Gemini 4 Argon ปะทะ Claude Opus 5.5: ความแตกต่างของ Benchmark ที่ไม่มีใครคาดคิด

Gemini 4 Argon กับ Claude Opus 5.5 ไม่เห็นตรงกันว่าใครเก่งกว่า และความไม่ตรงกันนี้ไม่ใช่สัญญาณรบกวน บน Intelligence Index ของ Artificial Analysis ทั้งสองห่างกันอยู่ห้าคะแนน โดยเป็นฝ่าย Opus 5.5 ที่ได้เปรียบ แต่บน Vals Index — บอร์ดวัดผลกระทบทางเศรษฐกิจที่ถ่วงน้ำหนักด้วย GDP — Gemini 4 Argon อยู่อันดับหนึ่ง และ Claude Opus 5.5 อยู่อันดับสาม ตามหลังทั้ง Argon และ Claude Sonnet 5.5 ทั้งสองบอร์ดวัดสองโมเดลเดียวกันในสัปดาห์เดียวกัน นั่นคือทั้งหมดของบทความนี้: คุณควรเลือกตัวไหนนั้นขึ้นอยู่กับว่างานของคุณดูคล้ายข้อสอบมากกว่า หรือดูคล้ายวันอังคารธรรมดาวันหนึ่งในสำนักงานกฎหมาย และขึ้นอยู่กับว่าคุณมีสิทธิ์เข้าถึง API ของ Argon หรือไม่ ซึ่ง ณ วันนี้แทบไม่มีใครมีเลย

Google ประกาศเปิดตัว Gemini 4 Argon เมื่อวันที่ 2026-09-30 ในโพสต์ของ DeepMind ที่ระบุเครดิตให้ Koray Kavukcuoglu ผู้ดำรงตำแหน่ง SVP ประจำ Google DeepMind และ Chief AI Architect ส่วน Anthropic เปิดตัว Claude Opus 5.5 ก่อนหน้าแปดวัน คือเมื่อวันที่ 2026-09-22 หนึ่งในสองสิ่งนี้คือเวอร์ชัน GA ที่คุณเรียกใช้งานได้บ่ายนี้เลย ส่วนอีกอันเป็นการทยอยเปิดให้ใช้งานแบบเป็นระยะแก่กลุ่มผู้ป้องกันไซเบอร์ที่ระบุชื่อไว้โดยเฉพาะ บวกกับวิศวกรของ Google เอง โดยระบุเจตนาว่าจะเปิดให้ถึง "ลูกค้า API แบบชำระเงินและผู้สมัครสมาชิก Google AI Ultra" ทันทีที่มาตรการป้องกันพร้อม และไม่มีการระบุวันที่สำหรับเรื่องนั้น

คำตอบบรรทัดเดียว ก่อนรายละเอียด

ถ้าคุณต้องการความสามารถในการให้เหตุผลทั่วไปที่ดีที่สุดที่วัดผลได้ในตอนนี้ และต้องการมันบนคีย์สำหรับโปรดักชัน Claude Opus 5.5 พร้อมใช้งานบน OrcaRouter ตอนนี้แล้ว ส่วน Gemini 4 Argon ไม่มีบน API สาธารณะใด ๆ หากคุณกำลังสร้างเอเจนต์ด้านการเงิน กฎหมาย ภาษี หรือการเขียนโค้ดที่ถูกให้คะแนนจากผลผลิตทางเศรษฐกิจต่อดอลลาร์ ตัวเลขของ Argon ดีกว่า และราคาของมันอยู่ที่หนึ่งในห้าของ Opus 5.5 ต่อหนึ่งงาน บนบอร์ดเดียวที่วัดสิ่งนี้โดยตรง หากคุณอยู่ในด้านการป้องกันความมั่นคงไซเบอร์สำหรับโครงสร้างพื้นฐานสำคัญ Argon มีโปรแกรมที่คุณสมัครได้ และคำตอบอาจเป็นได้

