Tes koding Gemini 4 Argon: 8 tugas dan tes tersembunyi

Gemini 4 Argon dan Claude Opus 5.5 kami beri delapan tugas yang sama: satu panggilan per tugas dan tes tersembunyi yang tidak bisa dilihat kedua model. Di Python 3.14 keduanya lulus semua 105 pemeriksaan. Argon memakan 139.6 detik, Opus 5.5 hanya 57.2. Dengan harga daftar masing-masing penyedia, delapan tugas itu berbiaya $0.042 di Argon dan $0.112 di Opus 5.5.

Setiap tugas hanya dijalankan sekali, jadi bacalah sebagai perilaku di pemakaian sehari-hari. Soal ketepatan, keduanya imbang. Selisihnya ada di waktu, biaya, dan satu jawaban yang butuh Python lebih baru. Google menyebut Argon tersedia umum sejak 13 Oktober 2026, dan harga pengenalannya $2 per juta token masukan serta $10 per juta token keluaran berlaku sampai 30 November; mulai 1 Desember harga itu naik dua kali jadi $4 dan $20 (halaman harga Google, dicek 4 November 2026).

Cara kami menguji

Pada 4 November 2026 kami mengirim tiap tugas ke gemini-4-argon dan claude-opus-5-5: satu panggilan per tugas per model, tanpa system prompt dan tanpa pengaturan penalaran. Keduanya berjalan di tingkat bawaan: medium untuk Argon (dokumentasi thinking Google, dicek 4 November 2026) dan medium untuk Opus 5.5 (dokumentasi effort Anthropic, hari yang sama). Tiap tugas menghasilkan satu jawaban yang dinilai per model.

Waktu adalah latensi yang dilaporkan penyedia untuk setiap panggilan, dijumlahkan; proses penilaian kami tidak masuk hitungan. Biaya dihitung dari harga daftar penyedia dikali token yang dikembalikan API. OmniaKey juga menjual kedua model, jadi tes berjalan lewat OmniaKey dengan satu kunci; setiap harga di sini adalah tarif Google atau Anthropic.

Sebuah skrip mengambil blok kode dari tiap jawaban dan menjalankannya terhadap berkas unittest tersembunyi yang tidak pernah dilihat model, di proses Python terpisah dengan batas waktu. Putaran pertama memakai Python 3.9.6 bawaan sistem; sesudahnya kami menilai ulang jawaban tersimpan yang sama di Python 3.14.3, tanpa panggilan baru dan tanpa biaya tambahan.

Delapan tugas

Semuanya pekerjaan Python kecil yang muncul di hari biasa: satu perbaikan bug, dua kelas kecil, satu refactor, satu parser, satu pemformat durasi, satu asisten jadwal, dan satu pencarian graf. Tiap perintah menjelaskan perilaku yang diminta dengan prosa sederhana, dan tidak ada yang memuat tesnya.

Tugas 1: memperbaiki bug penggabungan interval

merge_intervals mengurutkan dan menggabungkan rentang, tetapi membiarkan pasangan yang bersentuhan tetap terpisah, seperti (1, 3) dan (3, 5). Satu perbandingan cukup.

• Gemini 4 Argon (5.6 dtk): 12 dari 12.
• Claude Opus 5.5 (2.9 dtk): 12 dari 12.

Putusan: imbang di pemeriksaan. Opus menjawab setengah waktu.

Tugas 2: pembatas laju dengan ember token

TokenBucket(rate_per_second, capacity) harus mengisi ulang terus-menerus, tetap di bawah kapasitas, dan menangani nilai now yang bergerak mundur.

• Gemini 4 Argon (6.6 dtk): 10 dari 10.
• Claude Opus 5.5 (4.8 dtk): 10 dari 10.

Putusan: imbang. Keduanya menangani jam yang mundur.

Tugas 3: cache LRU dengan penghitung kena dan luput

LRUCache menuntut urutan pembuangan, pembaruan di tempat, penghitung di stats(), dan daftar kunci dari yang paling lama dipakai ke yang terbaru.

• Gemini 4 Argon (7.1 dtk): 10 dari 10.
• Claude Opus 5.5 (4.1 dtk): 10 dari 10.

Putusan: imbang. Opus 3 dtk lebih cepat.

Tugas 4: refactor tanpa mengubah perilaku

Modulnya sudah berjalan. Jawaban harus mempertahankan slugify dan slug_counts serta berperilaku sama pada huruf Unicode, tanda baca, dan pemisah berulang.

• Gemini 4 Argon (15.9 dtk): 12 dari 12.
• Claude Opus 5.5 (8.7 dtk): 12 dari 12.

Putusan: imbang. Keduanya menjaga semua kasus yang dipatok.

Tugas 5: mengubah baris log jadi dict

Parser key=value dengan nilai dalam tanda kutip, kutip ter-escape, dan garis miring terbalik, cap waktu UTC, serta ValueError untuk kunci ganda, key= kosong, dan masukan ngawur.

