Los precios de lista son por millón de tokens, y los de Argon son de lanzamiento hasta el 30 de noviembre. Los dos están en OmniaKey: Gemini 4 Argon y GPT-6 Astra.

¿Se pueden usar Gemini 4 Argon y GPT-6 Astra hoy?

Sí. Argon está disponible en la API de pago de Gemini desde el 13 de octubre de 2026, y Astra en la API de OpenAI desde el 3 de septiembre.

Algunas páginas de la semana del lanzamiento todavía dicen que Argon no se puede usar. Cuando Google lo anunció el 30 de septiembre, abrió el modelo solo a defensores informáticos de confianza de su programa Fairwind. Eso cambió el 13 de octubre.

Ninguno de los dos está en el nivel gratuito de su proveedor. Argon también llega a los suscriptores de Google AI Ultra y Pro en la app Gemini.

La ventana de Argon se comparte entre entrada, razonamiento y salida, y su modo "long decode" eleva la salida hasta 1.048.576 tokens. Argon acepta texto, imágenes, vídeo, audio y PDF. Astra acepta texto e imágenes.

Los niveles de razonamiento de Astra son low, medium, high, xhigh y max, sin un nivel "none". En OpenAI, las llamadas a herramientas requieren la API Responses.

Con OmniaKey llamas a los dos con una sola clave en https://api.omniakey.com/v1, usando los ID de arriba. Las tarifas están en la página de Gemini 4 Argon y en la página de GPT-6 Astra.

Cómo lo probamos

• Modelos: Gemini 4 Argon (gemini-4-argon) y GPT-6 Astra (gpt-6-astra).
• 23 de octubre de 2026, con la API Chat Completions compatible con OpenAI de OmniaKey, en streaming y sin tocar el razonamiento, así que cada modelo usó su valor por defecto. Google documenta medium como el nivel de pensamiento por defecto de Argon.
• El mismo prompt para los dos. La corrección del error y el trabajo del registro se ejecutaron dos veces por modelo, y el de JSON una vez: 10 respuestas en total.
• El tiempo va del envío de la petición al último token, medido en nuestro lado e incluyendo la red.
• Puntuado con scripts, no con gustos. Cada corrección se ejecutó contra 12 pruebas que los modelos nunca vieron, en un proceso de Python aislado. Las respuestas del registro se compararon con la clave del script que generó el registro, y el JSON campo por campo con su propia clave. La única pregunta abierta, la causa probable del registro, la juzgamos leyendo.
• Coste: los tokens de nuestro prompt y de la respuesta, multiplicados por el precio de lista estándar de cada proveedor, en la primera ejecución (sin caché).
• OmniaKey vende acceso a la API de los dos modelos, así que ejecutamos las pruebas con OmniaKey. Todos los precios de aquí son la tarifa de Google o de OpenAI, no la nuestra.
• Los precios, límites y fechas vienen de las páginas de Google y OpenAI que aparecen en Fuentes, consultadas el 23 de octubre de 2026.

Son una o dos ejecuciones por trabajo, así que lee los resultados como ejemplos del comportamiento de cada modelo, no como un benchmark.

¿Qué pasó cuando les dimos las mismas tres tareas?

Los dos corrigieron el error y rellenaron el JSON correctamente. El registro largo los separó, y Astra fue más rápido en dos de los tres trabajos.

Prueba 1: corregir un error de facturación en Python

¿Corrige el modelo todas las reglas rotas de un archivo pequeño, y no solo las tres pruebas que fallan?

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.

Debajo pegamos el billing.py de 34 líneas, sus cuatro pruebas y la salida: 3 fallos y 1 aprobada. El archivo tenía cuatro errores.

1. round() redondea al par más cercano donde las reglas piden redondeo hacia arriba.
2. Los descuentos por volumen empezaban en 11 y 51 unidades en vez de 10 y 50.
3. El cupón se aplicaba después de los impuestos.
4. Nadie comprobaba que el cupón estuviera entre 0 y 100.

Puntuamos cada corrección con 12 pruebas que los modelos nunca vieron.

• Gemini 4 Argon (10,8 s, 10,6 s): las dos correcciones pasaron 12 de 12. Las dos usaron el módulo decimal de Python con redondeo hacia arriba. La primera lleva una anotación de tipo (float | Decimal) que necesita Python 3.10 o posterior.
• GPT-6 Astra (17,3 s, 6,4 s): las dos correcciones pasaron 12 de 12. La primera usó fracciones exactas y fue la única respuesta de Astra que informó de tokens de razonamiento (185). También fue la respuesta más lenta de esta prueba.

Después de puntuar, probamos tres casos extra en las cuatro correcciones. La segunda de Astra se desvió un céntimo en dos: redondea el precio después del cupón en vez del cupón. Un cupón del 50% en un pedido de 1.001 céntimos descontó 500 céntimos, no 501.

Veredicto: empate en nuestras pruebas. Los dos modelos corrigieron los cuatro errores. Las dos respuestas de Argon también resolvieron todos los casos extra, y cada una costó menos de un céntimo frente a 3 o 5 céntimos de Astra.