ตัวเลขแต่ละตัวมาจากไหนกันแน่

คณะกรรมการดัชนีสองชุด ระเบียบวิธีสองแบบ และควรระบุให้ชัดเจนว่าอันไหนเป็นอันไหน เพราะสองค่ายจะอ้างอิงสวนทางกันไปมาอยู่นานหลายเดือน

• ดัชนีความฉลาด Artificial Analysis Intelligence Index v4.3 — Claude Opus 5.5 อยู่ที่ 57.6 และ Gemini 4 Argon อยู่ที่ 52.6 โดยทั้งคู่ดึงข้อมูลจาก Artificial Analysis เมื่อวันที่ 30 กันยายน 2026 นี่คือการรวมผลจากการประเมินจำนวนสิบรายการ ซึ่งจงใจให้เป็นแบบทั่วไปสำหรับงาน และเป็นกระดานที่คนส่วนใหญ่ยกมาเป็น "the" ของการจัดอันดับ

• Vals Index อัปเดตเมื่อ 2026-09-29 — Gemini 4 Argon อยู่อันดับหนึ่งที่ 68.90% (±0.97), Claude Sonnet 5.5 อยู่อันดับสองที่ 67.04% (±0.92), Claude Opus 5.5 อยู่อันดับสามที่ 66.89% (±0.89) Vals ให้น้ำหนักกับงานด้านการเงิน การเขียนโค้ด กฎหมาย และภาษี ตามสัดส่วนที่แต่ละภาคส่วนมีต่อ GDP ของสหรัฐฯ ดังนั้นโมเดลที่ทำได้ปานกลางเรื่องปริศนาแต่ยอดเยี่ยมด้านการตรวจสอบสัญญาและงานสเปรดชีตจะได้คะแนนดีในดัชนีนี้

ช่องว่าง AA ห้าจุดเป็นเรื่องจริง และไม่ใช่ช่องว่างเล็ก ๆ ช่องว่าง Vals สองจุดก็เป็นเรื่องจริงเช่นกัน และเมื่อดูช่วงความเชื่อมั่นที่พิมพ์อยู่บนลีดเดอร์บอร์ด ค่าของ Argon 68.90 ±0.97 เทียบกับค่าของ Opus 5.5 ที่ 66.97 ±0.89 ถือเป็นความต่างประมาณ 1.5 ค่าคลาดเคลื่อนมาตรฐาน — ดีกว่าการโยนเหรียญ แต่ยังไม่ถึงขั้นท่วมท้น ไม่มีลีดเดอร์บอร์ดไหนผิด ทั้งสองกำลังวัดงานที่แตกต่างกัน

ข้อแม้ด้านการกำหนดค่าหนึ่งประการ และมันหักล้างการตีความช่องว่างของ AA ว่าเป็นการเปรียบเทียบโมเดลล้วน ๆ Artificial Analysis จัดอันดับ Gemini 4 Argon ไว้ที่ระดับสูงของการตั้งค่า effort และ Claude Opus 5.5 ไว้ที่ "Adaptive Reasoning, Max Effort, Default Fallback" การตั้งค่าเหล่านั้นไม่ใช่จุดเดียวกันบนบันได effort ทั้งสอง ดังนั้นตัวเลขพาดหัว 57.6 ต่อ 52.6 จึงไม่ใช่การเปรียบเทียบแบบเทียบได้โดยตรง ณ งบประมาณการใช้เหตุผลที่จับคู่กัน มันเป็นตัวเลขที่ทั้งสองหน้าเผยแพร่ และเป็นตัวเลขที่ควรอ้างอิงหากคุณกำลังให้ความเป็นธรรมกับ Anthropic แต่มันไม่ใช่การทดลองแบบควบคุม

ต้นทุนต่องานคือจุดที่ช่องว่างเริ่มน่าอึดอัด

Artificial Analysis ยังเผยแพร่รายงานค่าใช้จ่ายในการรันชุดดัชนีของตน และในจุดนี้ สองโมเดลไม่ใกล้เคียงกันเลย

• ค่าใช้จ่ายต่องานจัดทำดัชนี — Gemini 4 Argon $1.99 เทียบกับ Claude Opus 5.5 $5.98

