# Gemini 4 Argon: тест по программированию из 8 задач со скрытыми тестами > Восемь задач, скрытые тесты и один вызов на модель: Gemini 4 Argon и Claude Opus 5.5 проходят все 105 проверок на Python 3.14, но с разным временем и ценой. - Canonical HTML: https://omniakey.com/ru/blog/gemini-4-argon-coding-test - Markdown: https://omniakey.com/ru/blog/gemini-4-argon-coding-test.md - Published: 2026-11-04 (updated 2026-11-04) - Author: Kiki, COO at OmniaKey - Language: ru - Category: Comparison - Reading time: 10 min - All posts: https://omniakey.com/blog/llms.txt --- Мы дали [Gemini 4 Argon](https://omniakey.com/ru/gemini-4-argon) и [Claude Opus 5.5](https://omniakey.com/ru/claude-opus-5-5) одни и те же восемь задач: по одному вызову на задачу и скрытые тесты, которых не видела ни одна модель. На Python 3.14 обе прошли все 105 проверок. Argon потратил 139.6 секунды, Opus 5.5 — 57.2. По прайс-листу каждого провайдера восемь задач стоили $0.042 у Argon и $0.112 у Opus 5.5. Восемь задач по одному прогону показывают поведение в реальной работе. В правильности обе модели сравнялись. Разница в скорости, цене и одном ответе, которому нужен более новый Python. Google считает Argon общедоступным с 13 октября 2026 года, а вводная цена $2 за миллион входных токенов и $10 за миллион выходных действует до 30 ноября; с 1 декабря она удваивается до $4 и $20 (страница цен Google, проверена 4 ноября 2026 года). - **Gemini 4 Argon** (Argon, если важнее цена): Те же 105 проверок за $0.042 на восьми задачах по прайсу Google. Медленнее везде, и одному ответу нужен Python 3.10 или новее. - **Claude Opus 5.5** (Opus 5.5, если важнее скорость): Те же 105 проверок, 57.2 секунды в сумме и $0.112 по цене Anthropic. Быстрее на всех восьми задачах. ## Как мы проверяли 4 ноября 2026 года мы отправили каждую задачу в `gemini-4-argon` и `claude-opus-5-5`: один вызов на задачу и модель, без системного промпта и без настройки рассуждений. Обе работали на своём уровне по умолчанию: medium у Argon ([документация Google о thinking](https://ai.google.dev/gemini-api/docs/thinking), проверена 4 ноября 2026 года) и medium у Opus 5.5 ([документация Anthropic об effort](https://platform.claude.com/docs/en/build-with-claude/effort), в тот же день). Каждая задача дала по одному оценённому ответу на модель. Время — это задержка, которую провайдер сообщает для каждого вызова, сложенная по всем задачам; наши прогоны оценки в неё не входят. Цена считается по прайс-листу провайдера и числу токенов, которые вернул API. OmniaKey тоже продаёт обе модели, поэтому тест шёл через него с одним ключом; каждая цена здесь — тариф Google или Anthropic. Скрипт вынимал блок кода из каждого ответа и запускал его против скрытого файла `unittest`, которого не видела ни одна модель, в отдельном процессе Python с таймаутом. Первый прогон шёл на системном Python 3.9.6; затем мы оценили те же сохранённые ответы заново на Python 3.14.3, без новых вызовов и без новых затрат. ## Восемь задач Все восемь — небольшие задачи на Python, какие встречаются в обычный день: одно исправление ошибки, два маленьких класса, рефакторинг, парсер, форматтер длительностей, помощник для расписания и поиск по графу. В каждом промпте требуемое поведение описано простым текстом, и ни в одном не было тестов. ### Задача 1: исправить ошибку слияния интервалов `merge_intervals` сортировал и объединял диапазоны, но оставлял раздельными пары, которые соприкасаются, например `(1, 3)` и `(3, 5)`. Достаточно одного сравнения. - **Gemini 