Gemini 4 Argon vs GPT-6 Astra: сравнение скорости, цены API и точности

23 октября 2026 года мы дали Gemini 4 Argon и GPT-6 Astra одни и те же три задачи: исправить ошибку в биллинге, ответить на пять вопросов по логу из 306 строк и превратить переписку в JSON. Argon ответил верно на всё. Astra была быстрее в двух задачах, но стоила в 3,4–4,9 раза дороже за задачу и дважды ошиблась в подсчёте ошибок в логе.

Обе модели доступны в API. Вводная цена Argon действует до 30 ноября. С 1 декабря она удвоится, и Astra всё равно будет стоить примерно вдвое дороже за задачу.

Цены по прайсу даны за миллион токенов, у Argon это вводные цены до 30 ноября. Обе модели есть в OmniaKey: Gemini 4 Argon и GPT-6 Astra.

Можно ли пользоваться Gemini 4 Argon и GPT-6 Astra уже сейчас?

Да. Argon доступен в платном Gemini API с 13 октября 2026 года, а Astra в OpenAI API с 3 сентября.

Некоторые статьи недели запуска до сих пор пишут, что Argon недоступен. Когда Google представил модель 30 сентября, доступ открыли только доверенным специалистам по киберзащите в программе Fairwind. 13 октября это ограничение сняли.

Ни одна из моделей не входит в бесплатный уровень своего провайдера. Argon также доступен подписчикам Google AI Ultra и Pro в приложении Gemini.

Окно Argon делят вход, рассуждение и выход, а режим "long decode" поднимает выход до 1 048 576 токенов. Argon принимает текст, изображения, видео, аудио и PDF. Astra принимает текст и изображения.

Уровни рассуждения Astra: low, medium, high, xhigh и max, уровня "none" нет. В OpenAI для вызова инструментов нужен API Responses.

Через OmniaKey обе модели вызываются одним ключом по адресу https://api.omniakey.com/v1 с ID выше. Тарифы есть на странице Gemini 4 Argon и на странице GPT-6 Astra.

Как мы проверяли

• Модели: Gemini 4 Argon (gemini-4-argon) и GPT-6 Astra (gpt-6-astra).
• 23 октября 2026 года, через совместимый с OpenAI Chat Completions API OmniaKey, со стримингом и без настройки рассуждения, поэтому каждая модель работала со значениями по умолчанию. Google указывает medium как уровень размышления Argon по умолчанию.
• Один и тот же промпт для обеих моделей. Исправление ошибки и задача с логом шли по два раза на модель, задача с JSON один раз: всего 10 ответов.
• Время считается от отправки запроса до последнего токена, замерено на нашей стороне вместе с сетью.
• Оценка скриптами, а не на вкус. Каждое исправление проверялось 12 тестами, которых модели не видели, в отдельном процессе Python. Ответы по логу сверялись с ключом из скрипта, который создал лог, а JSON — поле за полем со своим ключом. Единственный открытый вопрос, вероятную причину сбоя в логе, мы оценивали чтением.
• Стоимость: токены нашего промпта и ответа, умноженные на стандартную цену по прайсу каждого провайдера, в первом прогоне (без кеша).
• OmniaKey продаёт доступ к API обеих моделей, поэтому тесты шли через OmniaKey. Все цены здесь — тарифы Google или OpenAI, а не наши.
• Цены, лимиты и даты взяты со страниц Google и OpenAI из раздела «Источники», проверенных 23 октября 2026 года.

Прогонов на задачу один или два, поэтому читайте результаты как примеры поведения моделей, а не как бенчмарк.

Что вышло на одних и тех же трёх задачах?

Обе исправили ошибку и правильно заполнили JSON. Разделил их длинный лог, а Astra была быстрее в двух задачах из трёх.

Тест 1: исправить ошибку в биллинге на Python

Исправит ли модель все сломанные правила в небольшом файле, а не только три падающих теста?

Промпт:

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.

Ниже мы вставили billing.py из 34 строк, четыре теста и вывод: 3 провала, 1 успех. В файле было четыре ошибки.

1. round() округляет к чётному, тогда как правила требуют округления вверх.
2. Скидки за объём начинались с 11 и 51 единицы вместо 10 и 50.
3. Купон применялся после налога.
4. Не было проверки, что купон в диапазоне от 0 до 100.

Каждое исправление мы оценили 12 тестами, которых модели не видели.

• Gemini 4 Argon (10,8 с, 10,6 с): оба исправления прошли 12 из 12. Оба использовали модуль Python decimal с округлением вверх. В первом есть аннотация типа (float | Decimal), для которой нужен Python 3.10 или новее.
• GPT-6 Astra (17,3 с, 6,4 с): оба исправления прошли 12 из 12. В первом использованы точные дроби, и это единственный ответ Astra, сообщивший токены рассуждения (185). Он же самый медленный ответ в этом тесте.

