Gemini 4 Argon コーディングテスト：8つの課題と隠しテスト

Gemini 4 Argon と Claude Opus 5.5 に、同じ8つの課題を1回ずつ解かせました。隠しテストはどちらのモデルにも見せていません。Python 3.14 では両モデルとも105項目すべて通過しました。Argon の合計時間は139.6秒、Opus 5.5 は57.2秒です。各社の定価で計算すると、費用は Argon が $0.042、Opus 5.5 が $0.112 でした。

8つの課題を1回ずつ解いた結果なので、実際の挙動として読んでください。正答率では両モデルが並びました。違いは時間と料金、そして1つの回答が新しい Python を必要とした点です。Google は Argon を2026年10月13日から一般提供としており、入力100万トークン $2、出力100万トークン $10 の導入価格は11月30日までです。12月1日からは $4 と $20 に倍増します（Google の料金ページ、2026年11月4日確認）。

検証方法

2026年11月4日、各課題を gemini-4-argon と claude-opus-5-5 に送りました。1課題につき1モデル1回の呼び出しで、システムプロンプトも推論設定もありません。両モデルとも既定のレベルで実行しました。Argon は medium（Google の thinking ドキュメント、2026年11月4日確認）、Opus 5.5 も medium（Anthropic の effort ドキュメント、同日）です。課題ごとに、モデル1つにつき採点対象の回答が1つ得られます。

時間は各 API が返した呼び出しごとのレイテンシーを合計したもので、こちらの採点実行は含みません。料金は各社の定価を、API が返したトークン数に掛けて計算しました。OmniaKey でも両モデルを扱っているため、テストは1つのキーで実行しました。すべての価格は Google と Anthropic の定価です。

スクリプトは各回答からコードブロックを取り出し、どちらのモデルも見ていない隠しの unittest ファイルに対して、タイムアウト付きの独立した Python プロセスで実行しました。最初の採点はマシンのシステム Python 3.9.6 で行い、その後、保存した同じ回答を Python 3.14.3 で採点し直しました。呼び出しも費用も増えていません。

8つの課題

どれも日常業務で出てくる小さな Python の仕事です。バグ修正1つ、小さなクラス2つ、リファクタリング、パーサー、時間のフォーマッター、予定調整のヘルパー、グラフ探索です。プロンプトはどれも必要な挙動を平易な文章で説明しただけで、テストは含まれていません。

課題1：区間マージのバグを直す

merge_intervals は区間を並べ替えてマージしますが、(1, 3) と (3, 5) のように接する組を別々に残していました。比較を1か所直せば解決します。

• Gemini 4 Argon（5.6秒）：12/12。
• Claude Opus 5.5（2.9秒）：12/12。

結論：検査項目は引き分け。Opus は約半分の時間で答えました。

課題2：トークンバケットのレートリミッター

TokenBucket(rate_per_second, capacity) は、トークンを継続的に補充し、容量を超えず、now が過去に戻る場合にも対応する必要がありました。

• Gemini 4 Argon（6.6秒）：10/10。
• Claude Opus 5.5（4.8秒）：10/10。

結論：引き分け。どちらも時計の逆戻りに対応しました。

課題3：ヒット数とミス数を数える LRU キャッシュ

LRUCache には、追い出し順、その場での更新、stats() の集計、そして最も長く使われていない順にキーを並べる機能が必要でした。

• Gemini 4 Argon（7.1秒）：10/10。
• Claude Opus 5.5（4.1秒）：10/10。

結論：引き分け。Opus が3秒速い。

課題4：挙動を変えずにリファクタリング

モジュールはもともと動いていました。回答は slugify と slug_counts を残し、Unicode の文字、句読点、連続する区切り文字で同じ挙動を保つ必要がありました。

• Gemini 4 Argon（15.9秒）：12/12。
• Claude Opus 5.5（8.7秒）：12/12。

結論：引き分け。どちらも固定した全ケースを維持しました。

課題5：ログ行を dict にパースする

key=value のパーサーです。引用符付きの値、エスケープされた引用符とバックスラッシュ、UTC タイムスタンプに対応し、重複キー、値のない key=、ゴミ入力には ValueError を返します。

