Gemini 4 Argonのコーディング性能を検証：テスト結果とベンチマーク

👁 122閲覧数

Gemini 4 Argonは、4つのコーディング課題で51件の単体テストすべてに合格しました。費用は0.028 USD、合計所要時間は25秒でした。今回比較した最上位モデルの中で、これより安く、速く、全テストに合格したモデルはありません。一方、コーディングのベンチマークは一様ではありません。GoogleによるとArgonはDeepSWEで首位ですが、FrontierSWEとTerminal-Bench 4.0では競合モデルを下回り、独立系のArena Code WebDevでは8位です。ここでは検証結果やベンチマーク、Argonを使ってコーディングできる場所を紹介します。モデルの概要はGemini 4 Argonのガイドをご覧ください。

4つの課題で51件のテスト

課題は短いものですが、それぞれモデルが間違えやすいポイントを含みます。なお、これらは元の検証で使われたポーランド語のテスト素材に基づく内容です。以下はその日本語訳であり、日本語で再テストした結果ではありません。

• ポーランドの納税者番号（NIP）の検証：ハイフン、空白、PL接頭辞を含む形式、重み付きチェックサムを扱い、剰余が10の場合は無効と判定します。
• 区間のマージ：終点と始点が接する区間を結合し、(5, 2)のように逆順で指定された区間は順序を入れ替えます。
• ポーランドの営業日：2024年から2030年までを対象に、移動祝日と、2025年から休日となったクリスマスイブを扱います。
• 請求書の金額を文字列に変換：ポーランド語の通貨単位の語形変化、グロシュ単位への丸め、10億までの金額を扱います。

Argonが生成したコード

Argonは前置きなしでコードだけをブロックに出力し、型注釈とポーランド語のコメントを付けました。ここに示すコードは、ポーランド語で実施した元のテスト素材を日本語に翻訳したものです。日本語で再テストしたコードではありません。特に注目したのは営業日の課題における祝日の一覧です。同じ課題では、前日にGemini 3.8 Flashが誤答しました。

def get_holidays(year: int) -> set[datetime.date]:
    easter = calculate_easter(year)
    holidays = {
        datetime.date(year, 1, 1),   # 元日
        datetime.date(year, 1, 6),   # 公現祭
        easter,                      # 復活祭の日曜日
        easter + datetime.timedelta(days=1),   # 復活祭の翌日の月曜日
        datetime.date(year, 5, 1),   # メーデー
        datetime.date(year, 5, 3),   # 5月3日憲法記念日
        easter + datetime.timedelta(days=49),  # 聖霊降臨祭の日曜日
        easter + datetime.timedelta(days=60),  # 聖体祭の木曜日
        datetime.date(year, 8, 15),  # 聖母被昇天祭
        datetime.date(year, 11, 1),  # 諸聖人の日
        datetime.date(year, 11, 11), # 独立記念日
        datetime.date(year, 12, 25), # クリスマス
        datetime.date(year, 12, 26), # クリスマス翌日
    }
    # 2026年時点の法律に基づく（2024年の法律）。
    # クリスマスイブ（12月24日）は2025年から法定休日。
    if year >= 2025:
        holidays.add(datetime.date(year, 12, 24))
    return holidays

復活祭の日付はMeeus/Jones/Butcherアルゴリズムで計算し、標準ライブラリだけを使っています。Gemini 3.8 Flashはすべての年でクリスマスイブを休日として扱い、2024年12月のテストに失敗しました。金額の文字列変換では、Argonは範囲外の金額に対するValueErrorも追加しました。ポーランドの通貨単位である12.13ズウォティを、「12ズウォティ13グロシュ」（ポーランド語の原文からの翻訳）に相当するポーランド語表現へ正しく変換しています。同じケースでMuse Wonderは、実在しない「ポーランド語原文テストにおける誤った文字表記」という語を出力しました。

