Gemini 4 Argon e Claude Opus 5.5 não têm um vencedor geral nas avaliações práticas publicadas. Em artigo de 18 de outubro de 2026, a The New Stack relatou empate na busca por bugs e vantagem do Opus em testes de cobrança e de contexto longo. Já a Paddo.dev, em publicação de 14 de outubro, registrou mais execuções aprovadas por completo para Argon em um teste distinto — com custo total maior para esse modelo.
Esta matéria dá continuidade à comparação anterior do NeoTeo entre Gemini 4 Argon e Claude Opus 5.5, agora com foco nos resultados de tarefas práticas e no que os custos relatados permitem concluir.
O que os testes práticos encontraram
A The New Stack executou cada tarefa uma vez por modelo. Na busca por bugs, os dois modelos encontraram os 14 erros inseridos em uma biblioteca Python de 3.500 linhas, não apontaram nenhum dos cinco falsos positivos e, após as correções, preservaram os 93 testes existentes. O resultado foi um empate nessa tarefa específica.
| Tarefa | Gemini 4 Argon | Claude Opus 5.5 | Escopo do teste |
| Busca por bugs | Encontrou 14/14; não apontou falsos positivos | Encontrou 14/14; não apontou falsos positivos | Uma execução por modelo; cinco falsos positivos e 93 testes existentes na biblioteca |
| Motor de cobrança | 11/80 testes; depois, 20/100 | 80/80 testes; depois, 100/100 | Resultados originais nas duas etapas, segundo a The New Stack |
| Raio de impacto, documento 500K | 20/33 serviços corretos; 8 incorretos | 33/33 corretos | Pergunta sobre os serviços afetados por uma falha em um conjunto de 33 serviços |
| Raio de impacto, documento 600K | 19/33 serviços corretos; 16 incorretos | 32/33 corretos | A mesma pergunta, com outro tamanho de documento |
| Seis alterações em um monorepo | Todos os testes passaram em 16/20 execuções | Todos os testes passaram em 13/20 execuções | Teste da Paddo.dev; 20 execuções por modelo |
Nos testes do motor de cobrança, a tarefa incluía mudanças de horário de verão, datas no fim do mês e arredondamento. A etapa seguinte acrescentou duas moedas e 20 testes. A The New Stack relatou que uma linha de código gerada por Argon continha um argumento extra inválido para datetime.combine(). Depois de corrigir manualmente essa linha, o autor obteve 80/80 e, na etapa seguinte, 100/100 para Argon. Esses resultados corrigidos não são os da execução original.
Nos testes de contexto longo, os números se referem ao total de serviços identificados corretamente, de uma resposta esperada com 33. Para o documento rotulado como 500K, os tokenizadores contaram 549.483 tokens para Argon e 784.087 para Opus. Assim, embora o rótulo do documento fosse o mesmo, a quantidade de tokens processada por cada modelo diferiu.
Por que os resultados não apontam um vencedor geral
A diferença entre as avaliações está no que cada uma pediu aos modelos. A The New Stack mediu, em uma execução por modelo, busca e correção de bugs, implementação de um sistema de cobrança e análise de dependências em contexto longo. O Opus teve resultados melhores nas duas últimas tarefas, enquanto a busca por bugs terminou empatada.
A Paddo.dev avaliou seis alterações em um único monorepo de produção, usando snapshots limpos e esforço médio, com 20 execuções para cada modelo. Argon passou em todos os testes em 16 execuções, contra 13 do Opus. É um resultado diferente, obtido em outro código e com outro método; não é uma repetição dos testes da The New Stack.
O custo depende do trabalho executado
Na avaliação da Paddo.dev, o custo total informado foi de US$ 57,68 para Gemini 4 Argon e US$ 45,81 para Claude Opus 5.5, considerando 20 execuções de cada modelo. O teste também registrou 1,37 milhão de tokens de saída para Argon e 495 mil para Opus.
O volume de tokens ajuda a explicar por que o custo de uma tarefa não se deduz apenas de uma tarifa por token. Esses totais descrevem as execuções desse monorepo, e não um preço universal para completar qualquer tarefa de programação.
Se o seu trabalho se parece com os testes de cobrança ou de dependências em contexto longo da The New Stack, os resultados relatados favoreceram Opus nessas tarefas. Para alterações semelhantes às avaliadas pela Paddo.dev, Argon teve mais execuções aprovadas por completo, mas também um total informado maior. Cada resultado vale para o trabalho e o método que o produziram.
