Gemini 4 Argon vs Opus 5.5, GPT-6 Astra i Muse Wonder: test 23 zadań

👁 148 przeczytań

13 października 2026 wieczorem, pół godziny po tym, jak Google otworzył Gemini 4 Argon dla wszystkich płacących, przepuściłem go przez ten sam zestaw 23 zadań, który dzień wcześniej dostały Muse Wonder, Claude Opus 5.5, Claude Fable 5.1, GPT-6 Astra i Gemini 3.8 Flash. Argon zrobił 99,5%, kosztował 0,22 USD i skończył najszybciej ze wszystkich: 135 sekund na cały zestaw. Jedyny odjęty punkt okazał się błędem mojego skryptu oceniającego, a prawdziwa wpadka siedziała w tym samym piśmie, tylko kilka akapitów niżej. Opis modelu, ceny i dostępność zbieram w przewodniku Gemini 4 Argon.

Wynik w jednej tabeli

Wynik to średnia z 23 zadań, każde waży tyle samo. W zadaniach z kilkoma kryteriami liczy się odsetek spełnionych. Wśród flagowców Argon jest najtańszy: 3,4 raza taniej niż Claude Opus 5.5, 5 razy taniej niż GPT-6 Astra i 2,9 raza taniej niż Muse Wonder. Taniej wyszedł tylko Gemini 3.8 Flash, czyli model z niższej półki.

// taniej niż u producentaw magazynie

Google AI Gemini Pro + Google Drive 5 TB - 18 miesięcyVoucher, którym włączasz pakiet Google AI Pro na 18 miesięcy na własnym koncie Google.kinetyka.pl - mój sklep z rocznymi dostępami do narzędzi AI

170 zł-91%zamiast 1 800 zł9,44 zł / mies.Kup w Kinetyce →

Co dokładnie sprawdzałem

Argon kategoria po kategorii

Pogrubiłem najlepszy wynik w wierszu, a przy remisie najniższy koszt. Pozostali rywale gubili punkty gdzie indziej: Muse Wonder w kodzie (98,4%, nieistniejące słowo „trzynadzieście” w kwocie słownie), Gemini 3.8 Flash też w kodzie (96,9%, Wigilia wolna już w 2024 roku), a Claude Fable 5.1 i Opus 5.5 w polskim (96,4%, streszczenie ponad limit 60 słów).

Gdzie Argon wygrywa: rachunek i czas

Argon odpowiada krótko i od razu. OpenRouter na poziomie low nie zaraportował u niego ani jednego tokena rozumowania w żadnym z 23 zadań, a korektę tekstu z 10 błędami oddał w 2,6 sekundy. Dla porównania Muse Wonder w samym planowaniu wyjazdu zużył 636 tokenów rozumowania. Kilka konkretów z zadań:

• Wyjazd do Lizbony: 4 wywołania narzędzi w 2 turach, ominięcie obu pułapek (lot za wcześnie i hotel z za niską oceną), koszt 1730 zł, muzeum w planie, bo szansa deszczu wynosiła 80%. Tak samo jak wszyscy rywale, tylko za 0,011 USD.
• Zwrot w sklepie: sprawdził właściwą pozycję zamówienia, nie utworzył zwrotu i wyjaśnił klientce, że od dostawy minęły 32 dni przy 30-dniowym terminie.
• Faktury w EUR: po błędzie 503 z serwisu NBP ponowił zapytanie, pominął fakturę zapłaconą i podał 15 226,58 zł.
• Długi dokument: 5 z 5 odpowiedzi w 4,5 sekundy za 0,10 USD. Wyłapał, że powierzchnię magazynu zmieniono później na 6200 m2, i odpowiedział „BRAK” na pytanie o kampanię w TikToku. Szybszy był tylko GPT-6 Astra (3,5 s), ale za 0,69 USD.

Przy długich polskich dokumentach liczy się też tokenizer. Te same 158 111 znaków to dla Argona 51 482 tokeny, dla Claude’a 87 675, czyli o 70% więcej. Razem z niższą ceną za token daje to duże różnice: pytanie do 80 protokołów kosztowało w Argonie 0,10 USD, w Muse Wonder 0,19 USD (mniej tokenów, 46 929, ale po 4 USD za milion), w Opusie 5.5 0,35 USD, w Astrze 0,69 USD, a w Fable 5.1 0,88 USD.

Pismo do ZUS: punkt odjęty niesłusznie, wpadka gdzie indziej

Automat dał Argonowi 8 na 9 punktów w odwołaniu od decyzji ZUS odmawiającej renty. Brakowało kryterium „sąd okręgowy jako adresat”. Otworzyłem odpowiedź i okazało się, że adresat jest, tylko w dopełniaczu: Argon napisał „Do: Sądu Okręgowego w Krakowie, VII Wydział Pracy i Ubezpieczeń Społecznych” i dodał „za pośrednictwem Zakładu Ubezpieczeń Społecznych”. Mój skrypt szukał frazy w mianowniku, więc to jego błąd, nie modelu. Po ręcznej poprawce Argon miałby 100%, tak jak GPT-6 Astra. W tabeli zostawiam wynik automatyczny, żeby wszystkie modele były liczone tą samą miarą.