4 Argon** (5.6 с): 12 из 12. - **Claude Opus 5.5** (2.9 с): 12 из 12. **Вывод:** ничья по проверкам. Opus ответил примерно вдвое быстрее. ### Задача 2: ограничитель частоты на корзине токенов `TokenBucket(rate_per_second, capacity)` должен был пополняться непрерывно, не выходить за ёмкость и выдерживать значения `now`, которые идут назад. - **Gemini 4 Argon** (6.6 с): 10 из 10. - **Claude Opus 5.5** (4.8 с): 10 из 10. **Вывод:** ничья. Обе справились с обратным ходом часов. ### Задача 3: LRU-кэш со счётчиками попаданий и промахов `LRUCache` требовал порядок вытеснения, обновление на месте, счётчики в `stats()` и список ключей от самого давнего использования к самому свежему. - **Gemini 4 Argon** (7.1 с): 10 из 10. - **Claude Opus 5.5** (4.1 с): 10 из 10. **Вывод:** ничья. Opus был на 3 с быстрее. ### Задача 4: рефакторинг без изменения поведения Модуль работал. Ответ должен был сохранить `slugify` и `slug_counts` и вести себя так же на буквах Unicode, знаках препинания и повторяющихся разделителях. - **Gemini 4 Argon** (15.9 с): 12 из 12. - **Claude Opus 5.5** (8.7 с): 12 из 12. **Вывод:** ничья. Обе сохранили все зафиксированные случаи. ### Задача 5: разобрать строку лога в dict Парсер `key=value` со значениями в кавычках, экранированными кавычками и обратными слэшами, меткой времени UTC и `ValueError` на повторяющиеся ключи, пустой `key=` и мусор. - **Gemini 4 Argon** (16.1 с): 13 из 13. - **Claude Opus 5.5** (10.9 с): 13 из 13. **Вывод:** ничья. Обе правильно обработали экранирование с первого раза. ### Задача 6: форматирование и разбор длительностей `format_duration` и `parse_duration` должны были округлять половину от нуля, убирать пустые части (3601 превращается в 1h1s), отвергать неверные формы и делать обратимое преобразование для любого значения. Дни не выводятся: 90000 превращается в 25h. - **Gemini 4 Argon** (60.9 с): 0 из 14 на Python 3.9, 14 из 14 на 3.14. - **Claude Opus 5.5** (14.0 с): 14 из 14 на обоих. **Вывод:** ничья на 3.14. На 3.9 ответ Argon даже не импортировался, об этом следующий раздел. ### Задача 7: свободные окна для переговорных `free_slots` должен был обрезать брони по рабочему дню, объединять соприкасающиеся брони, отбрасывать промежутки меньше 15 минут и отвергать неверный ввод. - **Gemini 4 Argon** (18.9 с): 17 из 17. - **Claude Opus 5.5** (5.0 с): 17 из 17. **Вывод:** ничья по проверкам. Argon потратил почти в четыре раза больше времени. ### Задача 8: кратчайший путь с разрешением ничьей `shortest_path` требовал Dijkstra с лексикографически наименьшим путём среди путей равной длины, а также параллельных рёбер, петель и случая без пути. - **Gemini 4 Argon** (8.5 с): 17 из 17. - **Claude Opus 5.5** (6.8 с): 17 из 17. **Вывод:** ничья. Самая близкая из восьми. ## Результаты: проверки, время и стоимость На Python 3.14 обе модели прошли все 105 проверок. На Python 3.9.6 Argon прошёл 91: один ответ не удалось импортировать. |Задача|Проверки|Argon|Opus 5.5|Argon, с|Opus, с| |-|-|-|-|-|-| |Слияние интервалов|12|12/12|12/12|5.6|2.9| |Корзина токенов|10|10/10|10/10|6.6|4.8| |LRU-кэш|10|10/10|10/10|7.1|4.1| |Рефакторинг slugify|12|12/12|12/12|15.9|8.7| |Разбор строки лога|13|13/13|13/13|16.1|10.9| |Длительности|14|14/14|14/14|60.9|14.0| |Окна переговорных|17|17/17|17/17|18.9|5.0| |Кратчайший путь|17|17/17|17/17|8.5|6.8| Opus 5.5 ответил быстрее на каждой задаче. Наименьший разрыв был на задаче с графом (8.5 с против 6.8 с), наибольший — на длительностях (60.9 с против 14.0 с). По прайс-листу