Gemini 4 Argon, Google'un düzenlediği 19 benchmarktan 14'ünde zirvede; GPT-6 ve Claude önemli zaferleri koruyor

Google'un iddiası ve bağımsız testçilerin bulguları

Google bu hafta Gemini 4 Argon'u piyasaya sürdü ve modelin, OpenAI'nin GPT-6 Astra, Claude Fable 5.1 ve Claude Opus 5.5 ile karşılaştırıldığı 19 yayımlanmış benchmarkın 14'ünde birinciliği ya da paylaşılan birinciliği elde ettiğini söylüyor. dev.to'da yeniden yayımlanan The Daily Flare raporunda ele alınan bu karşılaştırma, kurumsal bilgi işi, agentic coding, bilim, uzun bağlam muhakemesi ve siber güvenlik alanlarını kapsıyor — Google'ın iş müşterilerini hedeflediği alanlar bunlar.

Bağımsız incelemeler hikâyenin bir kısmını destekliyor. Vals AI, Argon'u Vals Index'te 41 model arasında yüzde 68,90 ile birinci sıraya yerleştirdi. Artificial Analysis, modeli Intelligence Index'te 53 puanla değerlendirdi; bu puan GPT-6 Astra ile eşit ve Google'ın önceki sürümü Gemini 3.1 Pro Preview'nın 23 puan önünde.

Argon'un farkını yarattığı alanlar

En büyük farklar profesyonel bilgi işinde ortaya çıkıyor. Harvey'nin Legal Agent Benchmark'ında Argon yüzde 19,6'ya karşı GPT-6 Astra'nın yüzde 5,4'ü ile kaydediyor — neredeyse dört kat bir fark. Finans, kodlama, hukuk ve vergi görevlerini harmanlayan Vals Index'te Argon yüzde 68,9 bildirirken Astra yüzde 63,1'de kalıyor ve Opus 5.5 yüzde 67,0'a ulaşıyor.

Yazılım mühendisliği de bazı ölçümlerde Argon'dan yana. Gerçek dünya mühendislik görevlerinden oluşan DeepSWE v1.1'de yüzde 77,9 ile lider; Opus 5.5 yüzde 74,2 ve Astra yüzde 74,1'de gerisinde. Diğer zaferler arasında yüzde 91,9 ile Vibe Code Bench, uzun video anlama testi LVBench'te yüzde 91,7 ve bir milyona kadar token'lık uzun bağlam değerlendirmesi olan GraphWalks'ta yüzde 84,2 yer alıyor.

GPT-6 ve Claude'un ayakta kaldığı alanlar

Tablo başka yerlerde daha karışık. GPT-6 Astra, daha zorlu bir yazılım mühendisliği değerlendirmesi olan FrontierSWE v2'de Argon'un yüzde 55,0'ına karşı yüzde 65,5 ile baskın çıkıyor. Claude Opus 5.5, terminal odaklı agent işlerini ölçen Terminal-Bench 4.0'ı yüzde 66,4 ile 57,4'e karşı alıyor ve Astra, Terminal-Bench Science'ta yüzde 68,1 ile 57,6'nın önünde.

Astra bilgisayar kullanımı görevlerinde de önde; OSWorld-2.0 çevrimdışı alt setinde Argon'un yüzde 69,2'sine karşılık yüzde 72,6 skor alıyor. Opus 5.5, bir makine öğrenmesi mühendisliği testi olan PostTrainBench'i yüzde 49,3 ile 45,3'e karşı kazanıyor. The Daily Flare'nın da belirttiği gibi, shell tabanlı otomasyon hatları kuran ekipler için asıl önemli skorlar bunlar.

Rakamlara dair uyarılar

19 benchmarklık tablodaki her sonuç Google tarafından üretildi ve yayımlandı. Lansman anında hiçbir üçüncü taraf tüm seti bağımsız olarak tekrarlayamamıştı. Bu, bir amiral gemisi lansmanı için standart uygulama; ancak bu, başlıktaki zafer sayısının satıcıdan geldiği, tarafsız değerlendiricilerden gelmediği anlamına geliyor.

Sonuçları çerçeveleyen iki tasarım tercihi var. Argon, uzun soluklu “derin iş” için sıfırdan tasarlandı ve çıktı üst sınırı artık bir milyon token'a ulaşıyor — Gemini 3'teki 64.000'den yükseldi; bu başlı başına önemli bir genişleme.

Neden önemli

Argon benchmark sayısında zirvede ve bağımsız değerlendiriciler de onun en üst seviyeye ait olduğu konusunda hemfikir; yine de rakipler, gerçek dağıtımları belirleyen kategorileri elinde tutuyor. Hukuk, finans ve uzun bağlam iş yükleri yeni Google modelinden yana; daha zorlu yazılım mühendisliği ve terminal odaklı agentlar ise hâlâ OpenAI ve Anthropic'ten yana. Alıcılar, tek bir leaderboard'a güvenmek yerine modeli iş yüküne göre seçmeli — ve farklar bu kadar darken, sınır yarışının yeni bir lideri var ama kesin bir kazananı yok.