Gemini 4 Argon lidera la tabla de benchmarks de Google en 13 de 19 filas frente a GPT-6 Astra, Claude Opus 5.5 y Claude Fable 5.1, pero un hecho pesa más que cualquier puntuación: puedes comprar Astra y Opus 5.5 hoy, y no puedes comprar Argon. El nuevo modelo frontera de Google está disponible hoy solo para los defensores del Programa Fairwind, a $2/$10 por millón de tokens durante un período de introducción y $4/$20 después, que es exactamente lo que cuesta Opus 5.5.
Esta comparación alinea los cuatro modelos en precio y límites, agrupa las filas de benchmark por el modelo que las gana, explica por qué los números no son comparables de forma directa, y termina con una guía de enrutamiento y una forma de probar los tres con tus propios prompts en Apidog. ¿Nuevo en Argon? Empieza con qué es Gemini 4 Argon; para los plazos, consulta la guía de fecha de lanzamiento de Argon.
Precio y límites lado a lado
La tabla de Google incluye Claude Fable 5.1, por lo que también tiene una columna. Los precios son por 1M de tokens, de la página de cada proveedor: la publicación de lanzamiento de Google, la página del modelo GPT-6 Astra de OpenAI y la página de precios de Anthropic.
| Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 | Claude Fable 5.1 | |
|---|---|---|---|---|
| ¿Se puede usar hoy? | No, solo Fairwind | Sí | Sí | Sí |
| ID de modelo API | No publicado | gpt-6-astra |
claude-opus-5-5 |
claude-fable-5-1 |
| Entrada | $2 introducción, luego $4 | $10 | $4 | $10 |
| Entrada en caché | $0.10 introducción, luego $0.20 | $1 | $0.20 | $0.25 |
| Salida | $10 introducción, luego $20 | $50 | $20 | $50 |
| Salida máxima | 1M (límite declarado por Google) | 128K | 128K (300K en Batch, beta) | 128K |
| Ventana de contexto | No publicado | 1.050.000 (922K entrada máxima) | 1M | 1M |
| Recargo por prompt largo | No especificado | Más de 272K de entrada: 2x entrada y caché, 1.5x salida, sobre la solicitud completa | Ninguno | Ninguno |
Tres cosas destacan. El precio estándar de Argon coincide con el de Opus 5.5 en entrada, entrada en caché y salida, por lo que su ventaja de precio sobre Anthropic dura solo mientras dure el período de introducción, y Google no ha puesto fecha a eso. Astra y Fable 5.1 se cotizan a 2.5x las tarifas estándar de entrada y salida de Argon y 5x sus tarifas de introducción. Y la cifra de salida de 1M es de Google: Vals AI enumera una salida máxima de 262K para la configuración de Argon que probó. Para el cálculo de costos por solicitud, consulta los precios de Gemini 4 Argon.
Dónde lidera cada modelo en la tabla de Google
Antes de los números: esta es la tabla de Google. Las puntuaciones de Argon son informadas por Google, algunas autocalculadas y otras de clasificaciones; las puntuaciones de los competidores son en su mayoría cifras propias de los proveedores o resultados de clasificaciones públicas, con la configuración de razonamiento máxima disponible. Los sistemas difieren, así que considera las pequeñas diferencias como ruido.
| Quién lidera | Benchmark | Argon | Astra | Fable 5.1 | Opus 5.5 |
|---|---|---|---|---|---|
| Argon: trabajo de conocimiento | Vals Index | 68.9% | 63.1% | 65.8% | 67.0% |
| Argon: trabajo de conocimiento | AutomationBench | 51.3% | 41.4% | 31.4% | 42.5% |
| Argon: trabajo de conocimiento | Harvey’s Legal Agent Benchmark | 19.6% | 5.4% | 6.7% | 3.8% |
| Argon: codificación | DeepSWE v1.1 | 77.9% | 74.1% | 67.4% | 74.2% |
| Argon: contexto largo | GraphWalks 256K to 1M (F1) | 84.2% | 71.8% | 65.0% | 66.8% |
| Argon: multimodal | LVBench | 91.7% | 87.5% | 79.7% | 83.7% |
| Argon: multimodal | Chartography | 71.6% | 71.0% | 46.2% | 66.3% |
| Astra | FrontierSWE v2 | 55.0% | 65.5% | 56.3% | 62.3% |
| Astra | Terminal-Bench Science 0.1 | 57.6% | 68.1% | 52.6% | 63.3% |
| Astra | OSWorld-2.0 (offline, partial) | 69.2% | 72.6% | no informado | no informado |
| Opus 5.5 | Terminal-bench 4.0 | 57.4% | 58.2% | 57.9% | 66.4% |
| Opus 5.5 | PostTrainBench | 45.3% | 44.3% | 40.2% | 49.3% |
| Empate | CWE-bench v1 | 68.0% | 68.0% | 58.0% | 67.0% |
Las otras victorias absolutas de Argon son Vals Finance Agent v2, Vibe Code Bench, LABBench 2, RiemannBench, GraphWalks hasta 128K y Agent’s Last Exam. Fable 5.1 no lidera ninguna fila. En CWE-bench v1, la clasificación de ciberseguridad de DeepMind muestra un triple empate al 68% entre Argon, Astra y Grok 4.7, con Opus 5.5 al 67%.
