Gemini 4 Argon vs GPT-6 Astra: perbandingan kecepatan, biaya API, dan akurasi

Pada 23 Oktober 2026 kami memberi Gemini 4 Argon dan GPT-6 Astra tiga tugas yang sama: memperbaiki bug penagihan, menjawab pertanyaan tentang log 306 baris, dan mengubah utas email menjadi JSON. Argon benar di semua jawaban. Astra lebih cepat pada dua tugas, tetapi biayanya 3,4 sampai 4,9 kali lebih mahal per tugas dan salah menghitung jumlah error di log dua kali.

Keduanya kini tersedia di API. Harga perkenalan Argon berakhir 30 November. Mulai 1 Desember harganya dua kali lipat, dan Astra tetap sekitar dua kali lebih mahal per tugas.

Harga daftar berlaku per juta token, dan harga Argon adalah harga perkenalan sampai 30 November. Keduanya ada di OmniaKey: Gemini 4 Argon dan GPT-6 Astra.

Apakah Gemini 4 Argon dan GPT-6 Astra sudah bisa dipakai hari ini?

Bisa. Argon tersedia di API Gemini berbayar sejak 13 Oktober 2026, dan Astra di API OpenAI sejak 3 September.

Beberapa halaman dari minggu peluncuran masih menulis bahwa Argon belum bisa dipakai. Saat Google mengumumkannya pada 30 September, akses dibuka hanya untuk pembela siber tepercaya di program Fairwind. Itu berubah pada 13 Oktober.

Keduanya tidak ada di tingkat API gratis milik penyedianya. Argon juga tersedia bagi pelanggan Google AI Ultra dan Pro di aplikasi Gemini.

Jendela Argon dipakai bersama oleh input, penalaran, dan output, dan mode "long decode" menaikkan output hingga 1.048.576 token. Argon menerima teks, gambar, video, audio, dan PDF. Astra menerima teks dan gambar.

Tingkat penalaran Astra adalah low, medium, high, xhigh, dan max, tanpa "none". Di OpenAI, pemanggilan alat memerlukan API Responses.

Lewat OmniaKey Anda memanggil keduanya dengan satu kunci di https://api.omniakey.com/v1, memakai ID model di atas. Tarifnya ada di halaman Gemini 4 Argon dan halaman GPT-6 Astra.

Cara kami menguji

• Model: Gemini 4 Argon (gemini-4-argon) dan GPT-6 Astra (gpt-6-astra).
• 23 Oktober 2026, lewat API Chat Completions yang kompatibel dengan OpenAI dari OmniaKey, dengan streaming dan tanpa pengaturan penalaran, jadi setiap model memakai nilai bawaannya. Google mencatat medium sebagai tingkat berpikir bawaan Argon.
• Prompt yang sama untuk kedua model. Perbaikan bug dan tugas log dijalankan dua kali per model, tugas JSON satu kali: 10 jawaban seluruhnya.
• Waktu dihitung dari pengiriman permintaan sampai token terakhir, diukur di sisi kami dan termasuk jaringan.
• Penilaian memakai skrip, bukan selera. Setiap perbaikan diuji dengan 12 tes yang tidak pernah dilihat model, di proses Python terpisah. Jawaban log dicocokkan dengan kunci jawaban dari skrip yang membuat log, dan JSON dicocokkan per field dengan kuncinya sendiri. Satu-satunya pertanyaan terbuka, kemungkinan penyebab di log, kami nilai dengan membaca.
• Biaya: token dari prompt dan jawaban kami, dikalikan harga daftar standar tiap penyedia, pada percobaan pertama (belum ada cache).
• OmniaKey menjual akses API ke kedua model, jadi pengujian berjalan lewat OmniaKey. Semua harga di sini adalah tarif Google atau OpenAI, bukan tarif kami.
• Harga, batas, dan tanggal berasal dari halaman Google dan OpenAI di bagian Sumber, diperiksa pada 23 Oktober 2026.

Percobaannya satu atau dua kali per tugas, jadi baca hasilnya sebagai contoh perilaku tiap model, bukan sebagai benchmark.

Apa yang terjadi saat diberi tiga tugas yang sama?

