Gemini 4 Argon、Claude Opus 5.5 和 GPT-6 Astra 对比：什么活该用哪个

Gemini 4 Argon 和 Claude Opus 5.5、GPT-6 Astra 对比：Google 官方表格里 Argon 赢在哪、输在哪，Artificial Analysis 独立榜单怎么看，价格多少，再加我们 24 次同题实测的逐次成本。

作者 Evelyn Park模型对比

Gemini 4 Argon、Claude Opus 5.5 与 GPT-6 Astra 对比封面；封面为配图，不是测试结果

同样四道题，我们在 SandBase 上分别发给 Gemini 4 Argon、Claude Opus 5.5 和 GPT-6 Astra，每题跑两次。逻辑题、代码输出题、采购单算账，三个模型全都做对了。24 次调用里只有两次判错，而且跟智力无关：我们用 response_format 传了 JSON Schema，Opus 回了一句“No schema actually came through with your message”，然后给出一段说明文字加一个代码块，不是纯 JSON。

所以 Gemini 4 Argon 和 Claude Opus 5.5 对比，放在 2026 年 10 月，真正的答案不在“谁更聪明”。小而可核对的任务上，三家旗舰几乎分不出高下。拉开差距的是：你让它干什么活、每个任务（不是每个 token）花多少钱、输出格式守不守约定、跑分里各自的短板在哪。本文写给要在三者里挑一个干具体活的开发者。Argon 的完整独立排名见 Gemini 4 Argon 跑分排名。

先说结论

  • Google 模型卡的对比表里，Argon 在知识工作类 Agent（Vals Index 68.9、Harvey Legal Agent 19.6）和超长上下文（GraphWalks 256k–1M 84.2）上领先 Opus 5.5 和 GPT-6 Astra；在 FrontierSWE v2、Terminal-bench 4.0、PostTrainBench、Terminal-Bench Science、OSWorld-2.0 上落后。全部是 Google 自报。
  • Artificial Analysis（Intelligence Index v4.3，数据截至 2026-10-12）：Gemini 4 Argon (High) 52.6，和 GPT-6 Astra (Max) 的 52.7 基本持平，低于 Claude Opus 5.5 (Max) 的 57.6。AA 还没有 Argon 的编码、Agent 和速度数据。
  • SandBase 标价（每百万 token）：Argon $4 / $20，Opus 5.5 $4 / $20，GPT-6 Astra $10 / $50。Google 直连的 Argon 介绍价是 $2 / $10，到 2026 年 11 月 30 日为止。
  • 我们 24 次实测（2026-10-14 UTC）：Argon 8/8，实扣 $0.148；Astra 8/8，$0.170；Opus 6/8，$0.203。Opus 错的两次都是 response_format，把 Schema 直接写进提示词后两次全对。
  • Astra 每 token 贵 2.5 倍，但逻辑题只写了别人三分之一的 token，这道题实扣反而三家里最少（靠的是当天 9 折；按原价算 Opus 5.5 略便宜）。

三个模型先摆一起看

价格来自 2026-10-14（UTC）的 GET /v1/models/<id>，模型 id 分别是 google/gemini-4-argon、anthropic/claude-opus-5.5、openai/gpt-6-astra。上下文和最大输出取自同一天的 SandBase 模型页。

Gemini 4 ArgonClaude Opus 5.5GPT-6 Astra
SandBase 标价（输入 / 输出，每百万）$4 / $20$4 / $20$10 / $50（提示词低于 272K 时）
当天页面折扣无95 折9 折
缓存读取倍率0.050.050.1
SandBase 上下文 / 最大输出1M / 65.5K1M / 128K1.1M / 128K
AA 智能指数 v4.352.6（High）57.6（Max）、53.6（High）52.7（Max）、49.6（Medium）
AA 编码 / Agent 指数未测未测76.9 / 51.0（Max）
Google 表格里领先的方向知识工作 Agent、超长上下文、长视频Terminal-bench 4.0、PostTrainBenchFrontierSWE v2、Terminal-Bench Science、OSWorld-2.0
我们的实测（各 8 次）8/8，$0.1486/8，$0.2038/8，$0.170

