Gemini 4 Argon kodlama testi: 8 görev ve gizli testler

Gemini 4 Argon ile Claude Opus 5.5 aynı sekiz görevi aldı: görev başına tek çağrı ve iki modelin de göremediği gizli testler. Python 3.14'te ikisi de 105 kontrolün tamamını geçti. Argon toplam 139.6 saniye harcadı, Opus 5.5 ise 57.2. Her sağlayıcının liste fiyatıyla sekiz görev Argon'da $0.042, Opus 5.5'te $0.112 tuttu.

Her görev tek kez çalıştı, bu yüzden sonucu günlük kullanımdaki davranış olarak okuyun. Doğrulukta iki model başa baş. Farklar sürede, maliyette ve yeni bir Python isteyen tek bir cevapta. Google, Argon'u 13 Ekim 2026'dan beri genel kullanıma açık sayıyor; milyon giriş token'ı için $2, milyon çıkış token'ı için $10 olan tanıtım fiyatı 30 Kasım'a kadar geçerli, 1 Aralık'ta $4 ve $20'ye iki katına çıkıyor (Google'ın fiyat sayfası, 4 Kasım 2026'da kontrol edildi).

Nasıl test ettik

4 Kasım 2026'da her görevi gemini-4-argon ve claude-opus-5-5 modellerine gönderdik: görev ve model başına tek çağrı, sistem istemi yok, akıl yürütme ayarı yok. İkisi de varsayılan seviyesinde çalıştı: Argon için medium (Google'ın thinking belgesi, 4 Kasım 2026'da kontrol edildi) ve Opus 5.5 için medium (Anthropic'in effort belgesi, aynı gün). Her görev model başına bir cevap üretti ve bu cevap puanlandı.

Süre, sağlayıcının her çağrı için bildirdiği gecikmenin toplamı; bizim puanlama çalıştırmalarımız bu sayıya girmiyor. Maliyet, sağlayıcının liste fiyatının API'nin döndürdüğü token sayısına uygulanmasıyla çıkıyor. OmniaKey iki modeli de sattığı için test tek anahtarla onun üzerinden geçti; buradaki her fiyat Google'ın ya da Anthropic'in tarifesi.

Bir betik her cevaptan kod bloğunu çıkarıp modellerin görmediği gizli bir unittest dosyasına karşı, zaman aşımı olan ayrı bir Python sürecinde çalıştırdı. İlk tur sistemdeki Python 3.9.6 ile yapıldı; sonra aynı kayıtlı cevapları Python 3.14.3'te yeniden puanladık, ek çağrı ve ek maliyet olmadan.

Sekiz görev

Hepsi sıradan bir günde karşılaşılan küçük Python işleri: bir hata düzeltmesi, iki küçük sınıf, bir refactor, bir ayrıştırıcı, bir süre biçimlendirici, bir takvim yardımcısı ve bir grafik araması. Her istem beklenen davranışı düz metinle anlattı; hiçbirinde test yoktu.

Görev 1: aralık birleştirme hatasını düzeltmek

merge_intervals aralıkları sıralayıp birleştiriyordu ama (1, 3) ve (3, 5) gibi birbirine değen çiftleri ayrı bırakıyordu. Tek bir karşılaştırma yetiyor.

• Gemini 4 Argon (5.6 sn): 12 / 12.
• Claude Opus 5.5 (2.9 sn): 12 / 12.

Sonuç: kontrollerde beraberlik. Opus yarı sürede cevap verdi.

Görev 2: token kovalı hız sınırlayıcı

TokenBucket(rate_per_second, capacity) sürekli dolmalı, kapasitenin altında kalmalı ve geriye giden now değerlerini kaldırmalıydı.

• Gemini 4 Argon (6.6 sn): 10 / 10.
• Claude Opus 5.5 (4.8 sn): 10 / 10.

Sonuç: beraberlik. İkisi de geri giden saati yönetti.

Görev 3: isabet ve ıska sayacı olan LRU önbellek

LRUCache çıkarma sırasını, yerinde güncellemeyi, stats() sayaçlarını ve anahtarların en eski kullanımdan en yeniye listesini istiyordu.

• Gemini 4 Argon (7.1 sn): 10 / 10.
• Claude Opus 5.5 (4.1 sn): 10 / 10.

Sonuç: beraberlik. Opus 3 sn daha hızlıydı.

Görev 4: davranışı değiştirmeden refactor

Modül çalışıyordu. Cevap slugify ve slug_counts adlarını korumalı, Unicode harflerde, noktalama işaretlerinde ve tekrarlanan ayırıcılarda aynı davranmalıydı.

• Gemini 4 Argon (15.9 sn): 12 / 12.
• Claude Opus 5.5 (8.7 sn): 12 / 12.

Sonuç: beraberlik. İkisi de sabitlenmiş tüm durumları korudu.

Görev 5: log satırını dict'e çevirmek

Tırnak içindeki değerler, kaçışlı tırnaklar ve ters bölülerle bir key=value ayrıştırıcısı, UTC zaman damgası ve yinelenen anahtarlar, boş key= ve saçma girdiler için ValueError.