Keduanya memperbaiki bug dan mengisi JSON dengan benar. Log panjang yang memisahkan keduanya, dan Astra lebih cepat pada dua dari tiga tugas.

Tes 1: memperbaiki bug penagihan di Python

Apakah model memperbaiki semua aturan yang rusak di file kecil, bukan hanya tiga tes yang gagal?

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.

Di bawahnya kami tempel billing.py berisi 34 baris, empat tesnya, dan output tes: 3 gagal, 1 lulus. File itu punya empat bug.

1. round() membulatkan ke angka genap terdekat, padahal aturannya minta pembulatan ke atas.
2. Diskon volume mulai di 11 dan 51 unit, bukan 10 dan 50.
3. Kupon diterapkan setelah pajak.
4. Tidak ada pemeriksaan bahwa kupon berada di antara 0 dan 100.

Setiap perbaikan kami nilai dengan 12 tes yang tidak pernah dilihat model.

• Gemini 4 Argon (10,8 detik, 10,6 detik): kedua perbaikan lulus 12 dari 12. Keduanya memakai modul decimal Python dengan pembulatan ke atas. Yang pertama memakai petunjuk tipe (float | Decimal) yang butuh Python 3.10 atau lebih baru.
• GPT-6 Astra (17,3 detik, 6,4 detik): kedua perbaikan lulus 12 dari 12. Yang pertama memakai pecahan eksak dan menjadi satu-satunya jawaban Astra yang melaporkan token penalaran (185). Jawaban itu juga yang paling lambat di tes ini.

Setelah penilaian, kami mencoba tiga kasus tepi tambahan pada keempat perbaikan. Perbaikan kedua Astra meleset satu sen di dua kasus: ia membulatkan harga setelah kupon, bukan kuponnya. Kupon 50% pada pesanan 1.001 sen memotong 500 sen, bukan 501.

Putusan: imbang di tes kami. Kedua model memperbaiki keempat bug. Kedua jawaban Argon juga lolos semua kasus tambahan, dan masing-masing berbiaya di bawah satu sen dibanding 3 sampai 5 sen pada Astra.

Tes 2: menemukan penyebab di log 306 baris

Apakah model bisa menghitung, mencari, dan menalar di sepanjang teks panjang tanpa meleset?

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.

Di bawah pertanyaan kami tempel 306 baris (43 KB) log gateway buatan yang mencakup 20 menit. Ada jebakannya: ID pengguna dengan dua digit tertukar (u_4417), pemindai yang menabrak halaman tidak ada, dan permintaan pencarian lambat (9.214 ms) yang sedikit di bawah yang paling lambat (9.871 ms). Sebuah skrip membuat log dan kunci jawabannya.

• Gemini 4 Argon (9,5 detik, 10,0 detik): 5 dari 5 di kedua percobaan, termasuk hitungan 14 error, semuanya dari payments-1. Penyebabnya: layanan itu gagal cepat (2–9 ms, balasan identik 162 byte) dari 14:07:12 sampai 14:09:55, sementara payments-2 tetap sehat.
• GPT-6 Astra (5,7 detik, 5,4 detik): 4 dari 5 di kedua percobaan. Ia menghitung 16 error, lalu 15. Yang benar 14. Sisanya benar semua, termasuk penyebab yang sama.

Putusan: Argon. Hitungan yang salah di log adalah jenis kesalahan yang baru ketahuan kalau diperiksa, dan Astra melakukannya di kedua percobaan. Astra menjawab dalam sekitar setengah waktu.

Kalau Anda memakai salah satu model untuk log, minta baris yang cocok bersama hitungannya, maka angkanya bisa Anda periksa dalam hitungan detik.

Tes 3: mengubah utas email menjadi JSON

Apakah model bisa mengambil field yang tepat dari teks berantakan dan mengikuti format yang ketat?

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.

Utas itu berisi dua email dari pelanggan yang sama. Pada Senin, dari alamat kantor, ia meminta dua lampu pengganti.

Pada Rabu, dari alamat pribadi, ia berubah pikiran: minta pengembalian dana untuk dua lampu dan satu pengisi daya, total $157,50, sebelum "Jumat ini", kalau tidak ia akan membantah tagihan ke bank. Utas itu juga menyebut pesanan lama yang tidak bermasalah.