• ค่าใช้จ่ายในการรันชุดดัชนีทั้งหมด — Gemini 4 Argon $2,407 เทียบกับ Claude Opus 5.5 $8,708

• ราคาตามประกาศต่อหนึ่งล้านโทเค็น — Gemini 4 Argon $2 อินพุต / $10 เอาต์พุต (อัตราเปิดตัวที่ Google ระบุ โดยอินพุตที่แคชไว้ลด 95% จึงเหลือ $0.10) เทียบกับ Claude Opus 5.5 $4 อินพุต / $20 เอาต์พุต

• อัตราการประมวลผล — Gemini 4 Argon 48.9 โทเคนเอาต์พุตต่อวินาที โทเคนแรกมาถึงหลัง 2.79 วินาที; Claude Opus 5.5 ทำได้ 92.2 โทเคนเอาต์พุตต่อวินาที แต่มีเวลาแฝงของโทเคนแรกถึง 702 วินาทีบนฮาร์เนสเดียวกัน ซึ่งเป็นต้นทุนของการคิดแบบขยายเวลาที่เผยออกมาให้เห็นอย่างชัดเจน

• ต้นทุนต่อการรันของ Vals — Gemini 4 Argon $15.68 เทียบกับ Claude Opus 5.5 $32.14 บนชุดงานที่ถ่วงน้ำหนักตาม GDP ชุดเดียวกัน

มีจุดที่ควรชี้ให้เห็นมากกว่าจะกลบเกลื่อน: ลีดเดอร์บอร์ดของ Vals ระบุอัตราของ Argon ไว้ที่ $4 ขาเข้า / $20 ขาออก ขณะที่ประกาศของ Google ระบุว่า $2 ขาเข้า / $10 ขาออกสำหรับช่วงแนะนำ การตีความที่น่าจะเป็นไปได้มากที่สุดคือ Vals กำลังแสดงอัตราราคาปกติตามรายการมาตรฐาน และ Google กำลังแสดงอัตราโปรโมชัน แต่นั่นเป็นการอนุมาน ไม่ใช่ถ้อยแถลงที่เผยแพร่จากฝ่ายใดฝ่ายหนึ่ง หากงบประมาณของคุณขึ้นอยู่กับตัวเลขนี้ ให้ถาม Google

Argon อ้างอะไร และอะไรได้รับการตรวจสอบแล้ว

โพสต์ของ Google แน่นไปด้วยตัวเลข และทุกตัวเลขล้วนเป็นข้อมูลที่ผู้ขายรายงานเอง ไม่มีตัวเลขใดที่ถูกทำซ้ำอย่างเป็นอิสระเท่าที่ฉันหาเจอ และคณะกรรมการอิสระข้างต้นวัดสิ่งที่แตกต่างจากสิ่งที่ Google เลือกนำมาเป็นพาดหัว โดยระบุเป็นคำกล่าวอ้างของ Google เอง:

• DeepSWE v1.1 — 77.9% ซึ่งได้รับการกล่าวถึงว่าเป็นความก้าวหน้าสูงสุดระดับใหม่ (state of the art) ด้านวิศวกรรมซอฟต์แวร์ระยะยาวในโลกจริง

• การทำความเข้าใจวิดีโอยาวของ LVBench — 91.7% ซึ่งได้รับการยกย่องว่าล้ำสมัยที่สุด

• AutomationBench (เบนช์มาร์กของ Zapier สำหรับงานธุรกิจแบบครบวงจร) — อยู่อันดับ #1 ที่ 51.3%

• การแก้ไขช่องโหว่ CWE-bench v1 — ครองอันดับหนึ่งร่วมที่ 68% ต่อยอดจากผลลัพธ์ของ Gemini 3.8 Flash Cyber บนกระดาน v0

• Gray Swan Indirect Prompt Injection — ถูกอธิบายว่าเป็นผู้นำ โดยไม่มีตัวเลขเผยแพร่ในโพสต์