• Gemini 4 Argon（16.1秒）：13/13。
• Claude Opus 5.5（10.9秒）：13/13。

結論：引き分け。どちらも最初からエスケープを正しく処理しました。

課題6：時間の整形と解析

format_duration と parse_duration は、半分をゼロから遠い方に丸め、空の要素を落とし（3601 は 1h1s）、不正な形式を拒否し、すべての値で往復変換できる必要がありました。日は表示しません。90000 は 25h になります。

• Gemini 4 Argon（60.9秒）：Python 3.9 では 0/14、3.14 では 14/14。
• Claude Opus 5.5（14.0秒）：どちらも 14/14。

結論：3.14 では引き分け。3.9 では Argon の回答がインポートすらできませんでした。次の節で説明します。

課題7：会議室の空き時間を出す

free_slots は、予約を就業時間内に切り詰め、接する予約をまとめ、15分未満の空きを捨て、不正な入力を受け付けてはいけません。

• Gemini 4 Argon（18.9秒）：17/17。
• Claude Opus 5.5（5.0秒）：17/17。

結論：検査項目は引き分け。Argon は4倍近い時間がかかりました。

課題8：同点時の規則付き最短経路

shortest_path は Dijkstra を使い、同じ長さの経路の中では辞書順で最小のものを選び、平行辺、自己ループ、経路なしのケースにも対応する必要がありました。

• Gemini 4 Argon（8.5秒）：17/17。
• Claude Opus 5.5（6.8秒）：17/17。

結論：引き分け。8課題で最も差が小さい勝負でした。

結果：通過数、時間、料金

Python 3.14 では両モデルが105項目すべて通過しました。Python 3.9.6 では Argon が91項目でした。1つの回答がインポートできなかったためです。

Opus 5.5 はどの課題でも速く答えました。差が最も小さかったのはグラフ探索（8.5秒対6.8秒）、最も大きかったのは時間の整形（60.9秒対14.0秒）です。

定価では、8課題の費用は Argon が $0.042、Opus 5.5 が $0.112 で、約2.7倍です。Argon の回答は入力3,346トークン、出力3,525トークンを使いました。Opus 5.5 は4,419と4,692です。どちらの API もすべての呼び出しで thinking トークンを0と報告したため、思考による追加料金はありません。

Google の定価は、2026年11月30日まで入力100万トークン $2、出力100万トークン $10 で、その後は $4 と $20 です（Gemini API の料金、2026年11月4日確認）。Anthropic の Opus 5.5 の定価は $4 と $20 です（Anthropic の料金、同日）。12月1日からは同じトークンが Argon では2倍になり、差は縮まります。両モデルの料金は料金ページにあります。

8つの課題では、2つのフロンティアモデルの品質に差をつけられません。選ぶときは速度、価格、そしてテストを動かす Python のバージョンで決めてください。

使った人の声

公開コメントにもこの分裂が表れています。Hacker News の10月31日の投稿で、A_D_E_P_T はこう書いています。「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.」10月28日の投稿で seizethecheese はローカルのコーディングエージェントについて「Argon is really bad. Literally the worst model in our initial ranking」と書き、Opus 5.5 を1位にしています。10月13日の投稿で ariwilson は、Argon が自分のプロジェクトの小さなバグ修正を「10 of 11」解いたと報告しています。

いずれも各自の環境についての感想で、統制されたテストではありません。否定的なコメントはエージェントのハーネスを試している人によるもので、API を直接呼ぶ今回の条件とは違います。

唯一の失敗：Python 3.9 は Argon の回答をインポートできない

Argon の時間整形の回答は、ヘルパー関数に float | int | Decimal という型注釈を付けました。Python 3.9 はインポート時にこれを評価できず、モジュールは TypeError: unsupported operand type(s) for |: 'type' and 'type' を出し、14のテストは実行前にすべて失敗しました。

ロジックに問題はありません。同じファイルは Python 3.14.3 では正常にインポートされ、14項目すべて通過しました。このユニオン構文には Python 3.10 以降が必要です。