• Gemini 4 Argon (16.1 sn): 13 / 13.
• Claude Opus 5.5 (10.9 sn): 13 / 13.

Sonuç: beraberlik. İkisi de kaçışları ilk denemede doğru yaptı.

Görev 6: süreleri biçimlendirmek ve ayrıştırmak

format_duration ve parse_duration yarımı sıfırdan uzağa yuvarlamalı, boş parçaları atmalı (3601 → 1h1s), geçersiz biçimleri reddetmeli ve her değerde gidiş dönüşü korumalıydı. Gün gösterilmiyor: 90000 → 25h.

• Gemini 4 Argon (60.9 sn): Python 3.9'da 0 / 14, 3.14'te 14 / 14.
• Claude Opus 5.5 (14.0 sn): ikisinde de 14 / 14.

Sonuç: 3.14'te beraberlik. 3.9'da Argon'un cevabı içe aktarılamadı bile; sonraki bölüm nedenini anlatıyor.

Görev 7: toplantı odalarının boş aralıkları

free_slots rezervasyonları çalışma gününe göre kesmeli, birbirine değenleri birleştirmeli, 15 dakikadan kısa boşlukları atmalı ve geçersiz girdiyi reddetmeliydi.

• Gemini 4 Argon (18.9 sn): 17 / 17.
• Claude Opus 5.5 (5.0 sn): 17 / 17.

Sonuç: kontrollerde beraberlik. Argon neredeyse dört kat fazla süre harcadı.

Görev 8: eşitlik bozmalı en kısa yol

shortest_path aynı uzunluktaki yollar arasından sözlük sırasına göre en küçüğünü seçen Dijkstra'yı, ayrıca paralel kenarları, döngüleri ve yolun olmadığı durumu istiyordu.

• Gemini 4 Argon (8.5 sn): 17 / 17.
• Claude Opus 5.5 (6.8 sn): 17 / 17.

Sonuç: beraberlik. Sekizin en yakını.

Sonuçlar: geçen testler, süre ve maliyet

Python 3.14'te iki model de 105 kontrolün tamamını geçti. Python 3.9.6'da Argon 91 kontrol geçti, çünkü bir cevap içe aktarılamadı.

Opus 5.5 her görevde daha hızlı cevap verdi. En küçük fark grafik görevindeydi (8.5 sn'ye karşı 6.8 sn), en büyük fark sürelerde (60.9 sn'ye karşı 14.0 sn).

Liste fiyatıyla sekiz görev Argon'da $0.042, Opus 5.5'te $0.112 tuttu; yaklaşık 2.7 kat fazla. Argon'un cevapları toplam 3,346 giriş ve 3,525 çıkış token'ı kullandı; Opus 5.5'inki 4,419 ve 4,692. İki API de her çağrıda 0 düşünme token'ı bildirdi, yani akıl yürütme faturaya bir şey eklemedi.

Google'ın liste fiyatı 30 Kasım 2026'ya kadar milyon giriş token'ı için $2, milyon çıkış token'ı için $10; sonra $4 ve $20 (Gemini API fiyatları, 4 Kasım 2026'da kontrol edildi). Anthropic'in Opus 5.5 fiyatı $4 ve $20 (Anthropic fiyatları, aynı gün). 1 Aralık'tan sonra aynı token'lar Argon'da iki kat pahalı, bu da iki modeli birbirine yaklaştırıyor. İki modelin tarifesi fiyat sayfasında.

Sekiz görev iki öncü modeli kalitede ayırmıyor. Seçimi hıza, fiyata ve testlerinizin çalıştığı Python sürümüne göre yapın.

Kullananlar ne diyor

Ayrılık herkese açık yorumlarda da görünüyor. Hacker News'te 31 Ekim'de A_D_E_P_T şöyle yazdı: “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 Ekim'de seizethecheese yerel kod ajanları için şöyle yazdı: “Argon is really bad. Literally the worst model in our initial ranking”, Opus 5.5'i birinci sıraya koydu. 13 Ekim'de ariwilson, Argon'un kendi projelerindeki küçük hata düzeltmelerinde “solved 10 of 11” yaptığını aktardı.

Bunlar kullanıcıların kendi ortamlarına dair görüşleri, kontrollü testler değil. Olumsuz yorum bir ajan koşum düzeneğini deneyen birinden geliyor, bizimki gibi doğrudan bir API çağrısından değil.

Tek başarısızlık: Python 3.9, Argon'un cevabını içe aktaramıyor

Argon'un süre cevabı bir yardımcı işleve float | int | Decimal tip ipucu ekledi. Python 3.9 bunu içe aktarırken değerlendiremiyor, bu yüzden modül TypeError: unsupported operand type(s) for |: 'type' and 'type' hatasını verdi ve 14 testin hepsi çalışmadan düştü.