После оценки мы прогнали три дополнительных крайних случая на всех четырёх исправлениях. Второе исправление Astra ошиблось на один цент в двух из них: оно округляет цену после купона, а не сам купон. Купон 50% на заказ в 1 001 цент снял 500 центов, а не 501.

Вердикт: в наших тестах ничья. Обе модели исправили все четыре ошибки. Оба ответа Argon справились и с дополнительными случаями, и каждый стоил меньше цента против 3–5 центов у Astra.

Тест 2: найти причину в логе из 306 строк

Умеет ли модель считать, искать и рассуждать по длинному тексту без промахов?

Промпт:

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.

Под вопросами мы вставили 306 строк (43 КБ) выдуманного лога шлюза за 20 минут. В нём были ловушки: ID пользователя с двумя переставленными цифрами (u_4417), сканер, который бил по несуществующим страницам, и медленный поисковый запрос (9 214 мс), чуть не дотянувший до самого медленного (9 871 мс). Лог и ключ к нему создал скрипт.

• Gemini 4 Argon (9,5 с, 10,0 с): 5 из 5 в обоих прогонах, включая число 14 ошибок, все от payments-1. Причина по его ответу: этот сервис быстро падал (2–9 мс, одинаковые ответы по 162 байта) с 14:07:12 до 14:09:55, а payments-2 оставался здоровым.
• GPT-6 Astra (5,7 с, 5,4 с): 4 из 5 в обоих прогонах. Сначала насчитала 16 ошибок, потом 15. Их было 14. Всё остальное верно, включая ту же причину.

Вердикт: Argon. Неверный счёт в логе — та ошибка, которую видно только при проверке, и Astra допускала её в обоих прогонах. Astra ответила примерно вдвое быстрее.

Если вы используете любую из моделей на логах, просите вместе с числом и сами совпадающие строки, тогда проверите счёт за секунды.

Тест 3: превратить переписку в JSON

Вытащит ли модель точные поля из неаккуратного текста и соблюдёт ли строгий формат?

Промпт:

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.

В переписке было два письма от одного клиента. В понедельник с рабочего адреса пришла просьба заменить две лампы.

В среду с личного адреса просьба поменялась: теперь нужен возврат денег за две лампы и зарядку, всего $157,50, до «этой пятницы», иначе платёж будет оспорен в банке. В переписке упоминается и старый заказ без проблем.

• Gemini 4 Argon (6,8 с): все семь полей верны, в корректном JSON без лишнего: возврат 15 750 центов, личный адрес, оба товара и «эта пятница», превращённая в 2026-10-16.
• GPT-6 Astra (3,9 с): то же самое, поле за полем.

Вердикт: ничья по точности. Astra ответила примерно вдвое быстрее. Argon стоил $0,003 против $0,013.

По скорости Astra начинает отвечать раньше. Первый токен приходил за 3,1–3,8 секунды во всех ответах, кроме того, где модель рассуждала (9,4 с). У Argon первый токен занимал 5,1–6,8 секунды даже на коротком промпте с JSON, и во всех пяти ответах он сообщил 0 токенов размышления.

Если ответ должен начинаться быстро, преимущество у Astra. Если число или поиск должны быть точными, Argon здесь справился лучше.

Что говорят опубликованные бенчмарки?

В собственной таблице Google Argon ведёт в шести строках из десяти, Astra в трёх, одна ничья. Независимый сайт бенчмарков Artificial Analysis ставит им равные оценки.

Это цифры Google из карточки модели Gemini 4 Argon, результаты на октябрь 2026 года.

Победы Astra — в строках про агентов: FrontierSWE v2 (65,5% против 55,0%), Terminal-bench 4.0 и OSWorld-2.0, где проверяют код в терминале и работу с компьютером. Самые большие отрывы Argon — в работе со знаниями: тест юридических агентов Harvey (19,6% против 5,4%), AutomationBench и Vals Index.

Artificial Analysis ставит обеим 53 в Intelligence Index, но Argon запускался с высоким уровнем рассуждения, а Astra с max. При таких настройках Argon написал примерно вдвое больше токенов выхода на задачу (36k против 17k) и всё равно стоил меньше за задачу ($1,99 против $3,26). Скорость генерации у Argon тоже выше: 82 против 56 токенов в секунду.

OpenAI сообщает для Astra 98% на FrontierMath Tier 4 и 99,9% на ARC-AGI-3. В таблице Google этих тестов нет, поэтому поставить рядом цифру Argon не с чем.

Для терминальных агентов и работы с компьютером даже цифры Google в пользу Astra. Для работы с большим объёмом документов они в пользу Argon.

Сколько стоит одна задача у каждой модели?