• Gemini 4 Argon (16.1 dtk): 13 dari 13.
• Claude Opus 5.5 (10.9 dtk): 13 dari 13.

Putusan: imbang. Keduanya benar soal escape pada percobaan pertama.

Tugas 6: memformat dan mengurai durasi

format_duration dan parse_duration harus membulatkan setengah menjauhi nol, membuang bagian kosong (3601 jadi 1h1s), menolak bentuk tidak sah, dan bolak-balik dengan benar untuk setiap nilai. Hari tidak ditampilkan: 90000 jadi 25h.

• Gemini 4 Argon (60.9 dtk): 0 dari 14 di Python 3.9, 14 dari 14 di 3.14.
• Claude Opus 5.5 (14.0 dtk): 14 dari 14 di keduanya.

Putusan: imbang di 3.14. Di 3.9 jawaban Argon bahkan tidak bisa diimpor, dan bagian berikutnya menjelaskan sebabnya.

Tugas 7: slot kosong ruang rapat

free_slots harus memotong reservasi pada jam kerja, menggabungkan yang bersentuhan, membuang celah di bawah 15 menit, dan menolak masukan tidak sah.

• Gemini 4 Argon (18.9 dtk): 17 dari 17.
• Claude Opus 5.5 (5.0 dtk): 17 dari 17.

Putusan: imbang di pemeriksaan. Argon hampir empat kali lebih lama.

Tugas 8: jalur terpendek dengan pemecah seri

shortest_path menuntut Dijkstra dengan jalur terkecil menurut urutan leksikografis di antara jalur yang sama panjang, plus sisi paralel, loop, dan kasus tanpa jalur.

• Gemini 4 Argon (8.5 dtk): 17 dari 17.
• Claude Opus 5.5 (6.8 dtk): 17 dari 17.

Putusan: imbang. Yang paling ketat dari delapan.

Hasil: pemeriksaan, waktu, dan biaya

Di Python 3.14 kedua model lulus semua 105 pemeriksaan. Di Python 3.9.6 Argon lulus 91, karena satu jawaban tidak bisa diimpor.

Opus 5.5 menjawab lebih cepat di semua tugas. Selisih terkecil ada di tugas graf (8.5 dtk lawan 6.8 dtk), terbesar di durasi (60.9 dtk lawan 14.0 dtk).

Dengan harga daftar, delapan tugas berbiaya $0.042 di Argon dan $0.112 di Opus 5.5, sekitar 2.7 kali lipat. Jawaban Argon memakai 3,346 token masukan dan 3,525 token keluaran; jawaban Opus 5.5 memakai 4,419 dan 4,692. Kedua API melaporkan 0 token berpikir di setiap panggilan, jadi penalaran tidak menambah tagihan.

Harga daftar Google adalah $2 per juta token masukan dan $10 per juta token keluaran sampai 30 November 2026, lalu $4 dan $20 (harga Gemini API, dicek 4 November 2026). Harga daftar Anthropic untuk Opus 5.5 adalah $4 dan $20 (harga Anthropic, hari yang sama). Mulai 1 Desember token yang sama dua kali lebih mahal di Argon, sehingga jarak keduanya menyempit. Tarif kedua model ada di halaman harga.

Delapan tugas tidak memisahkan dua model terdepan soal kualitas. Pilih berdasarkan kecepatan, harga, dan versi Python tempat tes Anda berjalan.

Kata pengguna

Perpecahan juga muncul di komentar publik. Di Hacker News, 31 Oktober, A_D_E_P_T menulis: “Gemini 4-Argon is very good at coding. I prefer Opus 5.5 -- in large part because I've grown accustomed to Claude Code -- but Argon is undeniably strong.” Pada 28 Oktober, seizethecheese menulis soal agen koding lokal: “Argon is really bad. Literally the worst model in our initial ranking”, dengan Opus 5.5 di puncak. Pada 13 Oktober, ariwilson melaporkan Argon “solved 10 of 11” perbaikan bug kecil di proyeknya sendiri.

Itu pendapat pengguna tentang lingkungan mereka sendiri, bukan tes terkontrol. Komentar negatifnya datang dari orang yang menguji rangkaian agen, bukan panggilan API langsung seperti milik kami.

Satu-satunya kegagalan: Python 3.9 tidak bisa mengimpor jawaban Argon

Jawaban durasi dari Argon menambahkan anotasi tipe float | int | Decimal pada fungsi bantu. Python 3.9 tidak bisa mengevaluasinya saat impor, jadi modul melempar TypeError: unsupported operand type(s) for |: 'type' and 'type' dan ke-14 tes gagal sebelum berjalan.

Logikanya benar. Berkas yang sama terimpor dan lulus 14 dari 14 di Python 3.14.3. Sintaks gabungan seperti itu butuh Python 3.10 ke atas.

