No hay un ganador general entre Gemini 4 Argon y Claude Opus 5.5: en la prueba de The New Stack empataron al buscar errores, pero Opus obtuvo mejores resultados en facturación y en dos tareas de contexto largo. En otro experimento, Paddo.dev registró más ejecuciones completas de Argon, aunque también un coste total superior. Esta nueva comparación amplía la cobertura anterior de NeoTeo sobre ambos modelos con resultados de pruebas prácticas distintas.
Qué encontraron las pruebas
The New Stack publicó su comparación el 18 de octubre de 2026 y ejecutó cada tarea una vez por modelo. Paddo.dev publicó la suya el 14 de octubre: probó seis cambios de un mismo monorepo de producción en 20 ejecuciones por modelo. Sus resultados no son repeticiones de una misma prueba, sino observaciones de trabajos y métodos diferentes.
| Tarea | Gemini 4 Argon | Claude Opus 5.5 | Método y alcance |
| Búsqueda y corrección de errores | Encontró 14 de 14 errores, descartó los cinco señuelos y corrigió los errores sin alterar 93 pruebas existentes | Encontró 14 de 14 errores, descartó los cinco señuelos y corrigió los errores sin alterar 93 pruebas existentes | Una ejecución por modelo en una biblioteca de Python de 3.500 líneas |
| Motor de facturación | 11/80 pruebas; 20/100 tras una solicitud de seguimiento. Después de una corrección manual de una línea, llegó a 80/80 y 100/100 | 80/80 pruebas; 100/100 tras la solicitud de seguimiento | Una ejecución por modelo; incluía cambios de horario, cierres de mes y redondeos. El seguimiento añadió dos divisas y 20 pruebas |
| Radio de impacto con documento de 500K | 20 de 33 servicios correctos | 33 de 33 servicios correctos | Una ejecución por modelo; el documento nominal de 500K equivalió a 549.483 tokens para Argon y 784.087 para Opus |
| Radio de impacto con documento de 600K | 19 de 33 servicios correctos | 32 de 33 servicios correctos | Una ejecución por modelo; la pregunta pedía identificar los servicios afectados por un fallo |
| Seis cambios de código | Todas las pruebas pasaron en 16 de 20 ejecuciones | Todas las pruebas pasaron en 13 de 20 ejecuciones | Una prueba distinta, sobre seis cambios del mismo monorepo y con 20 ejecuciones por modelo |
En la búsqueda de errores, ambas respuestas encontraron todos los fallos plantados y evitaron los señuelos. La distancia apareció en el motor de facturación: Opus obtuvo la puntuación máxima en las ejecuciones originales, mientras que Argon alcanzó ese resultado solo después de que el autor de la prueba corrigiera manualmente una línea. Esa diferencia importa si el trabajo exige una solución correcta desde el primer intento, sin intervención humana.
En las preguntas sobre dependencias, Opus identificó 33 de 33 servicios afectados en el documento de 500K y 32 de 33 en el de 600K; Argon acertó 20 y 19, respectivamente. El tamaño nominal de 500K produjo recuentos de tokens distintos para cada modelo, una diferencia relevante al comparar cómo procesaron el mismo documento.
El experimento de Paddo.dev incluyó más ejecuciones, pero evaluó otra clase de trabajo: seis cambios de software en un solo repositorio. Argon completó todas las pruebas en tres ejecuciones más que Opus. Ese resultado favorece a Argon dentro de ese ensayo concreto, sin contradecir las puntuaciones de facturación y contexto largo de The New Stack: las tareas y los métodos no eran los mismos.
Qué dicen los costes
En las 20 ejecuciones de Paddo.dev, el coste total comunicado fue de 57,68 dólares para Argon y 45,81 dólares para Opus. El mismo experimento registró 1,37 millones de tokens de salida para Argon, frente a 495.000 para Opus. Google había anunciado para Argon una tarifa introductoria de 2 dólares por millón de tokens de entrada y 10 dólares por millón de salida; después del periodo introductorio, las tarifas anunciadas eran de 4 y 20 dólares, respectivamente. Google publicó ambas tarifas, y The New Stack situó el cambio al 1 de diciembre de 2026.
El menor precio por token de Argon durante el periodo introductorio no se tradujo en un total menor en las ejecuciones de Paddo.dev: el volumen de salida fue muy distinto entre los dos modelos. Para comparar un trabajo propio, el resultado de esas pruebas indica que conviene mirar el coste del volumen que genera la tarea completa, además de la tarifa unitaria.
