Gemini 4 Argon vs GPT-6 Astra 比較：同じタスクで速度と API 料金を実測

2026年10月23日、Gemini 4 Argon と GPT-6 Astra に同じ3つの仕事を任せました。課金のバグ修正、306行のログへの5つの質問、メールスレッドから JSON への変換です。Argon は全問正解し、Astra は2つの仕事で速かったものの、1回あたりの料金は3.4〜4.9倍で、ログのエラー数を2回とも間違えました。

どちらも今は API で一般提供されています。Argon の導入価格は11月30日までで、12月1日から2倍になります。それでも Astra の1回あたりの料金は Argon の約2倍のままです。

料金は100万トークンあたりの定価で、Argon は11月30日までの導入価格です。どちらも OmniaKey で使えます：Gemini 4 Argon と GPT-6 Astra。

Gemini 4 Argon と GPT-6 Astra は今日使える？

使えます。Argon は2026年10月13日から有料の Gemini API で一般提供され、Astra は9月3日から OpenAI API で提供されています。

公開直後の記事には、Argon が使えないと書いてあるものもあります。Google が9月30日に発表した時点では、Fairwind Program の信頼できるサイバー防御担当者だけに開放されていました。10月13日にその限定が外れました。

どちらも各社の無料 API 枠にはありません。Argon は Gemini アプリで Google AI Ultra と Pro の利用者も使えます。

Argon のコンテキストは入力・思考・出力で共有され、「long decode」モードでは出力が最大 1,048,576 トークンまで増えます。Argon はテキスト、画像、映像、音声、PDF を受け付け、Astra はテキストと画像を受け付けます。

Astra の推論レベルは low、medium、high、xhigh、max の5段階で、「none」はありません。OpenAI でツール呼び出しを使うには Responses API が必要です。

OmniaKey なら1つのキーで両方を https://api.omniakey.com/v1 から呼べます。料金はGemini 4 Argon のページとGPT-6 Astra のページにあります。

検証方法

• モデル：Gemini 4 Argon（gemini-4-argon）と GPT-6 Astra（gpt-6-astra）。
• 2026年10月23日、OmniaKey の OpenAI 互換 Chat Completions API をストリーミングで使用。推論・思考の設定は指定せず、各モデルの既定値に任せました。Google のドキュメントでは Argon の既定の思考レベルは medium です。
• 両モデルに同じプロンプト。バグ修正とログは各モデル2回、JSON は1回で、合計10回答。
• 時間はリクエスト送信から最後のトークンまでをこちら側で計測し、通信時間も含みます。
• 採点は好みではなくスクリプトで。バグ修正はモデルが見ていない12件のテストを分離した Python プロセスで実行しました。ログの回答はログを生成したスクリプトの解答キーと、JSON は項目ごとに専用のキーと照合しました。唯一の自由記述であるログの原因推定だけは読んで判断しました。
• 料金は、プロンプトと回答のトークン数に各社の標準定価を掛けた値で、初回実行時（キャッシュなし）のものです。
• OmniaKey は両モデルの API を販売しているため、テストも OmniaKey 経由で実行しました。価格はすべて Google と OpenAI の定価で、当社の価格ではありません。
• 価格、上限、日付は Google と OpenAI の公式ページ（末尾の出典、2026年10月23日確認）によります。

仕事あたり1〜2回の実行なので、結果は各モデルの傾向の例として読んでください。

同じ3つの仕事を任せたらどうなったか

どちらもバグを直し、JSON も正しく埋めました。差が出たのは長いログで、Astra は3つのうち2つで速かったです。

テスト1：Python の課金バグを直す

小さなファイルの壊れたルールを、落ちている3つのテストだけでなく全部直せるか。

プロンプト：

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.

その下に34行の billing.py、4つのテスト、テスト出力（3失敗、1成功）を貼りました。ファイルには4つのバグがありました。

1. round() が、ルールの「切り上げ」ではなく「偶数への丸め」になっている。
2. 数量割引の開始が10個と50個ではなく11個と51個になっている。
3. クーポンが税の後に適用されている。
4. クーポンが0〜100の範囲か確認していない。

各修正は、モデルが見ていない12件のテストで採点しました。

• Gemini 4 Argon（10.8秒、10.6秒）：2回とも12/12合格。どちらも Python の decimal モジュールで切り上げ丸めを実装しました。1回目は Python 3.10 以降が必要な型ヒント（float | Decimal）を使っています。
• GPT-6 Astra（17.3秒、6.4秒）：2回とも12/12合格。1回目は正確な分数を使い、Astra の回答で唯一推論トークン（185）を報告しました。このテストでは最も遅い回答でもあります。

採点のあと、4つの修正すべてに追加のエッジケースを3つ試しました。Astra の2回目は2件で1セントずれ、クーポン自体ではなくクーポン適用後の価格を丸めていました。1,001セントの注文に50%クーポンなら、割引は501セントではなく500セントです。

結論：私たちのテストでは引き分けです。どちらも4つのバグをすべて直しました。Argon の2つの回答は追加ケースもすべて正しく、料金は1回1セント未満で、Astra の3〜5セントを下回りました。

テスト2：306行のログから原因を探す

長いテキストをまたいで、数える・探す・推論するを正確にできるか。

プロンプト：

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.