SandBase 上 Gemini 4 Argon 模型页：google/gemini-4-argon，输入每百万 token $4.00、输出 $20.00，上下文 1M，最大输出 65.5K，生产线路 Live

图注：SandBase 的 Gemini 4 Argon 页面标价 $4 / $20、最大输出 65.5K，本文所有 Argon 成本都按这个价算（2026-10-14 UTC 截图）。

有一点得说清楚：$4 / $20 是 Google 介绍期结束后的标准价。11 月 30 日之前 Google 直连只收 $2 / $10，也就是说，眼下在 SandBase 上用 Argon，单价是 Google 直连的两倍。12 月 1 日之后怎么算，见 Gemini 4 Argon 价格。

Google 自己的表格：Argon 赢在哪，输在哪

Google 的模型卡（2026 年 10 月 13 日发布）把 Argon 和 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5 放在一张表里。下面只留跟这三家有关的行，Fable 那一列去掉了。数字全部是 Google 自报，我们没有复现。

基准（测什么）ArgonGPT-6 AstraOpus 5.5领先
Vals Index（专业任务）68.963.167.0Argon
AutomationBench（流程自动化）51.341.442.5Argon
Vals Finance Agent v265.453.558.6Argon
Harvey Legal Agent19.65.43.8Argon
GraphWalks 256k–1M（超长上下文）84.271.866.8Argon
LVBench（长视频）91.787.583.7Argon
DeepSWE v1.1（长程软件工程）77.974.174.2Argon
FrontierSWE v2（高难编码）55.065.562.3Astra
Terminal-Bench Science 0.157.668.163.3Astra
OSWorld-2.0 offline（操作电脑）69.272.6—Astra
Terminal-bench 4.0（终端 Agent）57.458.266.4Opus
PostTrainBench（ML 工程）45.344.349.3Opus

把行排开看，规律比标题清楚得多：Argon 赢的是文档多、步骤多的知识工作和超长输入；输的是真动手的工程活——开终端、啃难仓库、操作桌面。Harvey Legal Agent 上 19.6 对 5.4 和 3.8，是整张表里相对差距最大的一项。说实话，真要把法律流程押在它身上，我会先等别人独立复现。法律和金融场景单独写在 Gemini 4 Argon 法律、金融场景。

独立榜单补上了什么

厂商表格的基准是自己挑的。Artificial Analysis 用同一套评测跑所有模型，我们用的是它的免费层数据。Intelligence Index v4.3（数据截至 2026-10-12，共 687 行有分数，每行是“模型 × 推理强度”的组合，不是独立模型），Gemini 4 Argon (High) 排第 8。和本文相关的几行：

AA 配置智能指数AA 跑指数的每任务成本
Claude Opus 5.5 (Max, Default Fallback)57.6$5.98
Claude Opus 5.5 (High, Default Fallback)53.6$1.82
GPT-6 Astra (Max)52.7$3.26
Gemini 4 Argon (High)52.6$1.99（按 $2 / $10）
GPT-6 Astra (Medium)49.6$1.54

看这张表要记住两件事。第一，AA 按 Google 的 $2 / $10 介绍价给 Argon 算成本；换成 SandBase 的 $4 / $20，同样的 token 大约翻倍，每任务约 $4，比 Opus 5.5 High 还贵。第二，AA 还没测 Argon 的编码和 Agent 指数，偏偏这两块正是 Google 自己表格里 Argon 落后的方向。Argon 的 AA 法律指数 60.0，高于 Opus 5.5 High（59.0）和 Astra Max（58.5），低于 Opus 5.5 Max（63.3）。指数构成见 AA 方法论。

