Les essais pratiques publiés par The New Stack le 18 octobre 2026 et Paddo.dev le 14 octobre 2026 ne désignent pas de vainqueur général entre Gemini 4 Argon et Claude Opus 5.5. The New Stack rapporte une égalité sur la recherche de bugs, mais des scores supérieurs pour Opus en facturation et sur deux tâches de contexte long ; dans l’essai distinct de Paddo.dev, Argon a réussi davantage d’exécutions complètes, avec une facture totale plus élevée.
Cette comparaison prolonge notre précédent article sur Gemini 4 Argon et Claude Opus 5.5 en examinant les résultats tâche par tâche.
Les résultats changent selon la tâche
| Tâche | Gemini 4 Argon | Claude Opus 5.5 | Conditions de l’essai |
| Recherche et correction de bugs | 14 bugs trouvés, aucun des 5 leurres signalé ; 14 bugs corrigés et 93 tests existants préservés | 14 bugs trouvés, aucun des 5 leurres signalé ; 14 bugs corrigés et 93 tests existants préservés | Une exécution par modèle sur une bibliothèque Python de 3 500 lignes |
| Moteur de facturation | 11/80 tests cachés, puis 20/100 après le suivi | 80/80, puis 100/100 après le suivi | Le suivi ajoutait deux devises et 20 tests ; les scénarios portaient notamment sur les changements d’heure, les fins de mois et les arrondis |
| Rayon d’impact, cas 500K | 20 services corrects sur 33 | 33 services corrects sur 33 | Une exécution par modèle ; déterminer quels services seraient touchés par une panne |
| Rayon d’impact, cas 600K | 19 services corrects sur 33 | 32 services corrects sur 33 | Une exécution par modèle ; même question sur les dépendances entre services |
| Six changements logiciels | Tous les tests réussis dans 16 exécutions sur 20 | Tous les tests réussis dans 13 exécutions sur 20 | Essai de Paddo.dev sur six changements d’un monorepo de production, répétés 20 fois par modèle |
Dans la recherche de bugs, l’essai de The New Stack portait sur un seul passage de chaque modèle. Les deux ont aussi conservé les tests déjà présents après leurs corrections : l’égalité vaut pour cette bibliothèque et cette exécution, pas pour tous les travaux de programmation.
La facturation départage davantage les deux réponses initiales. Après une correction manuelle d’une ligne du code d’Argon, l’auteur de l’essai a toutefois obtenu 80/80 puis 100/100 pour ce modèle. Ces résultats corrigés ne sont pas ceux de son premier passage automatique.
Pour le « rayon d’impact », il s’agissait de repérer les services affectés par une panne dans un ensemble de dépendances. Opus a fourni plus de réponses correctes dans les cas 500K et 600K. Sur un document désigné 900K, Argon a obtenu 23 réponses correctes sur 33 ; la requête d’Opus a été rejetée après que son tokenizer a évalué le document à 1,4 million de jetons. Ce dernier cas ne donne donc pas deux scores comparables.
Ces essais ne donnent pas un classement général
Les résultats de The New Stack proviennent d’une exécution par modèle pour chaque tâche. Paddo.dev a, de son côté, répété 20 fois chacun des six changements issus d’un seul monorepo de production — un dépôt unique qui regroupe plusieurs composants logiciels. Ces essais portent sur des travaux différents et ne répètent pas le même protocole : leurs résultats ne forment pas un classement commun.
La série de Paddo.dev apporte néanmoins un autre repère que l’essai unique de The New Stack. Argon a obtenu plus d’exécutions où tous les tests passaient, mais cette observation concerne ces six changements et ce dépôt précis.
La facture dépend aussi du volume de jetons
Pour ses 20 exécutions par modèle, Paddo.dev rapporte 1,37 million de jetons de sortie pour Argon contre 495 000 pour Opus. Les coûts totaux annoncés pour la série sont respectivement de 57,68 dollars américains et 45,81 dollars américains.
Le nombre de jetons générés compte donc dans le coût d’un travail concret : un tarif unitaire ne suffit pas à prévoir la facture totale. Si votre usage ressemble aux tâches de facturation ou de contexte long, les résultats de The New Stack favorisent Opus dans ces essais ; pour les changements logiciels de l’expérience Paddo.dev, Argon a davantage d’exécutions entièrement réussies, mais à un coût total supérieur. Pour les départager sur votre propre activité, comparez les livrables, les corrections nécessaires et la facture sur des tâches proches de votre travail.