質問の下に、20分間の架空のゲートウェイログ306行（43 KB）を貼りました。罠も仕込んであります。2桁を入れ替えたユーザー ID（u_4417）、存在しないページを叩くスキャナ、最遅のリクエスト（9,871 ms）にわずかに届かない遅い検索（9,214 ms）です。ログと解答キーはスクリプトで生成しました。

• Gemini 4 Argon（9.5秒、10.0秒）：2回とも5/5。エラー14件という数も当て、すべて payments-1 からでした。原因の説明も正確で、14:07:12〜14:09:55 にこの上流だけが即座に失敗し（2〜9 ms、162バイトの同一応答）、payments-2 は正常だったと述べています。
• GPT-6 Astra（5.7秒、5.4秒）：2回とも4/5。エラーを16件、次に15件と数えました。実際は14件です。原因を含め、それ以外は正解でした。

結論：Argon です。ログの数え間違いは確認しないと気づけない種類のミスで、Astra は2回ともやってしまいました。回答時間は Astra が約半分でした。

どちらをログに使う場合も、件数と一緒に該当行を出してもらうと、数秒で確認できます。

テスト3：メールスレッドを JSON にする

乱雑な文章から正確な項目を抜き出し、厳密な形式を守れるか。

プロンプト：

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.

スレッドには同じ顧客から2通のメールがありました。月曜に会社のアドレスから交換用ランプ2本を依頼しています。

水曜に個人のアドレスから気が変わり、ランプ2本と充電器の返金、合計 $157.50 を「今週の金曜まで」に、さもなければ銀行に異議を申し立てると書いてきました。問題のなかった古い注文にも触れています。

• Gemini 4 Argon（6.8秒）：7項目すべて正解。余計なもののない有効な JSON で、返金 15750 セント、個人のアドレス、2つの商品、「今週の金曜」を 2026-10-16 に解決しました。
• GPT-6 Astra（3.9秒）：同じく全項目正解。

結論：精度は引き分けです。Astra の回答時間は約半分で、料金は Argon の $0.003 に対して $0.013 でした。

速さでは Astra が先に話し始めます。最初のトークンは、推論した1回答（9.4秒）を除いて3.1〜3.8秒でした。Argon は短い JSON でも5.1〜6.8秒かかり、5回答すべてで思考トークン0と報告しています。

回答の出だしを速くしたいなら Astra、件数や検索の正確さが要るなら Argon がここでは上でした。

公開ベンチマークではどうなっているか

Google 自身の表では Argon が10項目中6、Astra が3で、1項目は同点です。独立系の Artificial Analysis は両者を同等と評価しています。

数字は Gemini 4 Argon のモデルカードにある Google の値で、2026年10月時点の結果です。

Astra が勝つのはエージェント系の項目です。FrontierSWE v2（65.5% 対 55.0%）、Terminal-bench 4.0、OSWorld-2.0 で、ターミナルでのコーディングやコンピュータ操作を測るものです。Argon の差が大きいのは知識労働系で、Harvey の法務エージェントテスト（19.6% 対 5.4%）、AutomationBench、Vals Index です。

Artificial Analysis は Intelligence Index で両方に53を付けていますが、Argon は high、Astra は max の推論設定で実行しています。その設定では Argon の出力トークンは1タスクあたり約2倍（36k 対 17k）で、それでも1タスクあたりの料金は安く（$1.99 対 $3.26）でした。生成速度も Argon が上で、毎秒82トークン対56トークンです。

OpenAI は Astra について FrontierMath Tier 4 で98%、ARC-AGI-3 で99.9% と報告しています。Google の表にこれらのテストはないため、並べられる Argon の数字はありません。

ターミナルのエージェントやコンピュータ操作なら、Google の数字でも Astra が有利です。文書中心の知識労働なら Argon が有利です。

1回あたりの料金はいくらか

定価で比べると、私たちの実行では Astra は Argon の3.4〜4.9倍でした。12月1日に Argon が2倍になっても、Astra は1.7〜2.4倍のままです。