восемь задач стоили $0.042 у Argon и $0.112 у Opus 5.5, примерно в 2.7 раза больше. Ответы Argon израсходовали 3,346 входных и 3,525 выходных токенов в сумме; ответы Opus 5.5 — 4,419 и 4,692. Оба API сообщили 0 токенов размышления на каждом вызове, так что рассуждения не добавили к счёту ничего. Прайс-лист Google — $2 за миллион входных и $10 за миллион выходных токенов до 30 ноября 2026 года, затем $4 и $20 ([цены Gemini API](https://ai.google.dev/gemini-api/docs/pricing), проверены 4 ноября 2026 года). Прайс-лист Anthropic для Opus 5.5 — $4 и $20 ([цены Anthropic](https://platform.claude.com/docs/en/about-claude/pricing), в тот же день). С 1 декабря те же токены у Argon стоят вдвое дороже, и разрыв между моделями сокращается. Тарифы обеих моделей есть на [странице цен](https://omniakey.com/ru/pricing). Восемь задач не разделяют две передовые модели по качеству. Выбирайте по скорости, цене и версии Python, на которой работают ваши тесты. ### Что говорят пользователи Раскол виден и в публичных комментариях. На [Hacker News 31 октября](https://news.ycombinator.com/item?id=50312107) A\_D\_E\_P\_T написал: «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». [28 октября](https://news.ycombinator.com/item?id=50277901) seizethecheese написал о локальных агентах для кода: «Argon is really bad. Literally the worst model in our initial ranking», поставив Opus 5.5 на первое место. [13 октября](https://news.ycombinator.com/item?id=50077034) ariwilson рассказал, что Argon «solved 10 of 11» небольших исправлений ошибок из своих проектов. Это мнения пользователей о своих условиях, а не контролируемые тесты. Негативный комментарий оставил человек, который проверял обвязку агента, а не прямой вызов API, как у нас. ## Единственная неудача: Python 3.9 не может импортировать ответ Argon Ответ Argon по длительностям добавил вспомогательной функции аннотацию типа `float | int | Decimal`. Python 3.9 не может вычислить её при импорте, поэтому модуль выбросил `TypeError: unsupported operand type(s) for |: 'type' and 'type'`, и все 14 тестов упали до запуска. С логикой всё было в порядке. Тот же файл импортировался и прошёл 14 из 14 на Python 3.14.3. Такой синтаксис объединения требует Python 3.10 или новее. Счёт зависит от интерпретатора: на системном Python 3.9.6 Argon закончил 91 проверку из 105, а Opus 5.5 — 105. На 3.14 обе закончили 105. Если образ сервера или машина CI всё ещё несёт 3.9, ловушка именно здесь. Две привычки её закрывают: называть версию Python в промпте и оценивать на самой старой версии, которую вы поддерживаете. Для цели 3.9 просите `Union[float, int]` или `from __future__ import annotations` в начале файла. > Только в промпте задачи с графом была указана версия Python 3.14. В задаче с длительностями версии не было, а первый прогон шёл на 3.9.6, поэтому правильный ответ выглядел сломанным. ## Что показывают бенчмарки самой Google Карточка модели Argon (проверена 4 ноября 2026 года) перечисляет пять тестов из разделов о коде и безопасности с цифрой для Opus 5.5. Argon впереди в трёх и позади в двух. |Бенчмарк|Gemini 4 Argon|Claude Opus 5.5| |-|-|-| |DeepSWE v1.1|77.9%|74.2%| |FrontierSWE v2|55.0%|62.3%| |Vibe Code Bench|91.9%|90.3%| |Terminal-bench 4.0|57.4%|66.4%| |CWE-bench v1|68.0%|67.0%| Эти цифры относятся к октябрю 2026 года; столбец Notes в этих строках пуст, поэтому уровень thinking, обвязка и число попыток не указаны. Сами тесты куда более агентные, чем наши небольшие функции. В анонсе 13 октября Google называет