スコアはインタープリター次第です。マシンのシステム Python 3.9.6 では、Argon は105項目中91項目、Opus 5.5 は105項目でした。3.14 ではどちらも105項目です。

サーバーイメージや CI のマシンがまだ3.9なら、ここが落とし穴です。習慣を2つ守れば避けられます。プロンプトに Python のバージョンを書くこと、そしてサポートする最も古いバージョンで採点することです。3.9 が対象なら、Union[float, int] を指定するか、ファイルの先頭に from __future__ import annotations を書かせてください。

Google 自身のベンチマークはどうか

Google の Argon のモデルカード（2026年11月4日確認）には、コーディングとセキュリティの節から、Opus 5.5 の数値が付いた5つのテストが載っています。Argon が3つで上回り、2つで下回ります。

数値の日付は2026年10月です。これらの行の Notes 列は空で、thinking レベル、ハーネス、試行回数は書かれていません。テストも今回の小さな関数よりエージェント寄りです。

Google は10月13日の発表記事で、コーディングを含む Vals Index で首位だと述べ、Antigravity 内のエージェントによるコード提出が35%以上増えたと報告しています。どちらも Google 自身の数字です。

10月23日のGPT-6 Astra との3課題比較では、Argon は請求バグの修正で隠しテスト12項目すべてを通過しました。あの課題も今回の課題1も全問正解で、新しい結果とも一致します。

同じテストを自分で走らせるには

課題ごとにプロンプトファイルを1つ用意し、そのまま両モデルに送るだけです。使用したエンドポイントは https://api.omniakey.com/v1 で、両モデルは Gemini 4 Argon と Claude Opus 5.5 のモデルページにあります。

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. 各課題をプロンプトファイルとして保存し、システムプロンプトなしでそのまま送り、両モデルに同じ文面を渡します。
2. 各プロンプトをモデルごとに1回、既定の thinking レベルで送り、モデル ID、時間、トークン数を記録します。
3. 各回答からコードブロックを切り出し、テストがインポートするモジュールとして保存します。
4. 隠しテストを別プロセスでタイムアウト付きで実行し、通過数と総数を並べて出力します。
5. サポートする最も古い Python で採点をやり直します。Argon の唯一の取りこぼしは3.9の実行で出ました。
6. 返ってきたトークン数と各社の定価から費用を計算します。

よくある質問

Gemini 4 Argon はコーディングに向いていますか？

今回の8課題では、Python 3.14 で隠しテスト105項目すべてを通過しました。Opus 5.5 も同じです。Google 自身の表では、Argon は5行のうち3行で上、2行で下です。

Gemini 4 Argon のコーディング費用はいくらですか？

Google は入力100万トークン $2、出力100万トークン $10 を2026年11月30日まで適用し、その後は $4 と $20 にします。今回の8課題は導入価格で $0.042 でした。Opus 5.5 は Anthropic の $4 と $20 で $0.112 です。

Gemini 4 Argon は Claude Opus 5.5 より速いですか？

いいえ。今回のテストでは Opus 5.5 が8課題すべてで速く、合計57.2秒でした。Argon は139.6秒です。差が最も大きかったのは時間の整形で、14.0秒対60.9秒でした。

なぜ Argon は1つの課題で失敗したのですか？

失敗したのはインポートで、ロジックは正しいままでした。時間の回答が float | int | Decimal の注釈を使い、Python 3.9 がインポート時に評価できず、14のテストが実行前に落ちました。同じファイルは Python 3.14 で14項目すべて通過します。

出典

• Gemini 4 Argon モデルページ
• Gemini API の料金
• Gemini API の thinking レベル
• Gemini 4 Argon モデルカード
• Gemini 4 Argon 発表記事
• Vertex AI の Gemini 4 Argon
• Anthropic API の料金
• Claude Opus 5.5 の概要
• Anthropic の effort 設定

いずれも2026年11月4日に確認しました。

更新履歴

• 2026年11月4日：初回公開。テストは11月4日に実行し、Python 3.9.6 と 3.14.3 で採点しました。