SandBase Lab 智能排行榜：Claude Opus 5.5 (Max, Default Fallback) 以 57.6 排第 1，GPT-6 Astra (Max) 52.7 排第 4，Gemini 4 Argon (High) 52.6 排第 5，数据来自 Artificial Analysis

图注：SandBase Lab 智能排行榜基于 Artificial Analysis 数据，只排 SandBase 目录里的模型：Gemini 4 Argon (High) 在 87 个里排第 5，比 GPT-6 Astra (Max) 低 0.1。这个名次是 SandBase 目录内的，不是 AA 全部行（2026-10-14 UTC 截图，Lab 快照日期 2026-10-14）。

Lab 评测页还有编码、Agent、速度、成本几个标签页，AA 没测过的那几项里找不到 Argon。

我们的同题实测

跑分讲的是平均值。我更想知道一个普通开发者发一次请求，在三家身上分别是什么样：多少 token、几秒、几分钱、回复能不能直接用。测试范围先说清楚：四道短题，每题两次，一共 24 次调用。够看出行为差异，不够给智力排座次。

所有请求都发到 SandBase 的 OpenAI 兼容 Chat Completions 接口 POST https://api.sandbase.ai/v1/chat/completions，时间是 2026-10-14 18:30 到 18:37（UTC），只设了 max_tokens: 16000。推理强度全用默认：Astra 在 SandBase 的参数表里 reasoning_effort 默认 medium；Argon 和 Opus 的参数表没有强度参数，我们也就没传。成本取 GET /v1/tasks/<completion id>/cost 返回的实扣 cost。

任务考什么标准答案
logic9 条约束的快递员排班题，再算 S = Σ 包裹号 × 出发时间；用穷举确认唯一解Ada 1@9、Ben 5@11、Cy 3@13、Dee 4@12、Eli 2@10，S = 171
extract采购邮件转 JSON，走严格的 response_format: json_schema：按打计数、按百件计价、取消一行、追加数量、单行 85 折、8.25% 税只算货款4 个 SKU，货款 254.05，税 20.96，总计 293.01
extract_inline同一封邮件，Schema 写进提示词，不传 response_format（第 1 轮后补的）同上
code预测一行 Python 输出：可变默认参数、惰性生成器、整除、银行家舍入100 [101, 104, 109] 109 -4 6 [1, 2]

逻辑题要求最后一行固定输出 ANSWER: {...}，评分脚本解析这一行逐项比对。抽取题把回复当 JSON 解析，SKU、数量、行金额、货款、税、运费、总计精确到分。

结果：答案一样，账单不一样

24 次 SandBase Chat Completions 调用的终端风格结果表（2026-10-14 UTC）：任务、模型、轮次、开始时间、耗时、输入/输出/推理 token、是否通过和实扣成本；Claude Opus 5.5 的两次 extract 标为 FAIL，合计实扣 $0.5202

图注：根据我们保存的运行记录渲染的全部 24 次调用：除了 Claude Opus 5.5 的两次 response_format，其余全部通过；整轮测试经 /v1/tasks/<id>/cost 实扣 $0.52（2026-10-14 UTC 运行）。

两次的平均值（通过数、输出 token、耗时、实扣成本）：

任务Gemini 4 ArgonClaude Opus 5.5GPT-6 Astra
logic2/2，2,293，22.1 秒，$0.0472/2，2,155，22.0 秒，$0.0432/2，788，27.2 秒，$0.042
extract2/2，195，4.7 秒，$0.00670/2，2,181，34.2 秒，$0.0432/2，320，8.4 秒，$0.018
extract_inline2/2，697，7.3 秒，$0.0162/2，446，8.4 秒，$0.0112/2，288，5.7 秒，$0.017
code2/2，164，3.2 秒，$0.00392/2，239，10.2 秒，$0.00512/2，58，14.8 秒，$0.0085