• Gemini 4 Argon (6,8 detik): ketujuh field benar, dalam JSON valid tanpa tambahan: pengembalian 15.750 sen, alamat pribadi, kedua barang, dan "Jumat ini" diselesaikan menjadi 2026-10-16.
• GPT-6 Astra (3,9 detik): sama, field demi field.

Putusan: imbang dalam akurasi. Astra menjawab dalam sekitar setengah waktu. Argon berbiaya $0,003 dibanding $0,013.

Soal kecepatan, Astra mulai menjawab lebih awal. Token pertamanya datang dalam 3,1 sampai 3,8 detik di semua jawaban kecuali yang menalar (9,4 detik). Token pertama Argon butuh 5,1 sampai 6,8 detik, bahkan untuk prompt JSON yang pendek, dan ia melaporkan 0 token berpikir di kelima jawaban.

Jadi kalau jawaban harus mulai cepat, Astra unggul. Kalau hitungan atau pencarian harus tepat, Argon lebih baik di sini.

Apa kata benchmark yang dipublikasikan?

Di tabel Google sendiri, Argon memimpin enam dari sepuluh baris dan Astra tiga, dengan satu imbang. Artificial Analysis, situs benchmark independen, menilai keduanya setara.

Ini angka Google dari kartu model Gemini 4 Argon, hasil per Oktober 2026.

Kemenangan Astra ada di baris agen: FrontierSWE v2 (65,5% vs 55,0%), Terminal-bench 4.0, dan OSWorld-2.0, yang menguji coding di terminal dan pemakaian komputer. Keunggulan terbesar Argon ada di kerja pengetahuan: tes agen hukum Harvey (19,6% vs 5,4%), AutomationBench, dan Vals Index.

Artificial Analysis memberi keduanya 53 di Intelligence Index, tetapi menjalankan Argon pada penalaran high dan Astra pada max. Dengan pengaturan itu Argon menulis sekitar dua kali lebih banyak token output per tugas (36k vs 17k) dan tetap lebih murah per tugas ($1,99 vs $3,26). Situs itu juga mengukur Argon menghasilkan lebih cepat setelah mulai: 82 vs 56 token per detik.

OpenAI melaporkan 98% pada FrontierMath Tier 4 dan 99,9% pada ARC-AGI-3 untuk Astra. Tabel Google tidak memuat tes itu, jadi tidak ada angka Argon untuk diletakkan di sebelahnya.

Untuk agen terminal dan pemakaian komputer, bahkan angka Google lebih mendukung Astra. Untuk kerja pengetahuan yang padat dokumen, angkanya mendukung Argon.

Berapa biaya per tugas masing-masing?

Pada harga daftar, Astra berbiaya 3,4 sampai 4,9 kali lebih mahal per tugas daripada Argon dalam percobaan kami. Saat harga Argon dua kali lipat pada 1 Desember, Astra tetap 1,7 sampai 2,4 kali lebih mahal.

Harga ini berasal dari halaman harga API Gemini Google dan halaman model GPT-6 Astra OpenAI, diperiksa pada 23 Oktober 2026.

Batch dan Flex berharga setengah di keduanya. Di Astra, prompt dengan lebih dari 272K token input berbiaya 2x untuk input dan cache serta 1,5x untuk output pada seluruh permintaan. Halaman harga Google tidak mencantumkan biaya tambahan prompt panjang untuk Argon.

Sebagai gambaran: 1.000 tugas log seperti milik kami berbiaya sekitar $60 di Argon sampai 30 November, sekitar $120 mulai 1 Desember, dan sekitar $205 di Astra.

Selisihnya lebih kecil daripada selisih 5x pada harga daftar karena dua alasan. Argon menulis jawaban lebih panjang (401 vs 218 token output pada tugas log), dan Google menghitung log 43 KB yang sama sebagai lebih banyak token input daripada OpenAI.

Tanyakan log yang sama lagi dua menit kemudian dan keduanya menagih sebagian besar dengan tarif cache. Percobaan log kedua kami berbiaya sekitar $0,011 di Argon dan sekitar $0,033 di Astra, sekitar 80% lebih murah daripada yang pertama.