• Vals Finance Agent v2 และ Harvey's Legal Agent Benchmark — ได้รับการอธิบายว่าเป็นผู้นำ เช่นเดียวกัน โดยไม่มีตัวเลขที่พิมพ์ระบุในประกาศ

สองตระกูลข้อกล่าวอ้างที่มีหลักฐานสนับสนุนอย่างเป็นอิสระจริงคือกลุ่มที่ควรค่าแก่การเชื่อถือมากที่สุด: Vals ยืนยันตำแหน่งในดัชนีด้วยตัวเลขและช่วงความเชื่อมั่น และ Artificial Analysis ยืนยันดัชนีที่ 52.6 และราคา ส่วนเกร็ดเรื่องผลิตภาพภายใน — การปรับปรุง 40% เทียบกับค่าพื้นฐานที่เผยแพร่บนซับรูทีนควอนตัม, หน่วยความจำมากกว่า 300 TiB ที่ถูกปลดปล่อยทั่วฟลีตของ Google โดยเอเจนต์ Argon — เป็นผลลัพธ์ภายในบริษัทที่ไม่มีการทดสอบจากภายนอก และควรอ่านโดยตระหนักเช่นนั้น

Opus 5.5 คืออะไร ถ้าคุณเพิ่งอยู่ใต้ก้อนหินมา

Claude Opus 5.5 เป็นเรือธงของ Anthropic: คอนเท็กซ์ 1M โทเคน เอาต์พุตสูงสุด 128K รับอินพุตได้หลายรูปแบบทั้งข้อความ รูปภาพ และไฟล์ มี extended thinking ใช้เครื่องมือ และให้ structured outputs ได้ โดยเปิดตัวต่อจาก Claude Opus 5 เมื่อวันที่ 2026-09-22 และพาดหัวข่าวการเปิดตัวก็คงหนีไม่พ้นเรื่องราคาที่ปรับลดลง — เรตนี้ปรับลงแทนที่จะปรับขึ้น โดยอยู่ที่ $4/$20 และการอ่านจากแคชอยู่ที่ $0.20 วันนี้สามารถเลือกเส้นทางผ่าน OrcaRouter ได้ในอัตรานี้พอดี ส่งผ่านราคาตั้งต้นของผู้ให้บริการมาแบบมาร์กอัปเป็นศูนย์ และหากผู้จำหน่ายปรับราคา ฝั่งเราก็ได้รับผลในวันเดียวกับที่ฝั่งเขาได้รับ

สำหรับคะแนนระดับงานที่ทั้งสองโมเดลมี ภาพที่ได้คือการสลับกันนำไปมาอย่างแท้จริง มากกว่าการกวาดชัยชนะ:

• Terminal-Bench 4.0 — Claude Opus 5.5 59.6% เทียบกับ Gemini 4 Argon 57.1%

• SciCode — Claude Opus 5.5 66.9% เทียบกับ Gemini 4 Argon 61.8%

• Humanity's Last Exam — Claude Opus 5.5 61.4% เทียบกับ Gemini 4 Argon 57.1%

• การให้เหตุผลแบบบริบทยาว — Claude Opus 5.5 84.7% เทียบกับ Gemini 4 Argon 79.7%

• CritPt — Claude Opus 5.5 31.7% เทียบกับ Gemini 4 Argon 27.1%

• ความรอบรู้ — Claude Opus 5.5 46.4 เทียบกับ Gemini 4 Argon 42.4

• GDPval — Claude Opus 5.5 1,846 เทียบกับ Gemini 4 Argon 1,611

• AutomationBench-AA — Gemini 4 Argon 77.5% เทียบกับ Claude Opus 5.5 69.5% นี่เป็นคะแนนงานแบบตัวต่อตัวเพียงรายการเดียวที่ Argon ชนะอย่างชัดเจน และยังเป็นกลุ่มงานที่ใกล้เคียงกับสิ่งที่ Vals Index ให้รางวัลมากที่สุด

