前言

本文將從規格、官方基準測試、費用這三個觀點，比較 Gemini 4 Argon、GPT-6.1 Sol、Claude Opus 5.5、Claude Sonnet 5.5 這 4 個模型。
文中所記載的數值，皆為截至 2026 年 10 月 13 日的資料。

本公司 Nuco 也公開了許多其他實用文章。若有興趣，也歡迎順道看看 Organization 頁面。
另外，Nuco 也正在招募一起工作的夥伴！若您有興趣，請前往 這裡。

依用途推薦的模型

根據基準測試數值，介紹 7 種用途各自推薦的模型。
即使是相同用途，依作業內容不同也會有擅長的模型不同，因此也會一併介紹各工作情境的優勢與劣勢。

環境建置・指令操作

Claude Sonnet 5.5

在 Terminal-Bench 4.0 中，分數在 3 個有公布成績的模型裡最高（70.6%）。也超過同為 Anthropic 旗下的高階模型 Opus 5.5（66.4%）。Terminal-Bench 4.0 是用來評估在容器內的 CLI 環境中，能否透過指令把工作一路做到最後的基準測試。

適合的作業如下：

• 環境建置、建置、執行測試等，想交給模型一邊下指令一邊看結果推進的工作

功能實作・Pull Request 製作

Claude Opus 5.5
在 FrontierCode 中，分數在 3 個有公布成績的模型裡最高（54.4%）。FrontierCode 是以實際的 Pull Request 為題材，不只評分功能是否能運作，也會評分程式碼的寫法。超出需求範圍的修改會被扣分。

適合的作業如下：

• 配合既有程式碼風格新增功能
• 製作可直接送審的品質之 Pull Request

錯誤調查・修正

Gemini 4 Argon
在 DeepSWE 中，4 個模型裡最高（77.9%）。DeepSWE 是以短短的需求描述為線索，評估能否在大型儲存庫中找出需要修正的地方，並在不破壞既有功能的情況下完成修正的基準測試。

適合的作業如下：

• 在大型儲存庫中定位錯誤根因並修正
• 從「修正〇〇的問題」這類簡短指示中找出修正位置並完成修正

長脈絡推理・超大輸出

Gemini 4 Argon

在評估長脈絡推理的 GraphWalks BFS 256K–1M 中，4 個模型裡最高（84.2%），大幅超過 Claude Opus 5.5（66.8%）。即使在很長的上下文中，也能不失去步驟地持續處理，這點獲得高度評價。另外，4 個模型中只有它支援最大 100 萬 token 的輸出。

適合的作業如下：

• 一次性大量讀入契約書、公司內部規章、跨好幾年的財報資料等，進行比較、摘要、提問
• 從原始碼掌握整體架構，或從故障日誌調查錯誤模式
• 在一次處理中長時間反覆進行假設、驗證、修正的超大輸出工作

業務自動化

Gemini 4 Argon

在評估跨 SaaS 完成業務的 AutomationBench 中，4 個模型裡最高（51.3%）。能依序操作多種工具並完成業務流程的能力受到高度評價。

適合的作業如下：

• 將客戶資訊與聯絡紀錄輸入 CRM
• 透過電子郵件或聊天工具聯絡相關人員
• 自動化跨多個 SaaS 的例行作業，例如從聯絡表單受理、登錄到 CRM，再通知負責人

低成本大量定型處理

Gemini 4 Argon

適合將相同指示反覆套用到大量短輸入的處理。快取讀取可享輸入價格 95% 折扣，折扣幅度比 Claude Sonnet 5.5（輸入價格的 10%）更大；重複使用同一組指示越多，就越能壓低輸入成本。在效能面上，也在 DeepSWE 與 AutomationBench 上超過 Claude Sonnet 5.5。不過，當前價格屬於導入優惠價。

適合的作業如下：

• 依固定分類規則，將客服郵件或問卷自由回答分門別類
• 對大量檔案套用相同的替換規則或移轉規則

低成本大量文章撰寫

Claude Sonnet 5.5

適合重視文章與資料品質的處理。在評估成果品質的 GDPval-AA 中拿到 1844 分，幾乎與 Claude Opus 5.5（1846 分）相同，且比 Gemini 4 Argon 高出 200 分以上。

適合的作業如下：

• 批次產生商品說明文、通知信等可直接使用的文字
• 批次撰寫大量 API 或模組文件

各模型概要

Gemini 4 Argon

提供者Google定位最適合程式設計、法務・財務等知識工作、資安的最先進前沿模型發布日2026年10月13日提供狀況僅支援 API / AI Studio（開發環境）※ 不支援 WebUI（免費版 / AI Pro）Gemini 4 Argon 的主要進化與特色

• 從「回答能力」進化為「自主思考能力」
  相較 Gemini 3 世代，最大的進化不只是單次問答的精準度提升，而是獲得了「能不中斷地持續進行長而深的推理」的能力。角色定位也從優秀的「回應者」，轉向能自主完成複雜實務的「研究者・工程師」。
• 「100 萬 token 輸出」帶來推理突破
  支援100 萬 token 的長篇輸出，大幅超越傳統模型的物理輸出上限（約 6.4 萬 token）。即使人類中途不再補充指示，AI 也能在單一試行流程（Single Trajectory）中完成「提出假設 → 驗證 → 試誤 → 修正」的深度思考迴圈。
• 在實務（資安・工程）上的成果
  • 資安：自律偵測並修正過去模型難以發現的醫療軟體重大漏洞。
  • 大型開發：完成需要長時間試誤的任務，例如將數十萬行規模的程式碼庫從 C/C++ 移轉到 Rust，以及整個資料中心的記憶體最佳化。
• 透過即時監控強化安全護欄
  由於能更自主且長時間運作，系統加入了即時監控思考流程（Chain of Thought）與執行動作的安全機制。當偵測到偏離使用者意圖的行為（misalignment）時，會自動停止執行。