Prueba 2: encontrar la causa en un registro de 306 líneas

¿Sabe contar, buscar y razonar a lo largo de un texto largo sin fallar?

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.

Debajo de las preguntas pegamos 306 líneas (43 KB) de un registro de pasarela inventado que cubre 20 minutos. Tenía trampas: un ID de usuario con dos dígitos cambiados (u_4417), un escáner que pedía páginas inexistentes y una búsqueda lenta (9.214 ms) que se quedaba a poco de la más lenta (9.871 ms). Un script generó el registro y la clave de respuestas.

• Gemini 4 Argon (9,5 s, 10,0 s): 5 de 5 en las dos ejecuciones, incluido el recuento de 14 errores, todos de payments-1. Su causa: ese proveedor fallaba rápido (2–9 ms, respuestas idénticas de 162 bytes) de 14:07:12 a 14:09:55 mientras payments-2 seguía sano.
• GPT-6 Astra (5,7 s, 5,4 s): 4 de 5 en las dos ejecuciones. Contó 16 errores y luego 15. Eran 14. Todo lo demás estaba bien, incluida la misma causa.

Veredicto: Argon. Un recuento equivocado en un registro es el tipo de fallo que solo se detecta si lo compruebas, y Astra lo cometió en las dos ejecuciones. Astra respondió en la mitad del tiempo.

Si usas cualquiera de los dos con registros, pide las líneas que coinciden junto al recuento, y comprobarás la cifra en segundos.

Prueba 3: convertir un hilo de correo en JSON

¿Extrae el modelo campos exactos de un texto desordenado y respeta un formato estricto?

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.

El hilo tenía dos correos de la misma persona. El lunes, desde una dirección de trabajo, pedía dos lámparas de repuesto.

El miércoles, desde una dirección personal, cambió de idea: reembolso de dos lámparas y un cargador, $157,50 en total, para "este viernes", o disputaría el cargo con su banco. El hilo también menciona un pedido antiguo sin problemas.

• Gemini 4 Argon (6,8 s): los siete campos correctos, en un JSON válido y sin nada extra: un reembolso de 15.750 céntimos, la dirección personal, los dos artículos y "este viernes" resuelto como 2026-10-16.
• GPT-6 Astra (3,9 s): lo mismo, campo por campo.

Veredicto: empate en precisión. Astra respondió en la mitad del tiempo. Argon costó $0,003 frente a $0,013.

En velocidad, Astra empieza a responder antes. Su primer token llegó en 3,1 a 3,8 segundos en todas las respuestas menos la que razonó (9,4 s). El primero de Argon tardó 5,1 a 6,8 segundos, incluso con el prompt corto de JSON, y en las cinco respuestas informó de 0 tokens de pensamiento.

Si las respuestas tienen que empezar rápido, Astra lleva ventaja. Si un recuento o una búsqueda tienen que ser exactos, Argon lo hizo mejor aquí.

¿Qué dicen los benchmarks publicados?

En la tabla del propio Google, Argon gana seis de diez filas y Astra tres, con un empate. Artificial Analysis, un sitio independiente de benchmarks, los puntúa igual.

Estos son los números de Google de la ficha del modelo Gemini 4 Argon, con resultados de octubre de 2026.

Las victorias de Astra están en las filas de agentes: FrontierSWE v2 (65,5% frente a 55,0%), Terminal-bench 4.0 y OSWorld-2.0, que prueban código en una terminal y el uso del ordenador. Las mayores ventajas de Argon están en el trabajo de conocimiento: la prueba de agentes legales de Harvey (19,6% frente a 5,4%), AutomationBench y el Vals Index.

Artificial Analysis da 53 a los dos en su Intelligence Index, pero ejecutó Argon con razonamiento high y Astra con max. Con esos ajustes, Argon escribió el doble de tokens de salida por tarea (36k frente a 17k) y aun así costó menos por tarea ($1,99 frente a $3,26). También midió a Argon generando más rápido al arrancar: 82 frente a 56 tokens por segundo.

OpenAI informa de 98% en FrontierMath Tier 4 y 99,9% en ARC-AGI-3 para Astra. La tabla de Google no incluye esas pruebas, así que no hay una cifra de Argon para poner al lado.

Para agentes de terminal y uso del ordenador, incluso los números de Google favorecen a Astra. Para trabajo de conocimiento con muchos documentos, favorecen a Argon.

¿Cuánto cuesta cada uno por tarea?

A precio de lista, Astra costó entre 3,4 y 4,9 veces más por trabajo que Argon en nuestras ejecuciones. Cuando el precio de Argon se duplique el 1 de diciembre, Astra seguirá costando entre 1,7 y 2,4 veces más.

Estos precios vienen de la página de precios de la API de Gemini de Google y de la página del modelo GPT-6 Astra de OpenAI, consultadas el 23 de octubre de 2026.