Satu aturan OpenAI yang perlu diketahui: pada model GPT-6, mode cache bawaan menagih token prompt yang ditulis ke cache sebesar 1,25 kali tarif input. Jadi panggilan log pertama bisa berbiaya sekitar $0,25, bukan $0,205.

Mana yang sebaiknya dipilih?

Pilih Argon untuk dokumen panjang, log, dan volume besar. Pilih Astra saat jawaban harus mulai cepat atau saat agen Anda bekerja di terminal atau di komputer.

Pada 1 Desember harga Argon naik dua kali lipat menjadi $4 dan $20 per juta token, yang masih 40% dari harga daftar Astra, jadi pilihan di atas tetap berlaku. Menggabungkan keduanya mudah, karena keduanya berjalan di API yang sama dengan satu kunci.

Pembagian sederhana: pakai Argon saat angka yang salah mahal, dan Astra saat jawaban yang lambat mahal. Mulai dari Gemini 4 Argon di OmniaKey dan GPT-6 Astra di OmniaKey.

Bagaimana menjalankan tes yang sama dengan satu kunci API?

Pakai SDK Python OpenAI yang diarahkan ke OmniaKey dan ubah satu string untuk berganti model. Kode ini kami jalankan pada 23 Oktober 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. Buat kunci di OmniaKey dan setel sebagai OMNIAKEY_API_KEY.
2. Pasang SDK: pip install openai.
3. Simpan prompt Anda sebagai ticket-prompt.md, misalnya instruksi tes 3 diikuti satu utas email Anda sendiri.
4. Jalankan skrip. Ia mencetak jawaban, waktu, dan pemakaian token.
5. Ubah model menjadi "gpt-6-astra" dan jalankan lagi.

Saat kami menjalankan skrip ini pada Argon dengan prompt tes 3, hasilnya JSON yang benar dalam 7,1 detik, dengan 634 token input dan 152 token output.

Pertanyaan umum

Apakah Gemini 4 Argon lebih baik daripada GPT-6 Astra?

Di tiga tugas kami Argon selalu benar dan lebih murah, sedangkan Astra lebih cepat di dua tugas. Tabel Google menempatkan Argon di depan pada enam dari sepuluh baris, dan Artificial Analysis menilai keduanya sama di 53.

Apakah Gemini 4 Argon tersedia untuk semua orang?

Ia ada di API Gemini berbayar sejak 13 Oktober 2026, tetapi tidak di tingkat gratis. Pelanggan Google AI Ultra dan Pro juga mendapatkannya di aplikasi Gemini.

Berapa lebih murah Gemini 4 Argon dibanding GPT-6 Astra?

Sampai 30 November harga daftarnya seperlima dari Astra: $2 dan $10 vs $10 dan $50 per juta token. Di tugas kami Astra berbiaya 3,4 sampai 4,9 kali lebih mahal. Mulai 1 Desember harga daftar Argon adalah 40% dari Astra ($4 dan $20 vs $10 dan $50).

Mana yang lebih baik untuk coding?

Keduanya memperbaiki bug kami dan lulus semua 12 tes tersembunyi. Di tabel Google Argon memimpin DeepSWE v1.1 (77,9% vs 74,1%), sedangkan Astra memimpin FrontierSWE v2 (65,5% vs 55,0%) dan Terminal-bench 4.0 (58,2% vs 57,4%).

Apakah Gemini 4 Argon berpikir secara bawaan?

Ya, pada medium. Ia melaporkan 0 token berpikir di tiga tugas kami, tetapi memakai 471 pada teka-teki berhitung yang lebih sulit dan menjawabnya dengan benar, jadi ia berpikir saat tugas menuntutnya.

Sumber

• Google: pengumuman Gemini 4 Argon (30 September 2026), tulisan ketersediaan umum (13 Oktober 2026), catatan perubahan API Gemini, halaman model, harga, tingkat berpikir, kartu model
• OpenAI: pengumuman GPT-6 Astra, halaman model, harga, cache prompt, catatan perubahan
• Artificial Analysis: halaman perbandingan

Semua diperiksa pada 23 Oktober 2026.

Riwayat pembaruan

• 23 Oktober 2026: terbit pertama kali. Tes dijalankan pada 23 Oktober lewat API OmniaKey.