Argon первым в Vals Index, который включает код, и сообщает о росте более чем на 35% отправок кода агентами внутри Antigravity. Обе цифры — собственные данные Google. Наше [сравнение с GPT-6 Astra на трёх задачах от 23 октября](https://omniakey.com/ru/blog/gemini-4-argon-vs-gpt-6-astra) показало, что Argon прошёл все 12 скрытых тестов при исправлении ошибки в биллинге. Ту задачу и задачу 1 здесь Argon прошёл полностью, и новые результаты этому не противоречат. ## Как прогнать такой же тест самому Один файл промпта на задачу, отправленный обеим моделям без изменений, — вся подготовка. Мы использовали эндпоинт `https://api.omniakey.com/v1`; обе модели есть на страницах [Gemini 4 Argon](https://omniakey.com/ru/gemini-4-argon) и [Claude Opus 5.5](https://omniakey.com/ru/claude-opus-5-5). ```python 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. Сохраните каждую задачу отдельным файлом промпта и отправьте его без изменений, без системного промпта, чтобы обе модели получили одни и те же слова. 2. Отправьте каждый промпт по одному разу на модель на уровне thinking по умолчанию и запишите ID модели, время и число токенов. 3. Вырежьте блок кода из каждого ответа и сохраните его как модуль, который импортируют ваши тесты. 4. Запустите скрытые тесты в отдельном процессе с таймаутом и выведите число пройденных рядом с общим. 5. Повторите оценку на самом старом Python, который вы поддерживаете. Единственный промах Argon появился в прогоне на 3.9. 6. Посчитайте стоимость по возвращённым токенам и прайс-листу провайдера. ## Частые вопросы ### Хорош ли Gemini 4 Argon для программирования? На наших восьми задачах он прошёл все 105 скрытых тестов на Python 3.14, как и Opus 5.5. В таблице Google Argon впереди в трёх строках из пяти и позади в двух. ### Сколько стоит программировать с Gemini 4 Argon? Google берёт $2 за миллион входных и $10 за миллион выходных токенов до 30 ноября 2026 года, затем $4 и $20. Наши восемь задач обошлись в $0.042 по вводной цене. Opus 5.5 обошёлся в $0.112 по цене Anthropic $4 и $20. ### Gemini 4 Argon быстрее Claude Opus 5.5? Нет. Opus 5.5 был быстрее на всех восьми задачах: 57.2 секунды в сумме против 139.6 у Argon. Самый большой разрыв — на длительностях, 14.0 секунды против 60.9. ### Почему Argon провалил одну задачу? Логика была верной. Ответ по длительностям использовал аннотацию `float | int | Decimal`, которую Python 3.9 не может вычислить при импорте, поэтому все 14 тестов упали до запуска. Тот же файл проходит 14 из 14 на Python 3.14. ## Источники - [Страница модели Gemini 4 Argon](https://ai.google.dev/gemini-api/docs/models/gemini-4-argon) - [Цены Gemini API](https://ai.google.dev/gemini-api/docs/pricing) - [Уровни thinking в Gemini API](https://ai.google.dev/gemini-api/docs/thinking) - [Карточка модели Gemini 4 Argon](https://deepmind.google/models/model-cards/gemini-4-argon/) - [Анонс Gemini 4 Argon](https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-argon/) - [Gemini 4 Argon в Vertex AI](https://cloud.google.com/vertex-ai/generative-ai/docs/models/gemini/4-argon) - [Цены Anthropic API](https://platform.claude.com/docs/en/about-claude/pricing) - [Обзор Claude Opus 5.5](https://platform.claude.com/docs/en/models/opus-5-5/overview) - [Настройки effort у Anthropic](https://platform.claude.com/docs/en/build-with-claude/effort) Все проверены 4 ноября 2026 года. ## История обновлений - 4 ноября 2026 года: первая публикация. Тесты запущены 4 ноября, оценены на Python 3.9.6 и заново на 3.14.3.