En la comparación Gemini 4 Argon vs Fable 5.1, Argon puntúa más alto en 15 de las 17 filas donde ambos reportan un número; Fable lo supera solo en FrontierSWE v2 (56.3% vs 55.0%) y Terminal-bench 4.0 (57.9% vs 57.4%). Los números propios de Anthropic están en nuestra publicación benchmarks de Claude Fable 5.1, y la tabla completa de 19 filas se encuentra en benchmarks de Gemini 4 Argon.
Tres advertencias antes de confiar en las diferencias
Los números de los competidores no son ejecuciones de Google. La metodología de Google dice que los resultados para modelos no-Gemini "se obtienen de los números auto-informados por los proveedores a menos que se mencione lo contrario", y varias filas provienen de clasificaciones públicas ejecutadas por Vals AI, Proximal y Surge.
Los sistemas difieren. En DeepSWE v1.1, Google autocalculó el 77.9% de Argon con un sistema mini-swe-agent, mientras que la puntuación de Astra proviene de la clasificación pública y las puntuaciones de Anthropic provienen de las fichas del sistema. En LVBench, Gemini muestreó el video a 1 fotograma por segundo, mientras que Astra obtuvo 800 fotogramas, Opus 5.5 600 y Fable 5.1 300, "debido a limitaciones de la API".
El mismo modelo puntúa de manera diferente en distintos gráficos. El número de Terminal-bench 4.0 de Opus 5.5 difiere entre gráficos dependiendo del sistema y la configuración de esfuerzo; Anthropic informa su 66.4% con un esfuerzo xhigh. Así que nunca mezcles fuentes en una misma tabla.
Lo que dicen los evaluadores externos
Las clasificaciones independientes reducen la brecha. Artificial Analysis sitúa a Argon en el puesto #8 de 223, pero esa lista cuenta cada configuración de razonamiento por separado. Por modelo distinto, Argon (53) empata con GPT-6 Astra y Claude Fable 5.1 y se sitúa por detrás de Claude Opus 5.5 (58 al máximo) y Claude Sonnet 5.5 (56). AA también enumera la tasa de alucinación de Argon en AA-Omniscience en un 15%, frente al 51% de Astra en su configuración máxima.
En Arena, Argon ocupa el primer lugar en Texto con 1525, marcado como Preliminar con 4.942 votos, con Opus 5.5 en cuarto lugar. Vals AI lo clasifica como el primero de 41 modelos en el Vals Index, siendo el primer modelo Gemini en liderarlo.
No todos dentro de Google están convencidos: Bloomberg informó que algunos empleados con acceso dicen que Argon decepciona en algunos trabajos de codificación y diseño de front-end en relación con sus benchmarks, una caracterización que Google calificó de inexacta.
Cuál elegir
No hay un único mejor modelo frontera en 2026. Elige por tarea y guarda la columna de Argon para el día en que se lance:
| Tarea | Elegir hoy | Cuando Argon se lance |
|---|---|---|
| Agentes de automatización legal, financiera y de oficina | Opus 5.5 (67.0% Vals Index) | Prueba Argon: lidera las cuatro filas de trabajo de conocimiento |
| Agentes de codificación intensiva en terminal | Opus 5.5 (66.4% Terminal-bench 4.0) | Opus 5.5 sigue liderando |
| Ingeniería de software agéntica | Astra (65.5% FrontierSWE v2) o Opus 5.5 | Argon lidera DeepSWE pero va por detrás de FrontierSWE; prueba ambos |
| Agentes de uso de computadora e interfaz gráfica de usuario | Astra (72.6% OSWorld-2.0) | Astra lidera OSWorld; Argon lidera Agent’s Last Exam |
| Razonamiento sobre prompts de más de 256K tokens | Opus 5.5 (sin recargo) o Astra (recargo por encima de 272K) | Argon (84.2% GraphWalks 256K a 1M) |
| Comprensión de video y gráficos | Astra (87.5% LVBench) | Argon (91.7%), con la advertencia del recuento de fotogramas |
| Ingeniería de ciencia y ML | Astra (Terminal-Bench Science), Opus 5.5 (PostTrainBench) | Argon lidera LABBench 2 y RiemannBench; pruébalo |
| Respuestas únicas de más de 128K tokens | Opus 5.5 en Batch (300K, beta) | Argon, hasta el 1M declarado por Google |
| Trabajo de alto volumen y sensible al costo | Opus 5.5 ($4/$20) | Argon a $2/$10 mientras dure la introducción |
Si el precio importa más que las puntuaciones máximas, nuestra comparación GPT-6 Sol vs Claude Opus 5.5 cubre la línea Sol más económica de OpenAI frente a Opus.
