Gemini 4 Argon und Claude Opus 5.5 haben in den berichteten Praxistests keinen allgemeinen Sieger. The New Stack meldete einen Gleichstand bei der Fehlersuche und Vorteile für Opus bei einer Abrechnungsaufgabe und Tests mit langen Dokumenten. In einem separaten Versuch mit 20 Durchläufen pro Modell bestand Argon häufiger alle Tests, verursachte aber höhere Gesamtkosten.
Dieser Artikel ergänzt den früheren NeoTeo-Vergleich zu Gemini 4 Argon und Claude Opus 5.5 um weitere praktische Coding-Ergebnisse.
Was die Praxistests ergaben
The New Stack veröffentlichte seinen Vergleich am 18. Oktober 2026. Der Autor führte jede Aufgabe einmal pro Modell aus. Bei der Fehlersuche in einer 3.500 Zeilen langen Python-Bibliothek fanden beide Modelle alle 14 eingebauten Fehler, markierten keine der fünf absichtlich eingebauten Fehlalarme und reparierten die Fehler, ohne einen der 93 bestehenden Tests zu beschädigen.
Bei der Abrechnungsaufgabe lag Claude Opus 5.5 zunächst vorn: Das Modell bestand 80 von 80 versteckten Tests und im anschließenden Test mit zusätzlichen Währungen 100 von 100. Gemini 4 Argon kam zuerst auf 11 von 80 und danach auf 20 von 100. Nachdem der Autor eine fehlerhafte Codezeile manuell korrigiert hatte, erreichte Argon ebenfalls 80 von 80 und 100 von 100. Diese korrigierten Werte sind nicht das Ergebnis des ursprünglichen Argon-Durchlaufs. The New Stack schildert Testaufbau und Ergebnisse.
Bei einer weiteren Aufgabe sollten die Modelle bestimmen, welche von 33 Diensten von einem Ausfall betroffen wären. Im Test mit einem als 500K bezeichneten Dokument erreichte Argon 20 von 33, Opus 33 von 33; beim 600K-Dokument waren es 19 von 33 und 32 von 33. Für das 500K-Dokument zählte der Tokenizer von Argon 549.483 Tokens, der von Opus 784.087. Die Größenbezeichnung meint daher nicht dieselbe Tokenzahl bei beiden Modellen.
| Aufgabe | Gemini 4 Argon | Claude Opus 5.5 | Umfang und Bedingungen |
| Fehlersuche und Reparatur | 14 von 14 Fehlern gefunden; keine Fehlalarme; 93 von 93 bestehenden Tests erhalten | 14 von 14 Fehlern gefunden; keine Fehlalarme; 93 von 93 bestehenden Tests erhalten | Ein Durchlauf pro Modell; Python-Bibliothek mit 3.500 Zeilen und fünf Fehlalarmen |
| Abrechnungslogik, erster Test | 11 von 80 Tests | 80 von 80 Tests | Ein Durchlauf pro Modell; versteckte Tests |
| Abrechnungslogik, Folgetest | 20 von 100 Tests; nach manueller Korrektur 100 von 100 | 100 von 100 Tests | Folgetest ergänzte zwei Währungen und 20 Tests; Argons perfektes Ergebnis folgte auf die manuelle Korrektur |
| Abhängigkeitsanalyse, 500K-Dokument | 20 von 33 Diensten korrekt | 33 von 33 Diensten korrekt | Tokenizer zählten das Dokument unterschiedlich: 549.483 Tokens bei Argon, 784.087 bei Opus |
| Abhängigkeitsanalyse, 600K-Dokument | 19 von 33 Diensten korrekt | 32 von 33 Diensten korrekt | Frage nach den Diensten, die ein Ausfall betreffen würde |
| Sechs Codeänderungen | 16 von 20 Durchläufen bestanden alle Tests | 13 von 20 Durchläufen bestanden alle Tests | Paddo.dev: sechs Änderungen aus einem Produktionsmonorepo, 20 Durchläufe pro Modell |
Paddo.dev veröffentlichte seinen separaten Coding-Test am 14. Oktober 2026. Er umfasste sechs Änderungen aus einem Produktionsmonorepo, saubere Ausgangsversionen, mittleren Aufwand und 20 Durchläufe je Modell. Argon bestand in 16 Durchläufen alle Tests, Opus in 13. Paddo.dev beschreibt Versuchsaufbau und Resultate.
Warum die Tests keinen Gesamtsieger bestimmen
Die Ergebnisse beantworten unterschiedliche Fragen. Im einmaligen Bug-Hunt von The New Stack waren beide Modelle gleichauf; Opus erzielte dort die besseren ursprünglichen Werte bei Abrechnung und Abhängigkeitsanalyse. Paddo.dev wiederum meldete in seinem anderen Test mehr vollständig bestandene Argon-Durchläufe. Die Versuche unterscheiden sich in Aufgaben, Testaufbau und Zahl der Durchläufe – sie sind keine Wiederholungen derselben Messung.
Für die eigene Auswahl kommt es deshalb darauf an, welche Arbeit ansteht. Die genannten Ergebnisse geben Hinweise zu genau diesen Coding-Aufgaben, aber keinen allgemeinen Genauigkeitswert für eines der Modelle.
Niedrigere Tokenpreise bedeuten nicht automatisch geringere Aufgabenkosten
Paddo.dev bezifferte die Gesamtkosten seiner 20 Durchläufe auf 57,68 US-Dollar für Argon und 45,81 US-Dollar für Opus. Dabei fielen laut Paddo.dev bei Argon 1,37 Millionen Ausgabetokens an, bei Opus 495.000. Google hatte für Argon einen Einführungspreis von 2 US-Dollar je Million Eingabetokens und 10 US-Dollar je Million Ausgabetokens angekündigt. Googles Ankündigung nennt die API-Tarife; die von Paddo.dev ausgewiesenen Summen beziehen sich auf dessen konkrete Testläufe. Der Tokenpreis allein sagt also nicht, was ein bestimmter Arbeitsablauf insgesamt kostet.