Mantık doğruydu. Aynı dosya Python 3.14.3'te içe aktarılıyor ve 14 / 14 geçiyor. Bu birleşim sözdizimi Python 3.10 ya da üstünü istiyor.

Puan yorumlayıcıya bağlı: sistemdeki Python 3.9.6'da Argon 105 kontrolün 91'ini bitirdi, Opus 5.5 105'ini. 3.14'te ikisi de 105'i bitirdi.

Bir sunucu imajı ya da CI makinesi hâlâ 3.9 taşıyorsa tuzak burada. İki alışkanlık bunu kapatıyor: istemde Python sürümünü yazmak ve puanlamayı desteklediğiniz en eski sürümde yapmak. 3.9 hedefi için Union[float, int] ya da dosyanın başında from __future__ import annotations isteyin.

Google'ın kendi benchmark'ları ne diyor

Argon'un model kartı (4 Kasım 2026'da kontrol edildi) kod ve güvenlik bölümlerinden beş testi Opus 5.5'in sayısıyla birlikte listeliyor. Argon üçünde önde, ikisinde geride.

Bu sayılar Ekim 2026'ya ait; Notes sütunu bu satırlarda boş, yani thinking seviyesi, koşum düzeneği ve deneme sayısı belirtilmemiş. Testler bizim küçük fonksiyonlarımızdan çok daha fazla ajan gerektiriyor.

Google'ın 13 Ekim duyurusu Argon'u kodu da kapsayan Vals Index'te birinci sıraya koyuyor ve Antigravity içinde ajanlarla kod gönderimlerinin %35'ten fazla arttığını bildiriyor. İki sayı da Google'ın kendi verisi.

23 Ekim'deki GPT-6 Astra ile üç görevlik karşılaştırmamızda Argon bir faturalama hatasının 12 gizli testini de geçmişti. Argon orada da burada 1. görevde de tüm kontrolleri geçti ve yeni sonuçlar bununla çelişmiyor.

Aynı testi kendiniz nasıl çalıştırırsınız

Görev başına bir istem dosyası, iki modele değiştirilmeden gönderildiğinde hazırlık tamamdır. Biz https://api.omniakey.com/v1 adresini kullandık; iki modelin sayfası Gemini 4 Argon ve Claude Opus 5.5.

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. Her görevi kendi istem dosyasına kaydedin ve sistem istemi olmadan değiştirmeden gönderin, böylece iki model aynı sözleri alsın.
2. Her istemi model başına bir kez varsayılan thinking seviyesinde gönderin ve model kimliğini, süreyi ve token sayısını not edin.
3. Her cevaptan kod bloğunu kesip testlerinizin içe aktardığı modül olarak kaydedin.
4. Gizli testlerinizi zaman aşımı olan ayrı bir süreçte çalıştırın ve geçen sayıyı toplamın yanına yazdırın.
5. Puanlamayı desteklediğiniz en eski Python'da tekrarlayın. Argon'un tek hatası 3.9 turunda çıktı.
6. Maliyeti dönen token'lardan ve sağlayıcının liste fiyatından hesaplayın.

Sık sorulan sorular

Gemini 4 Argon kodda iyi mi?

Sekiz görevimizde Python 3.14'te 105 gizli testin tamamını geçti, tıpkı Opus 5.5 gibi. Google'ın tablosunda Argon beş satırın üçünde önde, ikisinde geride.

Gemini 4 Argon ile kod yazmak ne kadar?

Google 30 Kasım 2026'ya kadar milyon giriş token'ı için $2, milyon çıkış token'ı için $10 alıyor; sonra $4 ve $20. Sekiz görevimiz tanıtım fiyatıyla $0.042 tuttu. Opus 5.5, Anthropic'in $4 ve $20'siyle $0.112 tuttu.

Gemini 4 Argon, Claude Opus 5.5'ten hızlı mı?

Değil. Opus 5.5 sekiz görevde de daha hızlıydı: toplam 57.2 saniye, Argon'un 139.6 saniyesine karşı. En büyük fark süre görevindeydi, 14.0 saniyeye karşı 60.9.

Argon bir görevi neden kaybetti?

Mantık kaybetmedi. Süre cevabı Python 3.9'un içe aktarırken değerlendiremediği float | int | Decimal ipucunu kullanıyordu, bu yüzden 14 test çalışmadan düştü. Aynı dosya Python 3.14'te 14 / 14 geçiyor.

Kaynaklar

• Gemini 4 Argon model sayfası
• Gemini API fiyatları
• Gemini API thinking seviyeleri
• Gemini 4 Argon model kartı
• Gemini 4 Argon duyurusu
• Vertex AI'da Gemini 4 Argon
• Anthropic API fiyatları
• Claude Opus 5.5 genel bakış
• Anthropic effort ayarları

Hepsi 4 Kasım 2026'da kontrol edildi.

Güncelleme günlüğü

• 4 Kasım 2026: ilk yayın. Testler 4 Kasım'da çalıştı, Python 3.9.6'da ve ardından 3.14.3'te puanlandı.