Le prove pratiche su Gemini 4 Argon e Claude Opus 5.5 non indicano un vincitore generale: nel confronto di The New Stack i modelli hanno pareggiato nella ricerca di bug, mentre Opus ha ottenuto risultati migliori nei test di fatturazione e di contesto lungo. In un esperimento distinto, Paddo.dev ha registrato più esecuzioni interamente riuscite per Argon, ma anche un costo totale superiore.
NeoTeo aveva già messo a confronto i due modelli in una precedente analisi; questi test aggiungono risultati su compiti di programmazione concreti.
Che cosa mostrano le prove pratiche
Nel confronto pubblicato da The New Stack il 18 ottobre 2026, l’autore ha eseguito ogni prova una sola volta per modello. Paddo.dev ha pubblicato il 14 ottobre 2026 il suo esperimento distinto, con 20 esecuzioni per modello su sei modifiche di un monorepo di produzione.
| Prova | Gemini 4 Argon | Claude Opus 5.5 | Condizioni |
| Ricerca e correzione dei bug | Trovati 14 bug su 14; nessuno dei cinque falsi indizi segnalato; corretti i 14 bug, senza compromettere i 93 test esistenti | Trovati 14 bug su 14; nessuno dei cinque falsi indizi segnalato; corretti i 14 bug, senza compromettere i 93 test esistenti | Una esecuzione per modello, su una libreria Python di 3.500 righe |
| Motore di fatturazione | 11/80 test nascosti; poi 20/100 nel test successivo | 80/80 test nascosti; poi 100/100 nel test successivo | Il seguito aggiungeva due valute e 20 test; i casi includevano ora legale, fine mese e arrotondamenti |
| Raggio d’impatto, documento nominale da 500K | 20 servizi corretti su 33 | 33 servizi corretti su 33 | Domanda sui servizi coinvolti da un guasto |
| Raggio d’impatto, documento nominale da 600K | 19 servizi corretti su 33 | 32 servizi corretti su 33 | Stessa domanda sui 33 servizi |
| Modifiche al monorepo, test Paddo.dev | Tutti i test superati in 16 esecuzioni su 20 | Tutti i test superati in 13 esecuzioni su 20 | Sei modifiche, 20 esecuzioni per modello, un solo monorepo |
Il pareggio nella ricerca dei bug non si estese alla fatturazione. Nel test originale, Argon ottenne 11/80 e poi 20/100; Opus arrivò rispettivamente a 80/80 e 100/100. The New Stack riferisce che un argomento aggiuntivo non valido per datetime.combine() causò il primo errore di Argon: dopo la correzione manuale di una riga, i suoi risultati salirono a 80/80 e 100/100. Questi ultimi sono punteggi corretti dall’autore, non quelli della prima esecuzione.
Anche le prove sul contesto lungo favorirono Opus nei documenti nominali da 500K e 600K. Nel test da 900K, Argon individuò correttamente 23 servizi su 33; la richiesta a Opus fu respinta dopo che il tokenizer di Anthropic conteggiò il documento a 1,4 milioni di token. Non è quindi un confronto diretto tra i due modelli su quella dimensione.
Perché le prove non individuano un vincitore generale
I risultati di The New Stack descrivono una sola esecuzione per modello in ciascun compito. Paddo.dev ha ripetuto 20 volte le prove su sei modifiche dello stesso monorepo e ha contato quante esecuzioni superavano tutti i test. I due esperimenti misurano lavori e configurazioni diversi: il risultato di uno non annulla quello dell’altro.
Per chi lavora soprattutto sulla ricerca di bug, la prova di The New Stack è un pareggio; per la fatturazione e le domande sul raggio d’impatto, i punteggi riportati favoriscono Opus. Nel test ripetuto di Paddo.dev, invece, Argon ha avuto più esecuzioni interamente riuscite. Sono indicazioni riferite a quei compiti, non una classifica generale dei modelli.
Costi: conta anche il volume di token
Nel test di Paddo.dev, 20 esecuzioni sono costate in totale 57,68 dollari con Argon e 45,81 dollari con Opus. Lo stesso esperimento ha registrato 1,37 milioni di token in uscita per Argon, contro 495.000 per Opus. Il prezzo per token, da solo, non basta quindi a stimare il costo di un lavoro completato: anche il volume generato incide sul totale. Per confrontare i modelli sul proprio flusso di lavoro, il dato più utile è il costo delle attività rappresentative, insieme al loro tasso di completamento.
