Praktyczne testy Gemini 4 Argon i Claude Opus 5.5 nie wskazują jednego zwycięzcy: modele poradziły sobie różnie w zależności od zadania. The New Stack odnotował remis w wyszukiwaniu błędów i przewagę Claude Opus 5.5 w testach rozliczeń oraz długiego kontekstu. W odrębnym eksperymencie Paddo.dev więcej pełnych przebiegów zaliczył Gemini 4 Argon, ale ich łączny koszt był wyższy. To kolejny punkt odniesienia do wcześniejszego porównania modeli w NeoTeo.
Co pokazały testy praktyczne
Opublikowany 18 października 2026 r. test The New Stack obejmował wyszukiwanie błędów w bibliotece Pythona, budowę silnika rozliczeniowego i analizę zależności między usługami. Autor uruchomił każdy model raz w każdym zadaniu. W tabeli wyniki pozostają rozdzielone według testów, bo nie mierzą jednej wspólnej cechy.
| Zadanie | Gemini 4 Argon | Claude Opus 5.5 | Zakres testu |
| Wyszukiwanie błędów | 14/14 błędów znalezionych; żadna z 5 pułapek nie została wskazana | 14/14 błędów znalezionych; żadna z 5 pułapek nie została wskazana | Jedno uruchomienie na model w bibliotece Pythona liczącej 3500 linii; oba modele poprawiły błędy, zachowując 93/93 istniejące testy |
| Silnik rozliczeniowy | 11/80 testów, potem 20/100; po ręcznej poprawce jednej linii: 80/80 i 100/100 | 80/80 testów, potem 100/100 | Jedno uruchomienie na model; testy obejmowały m.in. zmianę czasu, koniec miesiąca i zaokrąglenia |
| Zasięg awarii, dokument 500K | 20/33 usług wskazanych poprawnie | 33/33 usług wskazanych poprawnie | Jedno uruchomienie na model; pytanie dotyczyło usług zależnych od awarii |
| Zasięg awarii, dokument 600K | 19/33 usług wskazanych poprawnie | 32/33 usług wskazanych poprawnie | Jedno uruchomienie na model; pytanie dotyczyło usług zależnych od awarii |
| Sześć zmian w repozytorium | Wszystkie testy przeszły w 16/20 uruchomień | Wszystkie testy przeszły w 13/20 uruchomień | Test Paddo.dev: sześć zmian w jednym produkcyjnym monorepo, 20 uruchomień na model |
Remis przy szukaniu błędów, różnica przy rozliczeniach
W próbie opisanej przez The New Stack oba modele znalazły 14 celowo wprowadzonych błędów, nie wskazały żadnej z pięciu fałszywych pułapek i poprawiły kod bez naruszenia 93 istniejących testów. To mocny wynik dla obu w tym konkretnym zadaniu, nie rozstrzygnięcie o ich ogólnej skuteczności.
Przy silniku rozliczeniowym przewaga Claude Opus 5.5 była wyraźna w pierwotnych wynikach: 80/80 testów wobec 11/80 dla Gemini 4 Argon. W dodatkowej rundzie wynik wyniósł odpowiednio 100/100 i 20/100. Autor The New Stack podał, że jedną z przyczyn słabego wyniku Gemini 4 Argon był nieprawidłowy dodatkowy argument przekazany do funkcji datetime.combine(). Po ręcznej poprawce tej jednej linii model uzyskał 80/80, a w kolejnej rundzie 100/100. Te skorygowane wyniki nie są pierwotnymi rezultatami modelu.
W zadaniu z długim kontekstem Claude Opus 5.5 wskazał poprawnie 33 z 33 usług przy dokumencie oznaczonym jako 500K i 32 z 33 przy 600K. Gemini 4 Argon uzyskał w tych samych zadaniach odpowiednio 20/33 i 19/33. Każdy model przeszedł tę próbę tylko raz, więc wyniki opisują te konkretne przebiegi.
Osobny test kodowania przyniósł inny układ wyników
Opublikowany 14 października 2026 r. eksperyment Paddo.dev objął sześć zmian w jednym produkcyjnym monorepo. Autor testował czyste kopie projektu, stosował średni poziom wysiłku i wykonał 20 uruchomień na model. Wszystkie testy przeszły w 16 uruchomieniach Gemini 4 Argon oraz w 13 uruchomieniach Claude Opus 5.5.
To nie była powtórka testów The New Stack: inne zadania i środowisko dały odmienny obraz. Wyniki Paddo.dev przemawiają za Gemini 4 Argon w tym konkretnym repozytorium, ale nie unieważniają przewagi Claude Opus 5.5 w testach rozliczeniowych i długiego kontekstu. Jeśli wybierasz model do pracy, która przypomina jedno z opisanych zadań, właśnie wynik dla tego zadania jest bardziej użyteczny niż ogólna tabela benchmarków.
Niższa cena tokena nie zawsze obniża koszt zadania
W teście Paddo.dev 20 uruchomień Gemini 4 Argon kosztowało 57,68 USD, a 20 uruchomień Claude Opus 5.5 — 45,81 USD. Autor podał też, że model Gemini 4 Argon wygenerował 1,37 mln tokenów wyjściowych, a model Claude Opus 5.5 — 495 tys. Rachunek zależał więc nie tylko od stawek za token, ale również od liczby tokenów zużytych w tym konkretnym zadaniu.
W czasie testu stawki wprowadzające Gemini 4 Argon wynosiły 2 USD za milion tokenów wejściowych i 10 USD za milion wyjściowych, zgodnie z komunikatem Google. The New Stack podawał dla Claude Opus 5.5 stawki 4 USD za milion tokenów wejściowych i 20 USD za milion wyjściowych. Mimo niższej ceny jednostkowej w teście Paddo.dev łączny koszt Gemini 4 Argon był większy.
The New Stack podał z kolei łączne koszty 4,98 USD dla Gemini 4 Argon i 8,75 USD dla Claude Opus 5.5 w swoich testach. Te sumy dotyczyły różnych wywołań i wolumenów tokenów; zapytanie Claude Opus 5.5 dla dokumentu 900K zostało odrzucone. Nie są więc porównaniem kosztu wykonania identycznego zestawu zadań.
Jeśli twoja praca przypomina testy rozliczeniowe lub analizę zależności w długim dokumencie, wyniki The New Stack przemawiają za Claude Opus 5.5. Przy zmianach w repozytorium podobnym do tego z eksperymentu Paddo.dev więcej uruchomień zaliczył Gemini 4 Argon, ale przy wyższym podanym koszcie. Żaden z tych testów nie daje podstaw do przeniesienia wyniku na każde zadanie programistyczne.