ดังนั้นรูปแบบจึงสอดคล้องกัน: Opus 5.5 นำอยู่บนบันไดการใช้เหตุผลแบบเชิงวิชาการ และ Argon นำอยู่บนการลงมือทำงานให้เสร็จตั้งแต่ต้นจนจบ นั่นไม่ใช่ความขัดแย้งระหว่างสองบอร์ดอีกต่อไป มันคือข้อค้นพบเดียวกันที่สื่อออกมาสองครั้ง

ความสามารถที่ไม่มีใครเปรียบเทียบ

เพดานเอาต์พุตของ Gemini 4 Argon อยู่ที่ 1,000,000 โทเคนในหนึ่งเส้นทางการประมวลผล เพิ่มขึ้นจาก 64K ของรุ่นก่อน Claude Opus 5.5 จำกัดเอาต์พุตไว้ที่ 128K ทั้งคู่มีหน้าต่างบริบทขนาด 1 ล้านโทเคน แต่บริบทกับเอาต์พุตเป็นงบคนละส่วน และนี่คือการกระโดดของสเปกครั้งเดียวที่ใหญ่ที่สุดในประกาศนี้

การที่เรื่องนี้สำคัญหรือไม่นั้น ขึ้นอยู่กับสิ่งที่คุณรันทั้งหมด เพดานเอาต์พุต 128K ถือว่าเหลือเฟือสำหรับแชต การรีวิวโค้ด การสกัดข้อมูลแบบมีโครงสร้าง และขั้นตอนของเอเจนต์ แต่เป็นกำแพงแข็งสำหรับการสร้างชุดแพตช์การย้ายระบบทั้งหมด รายงานการตรวจสอบฉบับเต็ม หรือเอกสารความยาวมากในครั้งเดียว ซึ่งเป็นเวิร์กโฟลว์ที่ Google เลือกใช้ประกอบการเปิดตัว หากไปป์ไลน์ของคุณต้องเรียกต่อกันยี่สิบครั้งเพื่อให้อยู่ภายใต้เพดาน เพดานของ Argon จะช่วยคุณประหยัดเวลาแฝงและโค้ดสำหรับการประสานงาน หากไม่เป็นเช่นนั้น คุณกำลังจ่ายสำหรับพื้นที่เผื่อที่คุณจะไม่ได้ใช้

ความพร้อมใช้งานคือตัวแปรชี้ขาด ไม่ใช่คุณภาพ

นี่คือส่วนของการเปรียบเทียบที่ไม่มีเกณฑ์มาตรฐานใด ๆ กำกับอยู่ และสำคัญยิ่งกว่าสิ่งอื่นทั้งหมด

Gemini 4 Argon ยังไม่พร้อมให้ใช้งานทั่วไป โพสต์ของ Google ระบุว่ากำลังทยอยเปิดให้ผู้ป้องกันไซเบอร์ที่เชื่อถือได้ผ่านโครงการ Fairwind Program ว่าบริษัทเข้าร่วมกระบวนการให้เข้าถึงโมเดลก่อนเผยแพร่โดยสมัครใจของรัฐบาลสหรัฐฯ และการเข้าถึงในวงกว้างสำหรับนักพัฒนา องค์กรธุรกิจ และผู้บริโภคจะตามมา "โดยเร็วที่สุด" โดยเริ่มจากลูกค้า API แบบเสียค่าใช้จ่ายและผู้สมัครสมาชิก Google AI Ultra ยังไม่มีตัวระบุโมเดล ไม่มี endpoint ไม่มีโควตาที่ประกาศไว้ และไม่มีวันที่ ยังไม่มีอยู่ในแคตตาล็อกของเรา และก็ไม่มีอยู่ใน public API ของรายอื่นเช่นกัน ดังนั้นหน้าข้อมูลราคาสำหรับ Argon จึงยังไม่มีในตอนนี้

