Gemini 4 Argon・GPT-6 Astra・Claude Opusのベンチマークを読む
Argonのコーディング、ターミナル操作、長コンテキストの成績を比較。評価条件の違いを整理し、自分の業務でモデルを選ぶための検証表を提供します。
Ofox 
Gemini 4 Argonは、公開されたすべてのコーディング評価で首位ではありません。Googleの比較ではDeepSWE v1.1が77.9%でGPT-6 AstraとClaude Opus 5.5を上回る一方、FrontierSWE v2は55.0%で両者を下回ります。同じ比較表のTerminal-Bench 4.0ではOpusが上位です。重要なのは、自分の作業に近い評価はどれか、どの条件で測定されたかです。
本記事は2026年10月14日に確認した公開情報の分析であり、Ofoxが実施したモデルの比較実測ではありません。Googleの比較、独立機関の以前の評価、私たちが提案する検証表を分けています。検証表の空欄は実測結果ではありません。
コーディングの成績はタスク別に比較する
| 評価 | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 | 読み取れる範囲 |
|---|---|---|---|---|
| DeepSWE v1.1 | 77.9% | 74.1% | 74.2% | この行はArgonが上位。すべてのリポジトリ作業に一般化しない |
| FrontierSWE v2 | 55.0% | 65.5% | 62.3% | Astraが上位。難易度と評価環境を確認する |
| Terminal-Bench 4.0 | 57.4% | 58.2% | 66.4% | Opusが上位。ターミナル操作の多い仕事は別途検証する |
出典：Argonモデルカードと評価方法。Googleが報告した比較であり、私たちが同一ハーネスで3モデルを動かした結果ではありません。DeepSWEとTerminal-BenchはGoogleによるArgon測定と、他社の公開ランキング・システムカードの数値を組み合わせています。推論設定や評価用ハーネスの違いがあるため、比較の解釈には限界があります。FrontierSWEはGoogleの方法文書で公式ランキングに基づく値とされています。
差はパーセントポイントであり、処理速度の改善率ではありません。ArgonはDeepSWEでAstraより3.8ポイント高く、FrontierSWEでは10.5ポイント低い結果です。いずれの差も自分のリポジトリで何分節約できるかは示しません。異なるタスクの百分率を平均して、新しい総合コーディング点を作ることも避けてください。
長コンテキストと動画は別の問いに答える
| 公開評価 | Argon | Astra | Opus 5.5 | 保持すべき制約 |
|---|---|---|---|---|
| GraphWalks、256k–1M BFS F1 | 84.2% | 71.8% | 66.8% | Googleが200問を測定。リポジトリ全体の正確性ではない |
| LVBench | 91.7% | 87.5% | 83.7% | フレーム予算が異なり、同じ入力での本番費用比較ではない |
| AutomationBench | 51.3% | 41.4% | 42.5% | 非公開評価セット。Artificial Analysisの似た名前の評価とは別 |
方法文書ではGeminiが1 FPS、他モデルには別のフレーム上限があり、GPTは800、Opusは600フレームです。動画の数値はモデル性能と入力予算の両方を反映します。Argonを試す理由にはなりますが、自分の動画の長さとサンプリング条件でも入力条件をそろえた場合に精度や費用で優位に立つとは証明しません。
Argonの統合コンテキストは入力・推論・最終出力を合わせて1,048,576トークンです。長い入力を使う試験はできますが、アップロードした重要事項をすべて正しく使う保証ではありません。リポジトリなら複数ファイルに分散した制約をパッチが守るか、動画なら提示されたタイムスタンプが実際の映像の該当箇所を指しているか、調査なら結論ごとに出典があるかを確認します。流暢さだけで合格にしないでください。
独立したArtificial Analysisの評価
9月30日のレポートではArgonの推論設定はhigh、Intelligence Indexは53でした。同レポートのGPT-6 Astra maxと同点で、GPT-6.1 Sol maxは52です。設定も結果の一部です。同点でも、すべての推論設定や応答時間予算で同じ動作になるとは限りません。