Sporo w tym piśmie jest dobrze. Argon ostrzegł, że przed odwołaniem zwykle trzeba wnieść sprzeciw do komisji lekarskiej ZUS, i policzył termin: miesiąc od doręczenia 1 października wypada 1 listopada, w niedzielę i święto, więc ostatni dzień to 2 listopada 2026. Prawdziwa wpadka jest w uzasadnieniu. Podałem tylko, że orzecznik pominął dokumentację z leczenia kardiologicznego z 2026 roku. Argon dopisał od siebie objawy i zarzut wobec lekarza:

„Objawy choroby, takie jak szybka męczliwość, duszności wysiłkowe, skoki ciśnienia oraz bóle w klatce piersiowej, uniemożliwiają mi normalne funkcjonowanie w życiu codziennym (…)”

„Lekarz orzecznik ZUS, wydając swoje orzeczenie, przeprowadził badanie w sposób pobieżny (…)”

Opus 5.5 też podsunął duszność i męczliwość, ale w nawiasie kwadratowym jako przykład do uzupełnienia. Argon wpisał je jako fakt. W piśmie do sądu, w którym biegły będzie porównywał treść z dokumentacją, to nie drobiazg. Jeśli dasz Argonowi pismo urzędowe, czytaj uzasadnienie zdanie po zdaniu.

Ile zapłacisz po 1 grudnia

Cena 2/10 USD za milion tokenów obowiązuje do 30 listopada 2026. Od 1 grudnia Argon kosztuje 4/20 USD, czyli tyle co Opus 5.5 i Muse Wonder. Przy tych samych proporcjach tokenów koszt mojego testu rośnie mniej więcej dwukrotnie. To przybliżenie, nie pomiar:

Nawet po podwyżce Argon wychodzi w tym teście około 1,7 raza taniej niż Opus 5.5 przy tej samej cenie za token. Powody są dwa: krótkie odpowiedzi bez raportowanych tokenów rozumowania i oszczędniejszy tokenizer przy polskim tekście. Cache wejścia też drożeje, z 0,10 do 0,20 USD za milion.

Uczciwe zastrzeżenia

• Effort=low. Wszystkie modele testowałem na najniższym poziomie rozumowania, żeby było równo i tanio. Benchmarki Google pokazują Argona na najwyższym ustawieniu myślenia, więc to inne warunki.
• Mały zestaw i jeden przebieg. 23 zadania, każde raz. Różnica jednego zadania to przypadek, nie przewaga.
• Różne dni. Rywali uruchomiłem 12 października, Argona 13 października, kilkadziesiąt minut po otwarciu API. Zadania i kod były identyczne, ale czasy zależą od obciążenia serwerów w danej chwili.
• Sufit wyników. Wszystkie modele zrobiły 99-100%. Ten test pokazuje koszt, czas i wpadki, ale nie powie, który model jest mądrzejszy w trudnych zadaniach.
• Ocena automatyczna. Sprawdza fakty i formę, nie styl. Przypadek pisma do ZUS pokazuje, że automat potrafi się pomylić, dlatego każdą stratę sprawdzam ręcznie.
• OpenRouter, nie bezpośrednie API Google. Ceny i model są te same, ale nie testowałem klucza Gemini API z płatnym poziomem.

Werdykt

W praktycznych zadaniach Argon robi to samo co Opus 5.5, Astra i Fable 5.1, tylko taniej i szybciej. Do 30 listopada to najtańszy flagowiec, jakiego testowałem, a po 1 grudnia wciąż będzie tańszy od Opusa 5.5 w zadaniach po polsku. Słabsze strony leżą gdzie indziej: w piśmie dopowiada fakty, których nie dostał, a w moim teście pisania po polsku z oceną w ciemno ma 81,8 pkt i 8. miejsce, wyraźnie za Opusem 5.5 (90,1 pkt) - szczegóły w tekście Gemini 4 Argon po polsku. To moja ocena na podstawie jednego przebiegu z 13 października 2026.

Najczęstsze pytania

Czy Gemini 4 Argon jest lepszy od Claude Opus 5.5?

W moim teście 23 zadań wynik jest prawie ten sam: 99,5% wobec 99,4%. Argon był 3,4 raza tańszy i odpowiadał szybciej. W pisaniu po polsku wygrywa Opus 5.5.

Ile kosztuje Gemini 4 Argon w API?

Do 30 listopada 2026 2 USD za milion tokenów wejścia i 10 USD za milion wyjścia. Od 1 grudnia 4 i 20 USD.

Gdzie testowałem Argona?

Przez OpenRouter (google/gemini-4-argon), który 13 października działał z Polski bez problemu.