По прайсу Astra стоила в 3,4–4,9 раза дороже за задачу, чем Argon, в наших прогонах. Когда 1 декабря цена Argon удвоится, Astra всё равно будет стоить в 1,7–2,4 раза дороже.

Эти цены взяты со страницы цен Gemini API у Google и со страницы модели GPT-6 Astra у OpenAI, проверенных 23 октября 2026 года.

Batch и Flex у обеих стоят вдвое меньше. У Astra промпты длиннее 272K входных токенов стоят вдвое дороже на входе и в кеше и в 1,5 раза дороже на выходе для всего запроса. На странице цен Google надбавки за длинные промпты у Argon нет.

В пересчёте на объём: 1 000 задач с логом, как у нас, обойдутся примерно в $60 на Argon до 30 ноября, около $120 с 1 декабря и около $205 на Astra.

Разрыв меньше пятикратной разницы в прайсе по двум причинам. Argon писал более длинные ответы (401 против 218 токенов выхода в задаче с логом), и Google посчитал тот же лог в 43 КБ большим числом входных токенов, чем OpenAI.

Если спросить про тот же лог через две минуты, обе модели выставят большую часть счёта по цене кеша. Наш второй прогон с логом стоил около $0,011 на Argon и около $0,033 на Astra, примерно на 80% меньше первого.

Одно правило OpenAI стоит знать: у моделей GPT-6 стандартный режим кеша берёт за токены промпта, записанные в кеш, 1,25 от цены входа. Поэтому первый вызов с логом может стоить около $0,25 вместо $0,205.

Какую модель выбрать?

Берите Argon для длинных документов, логов и больших объёмов. Берите Astra, когда ответ должен начинаться быстро или когда агенты работают в терминале либо на компьютере.

1 декабря цена Argon удваивается до $4 и $20 за миллион токенов, это по-прежнему 40% прайса Astra, так что выбор выше не меняется. Смешивать модели просто: обе работают в одном API с одним ключом.

Простое разделение: Argon там, где ошибка в числе дорого стоит, Astra там, где дорого стоит медленный ответ. Начните с Gemini 4 Argon в OmniaKey и GPT-6 Astra в OmniaKey.

Как прогнать тот же тест с одним ключом API?

Подключите Python SDK от OpenAI к OmniaKey и поменяйте одну строку, чтобы сменить модель. Этот код мы запускали 23 октября 2026 года.

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. Создайте ключ в OmniaKey и задайте его в OMNIAKEY_API_KEY.
2. Установите SDK: pip install openai.
3. Сохраните промпт в ticket-prompt.md, например инструкции из теста 3 и одну свою переписку.
4. Запустите скрипт. Он выведет ответ, время и расход токенов.
5. Поменяйте model на "gpt-6-astra" и запустите снова.

Когда мы запустили этот скрипт на Argon с промптом из теста 3, он вернул верный JSON за 7,1 секунды, с 634 входными и 152 выходными токенами.

Частые вопросы

Gemini 4 Argon лучше GPT-6 Astra?

В наших трёх задачах Argon отвечал верно каждый раз и стоил меньше, а Astra была быстрее в двух. В таблице Google Argon впереди в шести строках из десяти, а Artificial Analysis ставит обеим одинаковые 53.

Gemini 4 Argon доступен всем?

С 13 октября 2026 года он есть в платном Gemini API, но не в бесплатном уровне. Подписчики Google AI Ultra и Pro получают его ещё и в приложении Gemini.

Насколько Gemini 4 Argon дешевле GPT-6 Astra?

До 30 ноября его цена по прайсу — пятая часть от Astra: $2 и $10 против $10 и $50 за миллион токенов. В наших задачах Astra стоила в 3,4–4,9 раза дороже. С 1 декабря прайс Argon составляет 40% от Astra ($4 и $20 против $10 и $50).

Что лучше для кода?

Обе исправили нашу ошибку и прошли все 12 скрытых тестов. В таблице Google Argon ведёт в DeepSWE v1.1 (77,9% против 74,1%), а Astra — в FrontierSWE v2 (65,5% против 55,0%) и Terminal-bench 4.0 (58,2% против 57,4%).

Gemini 4 Argon размышляет по умолчанию?

Да, на уровне medium. В наших трёх задачах он сообщил 0 токенов размышления, но потратил 471 на более сложную задачу на подсчёт и решил её, значит думает, когда задача требует.

Источники

• Google: анонс Gemini 4 Argon (30 сентября 2026 года), пост об общем доступе (13 октября 2026 года), список изменений Gemini API, страница модели, цены, уровни размышления, карточка модели
• OpenAI: анонс GPT-6 Astra, страница модели, цены, кеш промптов, список изменений
• Artificial Analysis: страница сравнения

Всё проверено 23 октября 2026 года.

История обновлений

• 23 октября 2026 года: первая публикация. Тесты прогнаны 23 октября через API OmniaKey.