Skornya bergantung pada penerjemah: di Python 3.9.6 bawaan sistem, Argon menyelesaikan 91 dari 105 pemeriksaan dan Opus 5.5 menyelesaikan 105. Di 3.14 keduanya menyelesaikan 105.

Kalau citra server atau mesin CI masih membawa 3.9, jebakannya ada di situ. Dua kebiasaan menutupnya: sebutkan versi Python di perintah, dan nilai di versi tertua yang Anda dukung. Untuk target 3.9, minta Union[float, int] atau from __future__ import annotations di awal berkas.

Kata benchmark Google sendiri

Kartu model Argon (dicek 4 November 2026) mencantumkan lima tes dari bagian koding dan keamanan beserta angka Opus 5.5. Argon unggul di tiga dan tertinggal di dua.

Angka itu berasal dari Oktober 2026; kolom Notes kosong di baris tersebut, jadi tingkat thinking, rangkaian uji, dan jumlah percobaan tidak dicantumkan. Tesnya juga jauh lebih berbau agen daripada fungsi kecil kami.

Pengumuman Google pada 13 Oktober menempatkan Argon di puncak Vals Index, yang mencakup koding, dan melaporkan kenaikan lebih dari 35% pengiriman kode oleh agen di dalam Antigravity. Kedua angka itu milik Google sendiri.

Perbandingan tiga tugas kami dengan GPT-6 Astra pada 23 Oktober menunjukkan Argon lulus 12 tes tersembunyi pada perbaikan bug penagihan. Argon lulus semua pemeriksaan di sana dan di tugas 1 di sini, dan tidak ada hasil baru yang membantahnya.

Cara menjalankan tes yang sama sendiri

Satu berkas perintah per tugas, dikirim apa adanya ke kedua model, sudah cukup sebagai persiapan. Kami memakai endpoint https://api.omniakey.com/v1; kedua model punya halaman di Gemini 4 Argon dan Claude Opus 5.5.

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.omniakey.com/v1",
    api_key=os.environ["OMNIAKEY_API_KEY"],
)
prompt = open("task6-duration.md").read()

for model in ("gemini-4-argon", "claude-opus-5-5"):
    reply = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        max_tokens=8000,
    )
    open(f"{model}.md", "w").write(reply.choices[0].message.content)

1. Simpan tiap tugas di berkas perintah sendiri dan kirim apa adanya, tanpa system prompt, supaya kedua model menerima kata yang sama.
2. Kirim tiap perintah sekali per model di tingkat thinking bawaan, lalu catat ID model, waktu, dan token.
3. Potong blok kode dari tiap jawaban dan simpan sebagai modul yang diimpor tes Anda.
4. Jalankan tes tersembunyi di proses terpisah dengan batas waktu dan cetak jumlah lulus di samping total.
5. Ulangi penilaian di Python tertua yang Anda dukung. Satu-satunya kesalahan Argon muncul di putaran 3.9.
6. Hitung biaya dari token yang dikembalikan dan harga daftar penyedia.

Pertanyaan umum

Apakah Gemini 4 Argon bagus untuk koding?

Di delapan tugas kami, ia lulus semua 105 tes tersembunyi di Python 3.14, sama seperti Opus 5.5. Di tabel Google, Argon unggul di tiga dari lima baris dan tertinggal di dua.

Berapa biaya koding dengan Gemini 4 Argon?

Google menagih $2 per juta token masukan dan $10 per juta token keluaran sampai 30 November 2026, lalu $4 dan $20. Delapan tugas kami berbiaya $0.042 di harga pengenalan. Opus 5.5 berbiaya $0.112 dengan harga Anthropic $4 dan $20.

Apakah Gemini 4 Argon lebih cepat dari Claude Opus 5.5?

Tidak. Opus 5.5 lebih cepat di delapan tugas: total 57.2 detik lawan 139.6 detik Argon. Selisih terbesar di tugas durasi, 14.0 detik lawan 60.9.

Kenapa Argon gagal di satu tugas?

Logikanya tidak gagal. Jawaban durasinya memakai anotasi float | int | Decimal, yang tidak bisa dievaluasi Python 3.9 saat impor, jadi ke-14 tes gagal sebelum berjalan. Berkas yang sama lulus 14 dari 14 di Python 3.14.

Sumber

• Halaman model Gemini 4 Argon
• Harga Gemini API
• Tingkat thinking Gemini API
• Kartu model Gemini 4 Argon
• Pengumuman Gemini 4 Argon
• Gemini 4 Argon di Vertex AI
• Harga Anthropic API
• Ikhtisar Claude Opus 5.5
• Pengaturan effort Anthropic

Semua dicek 4 November 2026.

Riwayat pembaruan

• 4 November 2026: terbit pertama. Tes dijalankan 4 November, dinilai di Python 3.9.6 lalu di 3.14.3.