Claude Opus 5.5 เปิดตัววันนี้ บน OrcaRouter มันคือ anthropic/claude-opus-5.5 เข้าถึงได้ผ่าน endpoint ที่เข้ากันได้กับ OpenAI เดียวกับโมเดลอื่นอีกกว่า 200 รุ่นในแค็ตตาล็อก พร้อมการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติ เมื่อเส้นทางใดเส้นทางหนึ่งมีปัญหา และมี DSL สำหรับการจัดเส้นทางในกรณีที่คุณต้องการส่งทราฟฟิกบางส่วนไปยัง Opus 5.5 และส่งส่วนที่เหลือไปที่อื่นโดยใช้คีย์เดียวกัน ไม่ต้องมีสัญญาฉบับที่สอง ไม่ต้องมี SDK ตัวที่สอง

คำแนะนำที่นำไปใช้ได้จริงสำหรับเดือนหน้าคือเรื่องไม่หวือหวา: สร้างบน Opus 5.5, เก็บชื่อโมเดลของคุณไว้ในค่าคอนฟิกแทนที่จะใส่เป็นสตริงลิเทอรัล และวางโมเดลราคาถูกไว้ในเส้นทางการลองใหม่ของคุณ เพื่อว่าการพุ่งขึ้นของความหน่วงในการรันโทเคนแรกที่ใช้เวลา 702 วินาที จะไม่ทำให้ผลิตภัณฑ์ของคุณล่มไปด้วย ประเด็นสุดท้ายนี้ไม่ใช่แค่ทฤษฎี — ความหน่วงของโทเคนแรกของ Opus 5.5 บนฮาร์เนสของ AA อยู่ที่สิบเอ็ดนาที และไม่ว่าสิ่งนั้นจะเป็นอาร์ติแฟกต์ของฮาร์เนส หรือเป็นเพราะโมเดลคิดนานกว่าสิ่งใดก่อนหน้าจริง ๆ งบไทม์เอาต์ของคุณควรถูกกำหนดจากตัวเลขนั้น ไม่ใช่จากคำโฆษณา

อะไรจะทำให้คำตัดสินนี้เปลี่ยนไปได้

สามเรื่อง เรียงตามลำดับความเป็นไปได้ เรื่องแรกคือการเปิดให้ใช้งานทั่วไปของ Argon พร้อมราคาที่ประกาศอย่างเป็นทางการ ซึ่งจะทำให้ข้อโต้แย้งเรื่องต้นทุนนำไปใช้ได้จริงทันที และจะทดสอบว่า $2/$10 ยังคงทนเมื่อเจอกับทราฟฟิกจริงหรือไม่ เรื่องที่สองคือการรัน DeepSWE v1.1 และ CWE-bench v1 อย่างอิสระและทำซ้ำได้จากภายนอก Google ซึ่งจะยืนยันหรือหักล้างข้ออ้างของผู้ขาย หรือเรื่องที่สามคือการกำหนดค่า Argon ของ Artificial Analysis ที่ระดับความพยายามสูงสุด ซึ่งจะให้ข้อยุติว่าช่องว่างของดัชนี 5 จุดเป็นความแตกต่างด้านขีดความสามารถหรือเป็นผลพลอยได้จากการตั้งค่าระดับความพยายาม

จนกว่าหนึ่งในสองสิ่งนั้นจะเกิดขึ้นจริง สรุปที่ตรงไปตรงมาคือ Opus 5.5 เป็นโมเดลที่ได้รับการยืนยันว่าดีกว่า และ Argon เป็นข้ออ้างที่คุ้มราคากว่า ว่าวันนี้คุณใช้อันไหนได้จริงไม่ใช่เรื่องที่สูสีกันเลย

Claude Opus 5.5 พร้อมใช้งานแล้วบน OrcaRouter ในราคาตามที่ผู้จำหน่ายกำหนดโดยไม่มีการบวกเพิ่ม ควบคู่ไปกับโมเดลอื่น ๆ ในแคตตาล็อก — หากคุณต้องการทดสอบประสิทธิภาพกับงานของคุณเองแทนที่จะอิงจากลีดเดอร์บอร์ด anthropic/claude-opus-5.5คือ id ที่ต้องเรียกใช้ และการสลับไปใช้โมเดลอื่นในภายหลังก็เป็นเพียงการแก้ไขโค้ดหนึ่งบรรทัดบนคีย์เดิม