Opus 5.5 在这条线路上没收到、或者没执行 response_format。 两次 extract 开头都说没看到 Schema，然后自己起字段名（order_number、customer、lines），JSON 包在代码块里，后面还跟着几条说明。账倒是算对了，一直算到 $293.01，只是把供应商写成了 customer。把 Schema 写进提示词后，Opus 两次都回了干净、字段对得上的 JSON，而且是三家里这题最便宜的。它在 SandBase 的参数表里明明列了 response_format，所以我倾向于把这当成线路行为去排查，而不是模型能力问题。Anthropic 官方 API 直连我们没测。

Claude Opus 5.5 在 SandBase 上 extract 任务的保存回复：请求里带了严格的 json_schema response_format，回复却以 "No schema actually came through with your message, so I've used a conventional shape" 开头，后面是带 order_number、customer 字段的代码块 JSON

图注：Opus 5.5 第一次 extract 的回复：请求带了严格 json_schema，模型却说没收到，自己定了字段名；输出 2,120 token，实扣 $0.0417（2026-10-14 18:32 UTC 运行）。

Astra 的单价劣势，摊到任务上缩小了。 逻辑题 Astra 只写了 732 和 844 个输出 token，Argon 约 2,300，Opus 2,100 到 2,200。输出单价贵 2.5 倍，这题实扣照样最少，不过这是沾了 9 折的光；按原价算，这道题 Opus 5.5 还略便宜一点（见下面的推算表）。

短请求 Argon 最快： 代码题和 response_format 抽取 2.3 到 4.8 秒，Astra 6 到 16 秒，Opus 8 到 37 秒。逻辑题三家都在 20 到 29 秒。这只是单个客户端测到的墙钟时间，当个参考，别当延迟基准。

推理 token 没法横向比。 SandBase 说 Argon 回答前总会推理，可 8 次里有 3 次 reasoning_tokens 是 0，其余 256 到 1,569。Opus 好几次返回了 reasoning_content 字段，用量里却写 reasoning_tokens: 0，它的输出 token 大概率把这段思考也算进去了。

Astra 有两道题提示词 token 暴涨。 150 token 左右的代码题，Astra 报了 4,224 个提示词 token，其中 3,968 个命中缓存；逻辑题也一样，抽取题没有。原因不明。按 0.1 倍缓存价算，每次多花不到一分钱，但缓存没命中时就看得出来了。

坦白讲，这几道题太简单，拉不开正确率。它们真正暴露的是格式守约、token 胃口和延迟——这三样天天决定你的账单和解析代码。

每个任务到底花多少

用实测的平均 token 乘标价（不算当前折扣），放大到 1 万次调用：

1 万次…Argon（$4 / $20）Opus 5.5（$4 / $20）GPT-6 Astra（$10 / $50）
逻辑题约 $471约 $448约 $462（含缓存）
严格 JSON 抽取约 $67（response_format）约 $117（Schema 写进提示词）约 $196（response_format）
简短代码题约 $39约 $54约 $94（含缓存）

这是推算，不是报价。推理型请求每次波动很大：同一道代码题，Argon 第二次比第一次贵了 4.8 倍（输出 292 对 36 token）。上线前用自己的提示词量一遍，/v1/tasks/<id>/cost 每次调用一个请求就能查到。

SandBase 上 GPT-6 Astra 模型页：9 折标签，输入每百万 token $9.00、输出 $45.00，原价 $10.00 和 $50.00，上下文 1.1M，最大输出 128K

图注：GPT-6 Astra 在 SandBase 标价 $10 / $50，当天显示 9 折（$9 / $45），最大输出 128K；成本接口对每次 Astra 调用都按 9 折扣费（2026-10-14 UTC 截图）。

SandBase 上 Claude Opus 5.5 模型页：anthropic/claude-opus-5.5，95 折标签，输入每百万 token $3.80、输出 $19.00，原价 $4.00 和 $20.00，上下文 1M，最大输出 128K