Batch y Flex cuestan la mitad en los dos. En Astra, los prompts de más de 272K tokens de entrada cuestan 2x en entrada y caché y 1,5x en salida sobre toda la petición. La página de precios de Google no lista recargo por prompts largos en Argon.

Para hacerse una idea: 1.000 trabajos de registro como el nuestro salen por unos $60 en Argon hasta el 30 de noviembre, unos $120 desde el 1 de diciembre y unos $205 en Astra.

La diferencia es menor que el 5x de los precios de lista por dos razones. Argon escribió respuestas más largas (401 frente a 218 tokens de salida en el trabajo del registro), y Google contó el mismo registro de 43 KB como más tokens de entrada que OpenAI.

Si vuelves a preguntar por el mismo registro dos minutos después, los dos cobran la mayor parte a precio de caché. Nuestra segunda ejecución del registro costó unos $0,011 en Argon y unos $0,033 en Astra, un 80% menos que la primera.

Una regla de OpenAI que conviene saber: en los modelos GPT-6, el modo de caché por defecto cobra los tokens de prompt escritos en la caché a 1,25 veces la tarifa de entrada. Así, la primera llamada del registro puede costar unos $0,25 en vez de $0,205.

¿Cuál deberías elegir?

Elige Argon para documentos largos, registros y volumen. Elige Astra cuando las respuestas deban empezar rápido o cuando tus agentes trabajen en una terminal o en un ordenador.

El 1 de diciembre el precio de Argon se duplica a $4 y $20 por millón de tokens, que sigue siendo el 40% del precio de lista de Astra, así que la elección de arriba se mantiene. Mezclarlos es fácil, porque los dos funcionan en la misma API con una clave.

Un reparto sencillo: usa Argon donde un número equivocado sale caro, y Astra donde una respuesta lenta sale caro. Empieza por Gemini 4 Argon en OmniaKey y GPT-6 Astra en OmniaKey.

¿Cómo ejecutar la misma prueba con una sola clave de API?

Usa el SDK de Python de OpenAI apuntando a OmniaKey y cambia una cadena para pasar de un modelo al otro. Ejecutamos este código el 23 de octubre de 2026.

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. Crea una clave en OmniaKey y guárdala en OMNIAKEY_API_KEY.
2. Instala el SDK: pip install openai.
3. Guarda tu prompt como ticket-prompt.md, por ejemplo las instrucciones de la prueba 3 seguidas de un hilo de correo tuyo.
4. Ejecuta el script. Imprime la respuesta, el tiempo y el uso de tokens.
5. Cambia model a "gpt-6-astra" y vuelve a ejecutarlo.

Cuando ejecutamos este script con Argon y el prompt de la prueba 3, devolvió el JSON correcto en 7,1 segundos, con 634 tokens de entrada y 152 de salida.

Preguntas frecuentes

¿Es mejor Gemini 4 Argon que GPT-6 Astra?

En nuestros tres trabajos Argon acertó siempre y costó menos, y Astra fue más rápido en dos. La tabla de Google pone a Argon por delante en seis de diez filas, y Artificial Analysis los puntúa igual, con 53.

¿Está Gemini 4 Argon disponible para todos?

Está en la API de pago de Gemini desde el 13 de octubre de 2026, pero no en el nivel gratuito. Los suscriptores de Google AI Ultra y Pro también lo tienen en la app Gemini.

¿Cuánto más barato es Gemini 4 Argon que GPT-6 Astra?

Hasta el 30 de noviembre su precio de lista es la quinta parte del de Astra: $2 y $10 frente a $10 y $50 por millón de tokens. En nuestros trabajos Astra costó entre 3,4 y 4,9 veces más. Desde el 1 de diciembre el precio de lista de Argon es el 40% del de Astra ($4 y $20 frente a $10 y $50).

¿Cuál es mejor para programar?

Los dos corrigieron nuestro error y pasaron las 12 pruebas ocultas. En la tabla de Google, Argon lidera DeepSWE v1.1 (77,9% frente a 74,1%), mientras Astra lidera FrontierSWE v2 (65,5% frente a 55,0%) y Terminal-bench 4.0 (58,2% frente a 57,4%).

¿Gemini 4 Argon piensa por defecto?

Sí, en medium. Informó de 0 tokens de pensamiento en nuestros tres trabajos, pero gastó 471 en un puzle de conteo más difícil y lo resolvió, así que piensa cuando la tarea lo pide.

Fuentes

• Google: anuncio de Gemini 4 Argon (30 de septiembre de 2026), nota de disponibilidad general (13 de octubre de 2026), registro de cambios de la API de Gemini, página del modelo, precios, niveles de pensamiento, ficha del modelo
• OpenAI: anuncio de GPT-6 Astra, página del modelo, precios, caché de prompts, registro de cambios
• Artificial Analysis: página de comparación

Todo consultado el 23 de octubre de 2026.

Registro de cambios

• 23 de octubre de 2026: primera publicación. Pruebas ejecutadas el 23 de octubre con la API de OmniaKey.