Intelligence Index評価でのArgonは割引期間に1タスク当たり1.99ドルで、Astraの3.26ドルのおよそ60%、GPT-6.1 Solの2.7倍でした。通常価格での推計は3.98ドルです。これはレポートの負荷と前提による費用で、ユーザーの任意のタスク単価ではありません。また平均出力はArgonが約62,000トークン、Astraが約27,000。入出力の単価だけで完了タスクの費用順は決められません。
AA-Omniscienceの事実性評価では、Argonのハルシネーション率が15%、正答率が50%、Astraの正答率が63%です。低いハルシネーション率を高い正答率と言い換えてはいけません。回答を控えたケース、正答、誤答を分ける必要があります。採用基準に使う前に評価方法を確認してください。
このレポートのAutomationBench-AA 78%は、Google表のAutomationBench 51.3%とは別の指標です。SNSが両方を「automation」と略しても、名前、問題セット、測定方法を混ぜないでください。
最初の試験で何を確かめるか
以下は公開証拠から立てた仮説であり、私たちの実行結果に基づく推奨ではありません。
| 仕事 | 最初に調べる候補 | 説得力のある合格条件 |
|---|---|---|
| DeepSWEに近いリポジトリの問題修正 | Argon、比較対象にAstraとOpus | 正しいパッチ、関連テスト成功、無関係な変更なし、レビュー時間の記録 |
| FrontierSWEに近い難しいソフトウェア開発 | AstraまたはOpus、Argonも比較に残す | モデルに事前公開していない回帰テストへの合格と、設計上の制約の遵守 |
| ターミナル・ツール実行が中心 | OpusをAstra、Argonと比較 | 正しい終了動作、再現可能なコマンド、失敗からの有用な回復 |
| 長い証拠連鎖やマルチモーダル分析 | 対象タスクを絞ってArgonを試す | 入力量を制御し、出典や時刻を検証。容量を再現率とみなさない |
実際の仕事、利用権限、予算に応じて選びます。公開スコアは試験の優先順位付けには使えますが、試験の代わりにはなりません。利用条件表を先に確認し、使えないクライアントに設定時間を費やさないようにします。
不合格も記録できる検証を行う
空の評価ワークシートCSVには、タスクID、入力・リポジトリの版、モデル設定、使用量、判定を記録できます。架空の性能結果は入れていません。
- 普通のケースと失敗しやすいケースを含む、少数の代表的な実務タスクを選びます。秘密情報を除き、非公開入力の使用権限を確認します。ベンダーのデモ例だけを選ばないでください。
- 入力版、プロンプト、ツール、許可する実行時間を固定します。回答を見る前に期待動作、テスト、出典、禁止する変更を定義します。
- 正確なモデルID、推論設定、クライアント・SDK版、再試行を記録します。一つのモデルに長い時間や別ツールを与えた場合、その差を明記します。
- 説明でなく成果物を判定します。コードはテストと差分確認、抽出は元資料のセルとの照合、動画は時刻確認を行います。もっともらしい説明で壊れた出力を合格にしません。
- 不採用の試行も費用と時間に含めます。合格基準を統一してから総費用を合格件数で割ります。合格ゼロなら、誤解を招く平均値を出さず合格なしと記録します。
- 意外な失敗を再実行するときは理由と元の結果を残します。失敗を黙って消せば、評価ではなく成功例の選別になります。
料金ワークシートで割引料金と12月料金を分け、人によるレビュー時間はトークン費用と別に記録します。安い呼び出しでも修正が多ければ、優れたワークフローとは限りません。
発表の生産性数値を自社の予測にしない
GoogleのAntigravity発表は、4週間の社内観察でエージェントによるコード生成（原文の指標名はagentic code）が35%増え、ロールバックが30%減ったと報告しています。これはGoogle内の観察で、全チームへの効果を示す無作為比較ではありません。
ADK Python事例も約11時間の実行後、2つのパッチを採用し4つを却下しています。レビューの必要性を示す事例であり、一晩の自律実行が必ずマージ可能な成果を生む証明ではありません。
根拠のある選択には、評価の出典と日付、実務との対応、小規模試験、採否理由を残します。公開証拠はArgonを有力候補にしますが、あらゆる仕事の勝者までは決めません。