图注：Claude Opus 5.5 原价和 Argon 一样是 $4 / $20，测试当天显示 95 折；在 SandBase 上最大输出 128K，接近 Argon 65.5K 的两倍（2026-10-14 UTC 截图）。

什么活选哪个

选适合的活依据要留意
Gemini 4 Argon长文档上的多步知识工作：法律、金融、研究综述Google 表格 Vals、Harvey Legal、Finance Agent 领先；GraphWalks 256k–1M 84.2；AA 法律 60.0Google 自报；AA 编码/Agent 未测；SandBase 最大输出 65.5K
Gemini 4 Argon大批量、严格 Schema 的结构化抽取response_format 2/2，4.7 秒，每次 $0.006711 月 30 日前单价是 Google 直连的两倍
Claude Opus 5.5终端驱动的 Agent、ML 工程Terminal-bench 4.0（66.4）、PostTrainBench（49.3）领先Schema 写进提示词；我们的测试里 response_format 没生效
Claude Opus 5.5要综合分最高、预算够开 MaxAA 57.6（Max）Max 每个 AA 任务 $5.98；High 是 53.6、$1.82
GPT-6 Astra高难软件工程、操作电脑、科学类终端任务FrontierSWE v2、OSWorld-2.0、Terminal-Bench Science 领先；AA 编码 76.9（Max）单价贵 2.5 倍；代码题最慢
GPT-6 Astra回答长度决定成本的推理任务逻辑题输出只有别人三分之一，这题实扣最少（含折扣）部分请求多出约 4K 原因不明的缓存提示词 token

还拿不定主意，就把你最常用的三个提示词三家各跑一遍。在 SandBase 上它们走同一个接口、同一种请求格式，换模型只改一个字符串。可以从 Argon 模型页开始，流式、工具调用和 response_format 的写法见 Gemini 4 Argon API 调用教程。

常见问题

Gemini 4 Argon 比 Claude Opus 5.5 强吗？

看 Google 的表格：知识工作 Agent 和长上下文上更强，终端 Agent 和 ML 工程上更弱。看 Artificial Analysis v4.3：Opus 5.5 (Max) 57.6，Argon (High) 52.6。我们的小测试里 Argon 8 次全对，Opus 对了 6 次；Argon 8 次合计实扣 $0.148，Opus 是 $0.203，Argon 耗时中位数也更低，不过逻辑题上 Opus 略便宜。

Gemini 4 Argon 和 GPT-6 Astra 哪个便宜？

按 token 算是 Argon（SandBase 上 $4 / $20 对 $10 / $50）。按任务算要看输出多长：逻辑题 Astra 只写了三分之一的 token，反而更便宜；抽取和代码题是 Argon 便宜。

Claude Opus 5.5 在 SandBase 上支持结构化输出吗？

参数表里列了 response_format，但 2026-10-14 我们两次严格 json_schema 请求，Opus 都说没收到 Schema。把 Schema 写进提示词，两次都对。不管走哪种方式，代码里都要再校验一遍 JSON。

写代码选哪个？

Google 的表格里，FrontierSWE v2 是 Astra 领先，Terminal-bench 4.0 是 Opus 5.5 领先；Argon 只在 DeepSWE v1.1 和 Vibe Code Bench（91.9，对 89.6 和 90.3）上领先。AA 有 Astra 的编码指数（Max 76.9），Argon 和 Opus 5.5 的还没有。

局限

四道题、每题两次、默认参数、一个客户端、7 分钟窗口：这测的是行为，不是能力。耗时是单客户端墙钟时间。Opus 的 response_format 结果只代表 2026-10-14 的 SandBase 线路。Google 的数字是自报；AA 数据是 v4.3、截至 2026-10-12，对应具体推理强度，而我们的调用用的是默认值。价格和折扣核对于 2026-10-14（UTC），之后会变，第一个变的就是 11 月 30 日到期的 Argon 介绍价。Argon 正式开放之前的情况，见我们早先的 Gemini 4 Argon API 开放进度。