同じ課題でArgonと競合モデルを比較

全テストに合格したモデルの中で、ArgonはOpus 5.5の約3分の1、GPT-6 Astraの約4.6分の1の費用でした。ただし、今回の課題は数十行程度の小さな関数です。ポーランド語とポーランド固有の事情を理解し、基本的なミスを避けられるかは測れますが、大規模なリポジトリや複数ファイル、ターミナル上で長時間動作するエージェントの性能までは分かりません。そうした用途はベンチマークで確認します。

Googleのコーディングベンチマーク

Googleが9月30日に公開した表では、Argonは最高の思考設定で評価されています。3つのコーディングベンチマークの結果は、項目によって異なります。

同じ表ではClaude Fable 5.1がDeepSWEで67.4%、FrontierSWEで56.3%、Terminal-Benchで57.9%でした。Googleの表全体ではArgonは19項目中13項目で首位ですが、コーディング関連の3項目では2項目で競合モデルを下回ります。Terminal-Bench 4.0ではOpus 5.5に9ポイント差をつけられています。

独立系ベンチマークの結果

• Artificial AnalysisのTerminal-Bench 4.0：Argonは57%、Claude Sonnet 5.5は64%、Claude Opus 5.5は60%、GPT-6 Astraは59%。独立系の測定でも、ターミナル作業ではArgonがAnthropicとOpenAIのモデルを下回っています。
• ArenaのCode Arena: WebDev：Argonは1,679ポイントで8位でした。一方、Text Arenaでは同じArgonのHigh設定が1,525ポイントで1位でした（暫定結果）。

Bloomberg報道：Google社員から性能への懸念

9月30日、BloombergはTechmeme経由で、Google社員によると、実際のコーディング課題の一部ではベンチマークが示すほどの性能ではないと報じました。Googleはこの見方に異議を唱えています。今回の小規模テストでは、Argonが短い関数を問題なく書けたため、この点を判断できません。一方、独立系Terminal-Benchの結果やWebDevでの8位は、Googleのベンチマーク表にある最良の数値より、Bloombergが伝えた懸念に近い印象です。

Argonでコーディングする方法

• Google Antigravity（デスクトップアプリとCLI）：ArgonはGoogle AI Ultraプランで利用できます。Google AI ProでもAntigravityは使えますが、Argonは利用できません。研究者はAntigravityの最上位プランを6か月間無料で利用できる場合があります。利用条件は提供元でご確認ください。始め方はAntigravityの始め方で紹介しています。
• Gemini API：モデルIDはgemini-4-argonで、有料アカウントで利用できます。2026年11月30日までは100万トークンあたり入力2 USD、出力10 USD、12月1日以降は入力4 USD、出力20 USDです。入力と出力を合わせた上限は100万トークンです。9to5Googleによると、AI StudioのインターフェースとAndroid Studio（Canary）でArgonを使うにはUltraが必要です。
• OpenRouter：モデルIDはgoogle/gemini-4-argonで、価格は同じ、コンテキスト長は1,048,576トークンです。今回のテストにも使用しました。2026年10月13日にはポーランドから問題なくアクセスできましたが、これはポーランドでの同日の確認結果であり、他の地域での利用可能性を示すものではありません。利用できるかどうかは提供元でご確認ください。OpenRouterのキーを受け付けるツールで利用できます。

結論

単独の関数やスクリプト、コード修正なら、Argonは今回検証した最上位モデルの中で最も低コストで、テストでもミスはありませんでした。一方、リポジトリやターミナル上でエージェントを長時間動かす用途では、独立系を含むベンチマークはClaude Opus 5.5を有力候補として示しています。APIで使う場合は、料金が通常価格の半額である2026年11月30日までに、ご自身のコードで性能を確認するとよいでしょう。他のツールとの比較はコーディング向けAIの比較をご覧ください。

// 続きを読むGeminiは1日に何画面を見る可能性がある？試算では2,600超特集Wan 3.0とWan 2.2を比較。同じ指示で8本の動画を生成ベンチマークローカルAIとAPIの料金比較：RTX 4090の実測コストベンチマーク