価格は Google の Gemini API 料金ページと OpenAI の GPT-6 Astra モデルページのもので、2026年10月23日に確認しました。

Batch と Flex はどちらも半額です。Astra は入力が272Kトークンを超えるプロンプトで、リクエスト全体の入力とキャッシュが2倍、出力が1.5倍になります。Google の料金ページに Argon の長いプロンプト割増はありません。

規模で見ると、同じログの仕事1,000回で Argon は11月30日まで約 $60、12月1日から約 $120、Astra は約 $205 です。

定価の5倍差より実際の差が小さいのは2つの理由からです。Argon の回答が長く（ログの仕事で出力401 対 218トークン）、Google が同じ43 KBのログを OpenAI より多く入力トークンとして数えました。

2分後に同じログをもう一度聞くと、どちらも大半がキャッシュ料金になります。2回目のログ実行は Argon が約 $0.011、Astra が約 $0.033 で、初回より約80%安くなりました。

OpenAI のルールを1つ知っておくと安心です。GPT-6 系では既定のキャッシュモードで、キャッシュに書き込むプロンプトのトークンが入力料金の1.25倍で請求されます。そのため最初のログ呼び出しは $0.205 ではなく約 $0.25 になることがあります。

どちらを選ぶべきか

長い文書、ログ、大量処理なら Argon です。返答の出だしを速くしたい、エージェントがターミナルや画面で動くなら Astra です。

12月1日に Argon は100万トークンあたり $4 と $20 に倍増しますが、それでも Astra の定価の40%なので、上の選び方は変わりません。同じ API と同じキーで動くので、混ぜて使うのも簡単です。

使い分けの目安は単純です。数字を間違えると困る仕事は Argon、返答の遅さが困る仕事は Astra です。まずはOmniaKey の Gemini 4 ArgonとOmniaKey の GPT-6 Astraから始めてください。

1つの API キーで同じテストを走らせるには

OpenAI の Python SDK を OmniaKey に向け、文字列を1つ変えるだけでモデルを切り替えられます。このコードは2026年10月23日に実行しました。

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. OmniaKey でキーを作り、OMNIAKEY_API_KEY に設定します。
2. SDK を入れます：pip install openai。
3. プロンプトを ticket-prompt.md として保存します。たとえばテスト3の指示に、自分のメールスレッドを1つ続けます。
4. スクリプトを実行します。回答、時間、トークン使用量が表示されます。
5. model を "gpt-6-astra" に変えて、もう一度実行します。

テスト3のプロンプトでこのスクリプトを Argon で実行すると、7.1秒で正しい JSON が返り、入力634、出力152トークンでした。

よくある質問

Gemini 4 Argon は GPT-6 Astra より優れていますか？

3つの仕事では Argon が毎回正解して料金も安く、Astra は2つの仕事で速かったです。Google の表では Argon が10項目中6で上、Artificial Analysis は両者を53で同等としています。

Gemini 4 Argon は誰でも使えますか？

2026年10月13日から有料の Gemini API で使えますが、無料枠にはありません。Google AI Ultra と Pro の利用者は Gemini アプリでも使えます。

Gemini 4 Argon は GPT-6 Astra よりどのくらい安いですか？

11月30日までは定価が Astra の5分の1で、100万トークンあたり $2 と $10 対 $10 と $50 です。私たちの仕事では Astra が3.4〜4.9倍でした。12月1日からは Argon の定価が Astra の40%（$4 と $20 対 $10 と $50）になります。

コーディングにはどちらが良いですか？

どちらも私たちのバグを直し、非公開テスト12件すべてに合格しました。Google の表では Argon が DeepSWE v1.1（77.9% 対 74.1%）で上、Astra が FrontierSWE v2（65.5% 対 55.0%）と Terminal-bench 4.0（58.2% 対 57.4%）で上です。

Gemini 4 Argon は既定で思考しますか？

はい、medium です。3つの仕事では思考トークン0と報告しましたが、難しい数え上げパズルでは471使って正解しました。必要なときに考えるモデルです。

出典

• Google：Gemini 4 Argon の発表（2026年9月30日）、一般提供の記事（2026年10月13日）、Gemini API の変更履歴、モデルページ、料金、思考レベル、モデルカード
• OpenAI：GPT-6 Astra の発表、モデルページ、料金、プロンプトキャッシュ、変更履歴
• Artificial Analysis：比較ページ

すべて2026年10月23日に確認しました。

更新履歴

• 2026年10月23日：公開。テストは10月23日に OmniaKey の API 経由で実行しました。