Compara los tres con tus propios prompts
Las tablas de los proveedores no pueden decirte cómo maneja cada modelo tus prompts. Una pequeña evaluación en Apidog sí puede, y puedes construirla hoy.
- Crea un proyecto con tres solicitudes: GPT-6 Astra, Claude Opus 5.5 y una solicitud Gemini cuyo campo de modelo sea
{{GEMINI_MODEL}}, configurado comogemini-3.8-flashhasta que Google publique el ID de Argon. Nuestra guía de API de GPT-6 Astra y qué es Claude Opus 5.5 cubren el formato de solicitud de cada proveedor. - Almacena la clave API de cada proveedor como una variable de entorno y coloca el prompt en una variable compartida para que las tres solicitudes reciban la misma entrada.
- Añade aserciones: estado 200, una respuesta no vacía, tokens de salida por debajo de un límite, y un costo calculado dentro de tu presupuesto a las tarifas publicadas por cada proveedor.
- Ejecuta las tres como un escenario de prueba y compara los resultados de cada solicitud en el informe de prueba.
La aserción de costo es aritmética simple. Para una solicitud con 20,000 tokens de entrada y 4,000 de salida, Astra cuesta 20,000 x $10/1M + 4,000 x $50/1M = $0.20 + $0.20 = $0.40. Opus 5.5 cuesta $0.08 + $0.08 = $0.16. Argon costaría $0.08 con tarifas de introducción y $0.16 con tarifas estándar. Sin embargo, el precio por token no es el costo por tarea: Artificial Analysis midió Argon en aproximadamente 62K tokens de salida por tarea frente a aproximadamente 27K para Astra con el máximo esfuerzo, así que mide los tokens de salida con tus propios prompts.
Cuando Argon se lance, cambia GEMINI_MODEL, vuelve a ejecutar el escenario y tendrás una comparación con el mismo prompt contra los dos modelos que puedes comprar ahora.
Preguntas Frecuentes
¿Es Gemini 4 Argon mejor que GPT-6 Astra? Empatan con 53 en Artificial Analysis. En la tabla de Google, Argon puntúa más alto en la mayoría de las filas, pero Astra gana FrontierSWE v2, Terminal-Bench Science 0.1 y OSWorld-2.0, y Astra es el que puedes usar hoy.
Gemini 4 Argon vs Claude Opus 5.5: ¿cuál es mejor? La tabla de Google favorece a Argon en la mayoría de las filas; Opus 5.5 gana Terminal-bench 4.0 y PostTrainBench y lidera Artificial Analysis 58 a 53. A tarifas estándar cuestan lo mismo.
¿Es Gemini 4 Argon más barato que Claude Opus 5.5? Durante el período de introducción, cuesta la mitad ($2/$10 vs $4/$20). Después de eso, los precios de lista son idénticos, y Google no ha dicho cuándo termina el período de introducción.
¿Qué modelo tiene el límite de salida más grande? Argon, con un límite declarado de 1M de tokens, aunque Vals AI enumera 262K para la configuración que probó. Los otros limitan la salida síncrona a 128K. Nuestra guía de 1M de tokens de salida cubre lo que eso significa para tu cliente.
¿Puedo usar Gemini 4 Argon hoy? Solo a través del Programa Fairwind de Google, para un conjunto de socios de ciberdefensa verificados. Los clientes de API de pago y los suscriptores de Google AI Ultra son los siguientes, sin fecha definida.
Elige por carga de trabajo, luego prueba
Argon parece más fuerte en trabajos de conocimiento, contexto largo y filas multimodales; Astra en FrontierSWE, Terminal-Bench Science y OSWorld; Opus 5.5 en trabajo de terminal e ingeniería de ML, al precio que Argon cobrará después de su introducción. Construye sobre los dos que puedes comprar ahora, mantén el modelo Gemini en una variable y vuelve a ejecutar tu escenario el día que Argon se abra. Para configurar la comparación de tres solicitudes en un proyecto, descarga Apidog.