GPT-6.1 Sol

提供者OpenAI定位針對代理式程式設計與專業工作最佳化、從 GPT-6 Sol 改良而成的高性價比模型發布日2026年9月29日提供狀況ChatGPT Work / Codex 各方案 / API
※ 一般 ChatGPT 對話尚未支援GPT-6.1 Sol 的主要進化與特色

• 以五分之一價格逼近高階模型 Astra 的性能
  是 GPT-6 Sol 的升級版。在代理式程式設計、電腦操作、專業工作上，以 Astra 標準輸入輸出單價的五分之一，提供逼近 GPT-6 Astra 的性能。於 DeepSWE v1.1 中，以約五分之一的成本達到與 Astra 相同的分數，且使用比 GPT-6 Sol 更少的思考量，就比它的最高分高出 6.4 分。
• 大幅調降快取費用，讓代理更便宜地運作
  已快取輸入每 100 萬 token 只要 0.10 美元，比標準輸入費用便宜 95%，也比 GPT-6 Sol 便宜 50%。可降低在不同請求之間重複使用相同脈絡的代理運作成本。Codex 也預計提供最高快 8 倍的「Ultrafast」。
• 在專業工作・電腦操作・科學研究上全面提升
  • 專業工作：在 GDP.pdf 中，對含有表格、圖表與細小文字的複雜 PDF 的回答能力優於 Opus 5.5，且成本不到其一半。
  • 電腦操作：在 OSWorld 2.0 中比 GPT-6 Sol 高 7 分，與 Astra 的差距縮小到 2.1 分。
  • 科學研究：在 Terminal-Bench Science 的分數超過 GPT-6 Sol 的兩倍。每個任務平均成本為 5.47 美元，比 Opus 5.5（23.21 美元）與 Astra（23.80 美元）都便宜 75% 以上。
• 提升事實正確性與安全性
  在較少推理量的設定下，包含事實錯誤的回答比例從 11.4% 降到 7.7%（約減少 32%）。在如搜尋工具故障時是否誠實告知、是否遵守指示限制等對齊評估上，也較 GPT-6 Sol 有所改善。

Claude Opus 5.5

提供者Anthropic定位最適合長時間代理式程式設計與高階知識工作的複雜任務用高階模型發布日2026年9月22日提供狀況Claude 付費方案（Pro / Team / Enterprise）/ 各種 APIClaude Opus 5.5 的主要進化與特色

• 以比 Opus 5 低 40% 的成本，達到接近 Fable 5.1 的性能
  是 Claude 5.5 系列的首個模型。在多數工作上，能展現與高階 Claude Fable 5.1 相當的性能，同時在一般使用情境下，運作成本比 Opus 5 便宜 40%。輸入／輸出單價降為 20%，快取讀取降為 60%，輸出速度也提升了 30% 以上。
• 擅長涵蓋整個程式碼庫的長時間程式設計工作
  擅長程式碼庫整體移轉與稽核等範圍廣、耗時長的工作。
  • 大型移轉：早期測試者在不到 1 天內完成 68 萬行程式碼移轉。
  • 稽核・修正：在 3 小時內完成 20 萬行程式碼庫的稽核與修正（Opus 5 需 20 小時以上）。
  • 語言移轉：將負載平衡軟體 HAProxy 從 C 改寫為 Rust，幾乎通過所有既有回歸測試，並以比 Fable 5.1 更短時間、51% 更低成本完成。
• 易讀的文章與有依據的研究
  因應 Opus 5 常被反映「文章難懂」，大幅改善了寫法。會先寫重要資訊、減少專業術語，並遵守指定的寫作規則。在需要自行搜尋財報資料並產出報告書的公司內部測試中，18 次有 16 次達到品質標準（只要數字或引用有一個造假就不合格；Fable 5.1 與 Opus 5 都一次也沒達標）。
• 歷來最高的安全性評估與強化後的護欄
  在約 2,000 個情境中檢查行為的自動稽核裡，寫下歷來最高分。難以撤銷的操作與超出授權範圍的行為大幅減少，試圖越過隔離環境邊界的行為比 Opus 5 少約 85%。在資安與生物學領域，備有與 Fable 5.1 相同等級的安全防護，相關任務會自動切換到其他模型。

Claude Sonnet 5.5

提供者Anthropic定位適合日常任務、資料製作、錯誤修正、影像辨識，補足 Opus 5.5 的高速低成本模型發布日2026年9月28日提供狀況Claude 全方案（含免費版）/ 各種 APIClaude Sonnet 5.5 的主要進化與特色

• 相較前一代性能大幅提升
  Terminal-Bench 4.0 的分數從 Sonnet 5 的 10.3% 大幅提升到 70.6%。
  在部分基準測試中，即使將 effort 設為低到中，也能用約 1/10 的成本超越 Sonnet 5 的最高分。
• 更快、更便宜
  單價與 Sonnet 5 相同（輸入 2 美元、輸出 10 美元），但因能以更少 token 完成相同工作，每個任務的成本最多下降 30%。
  輸出速度也提升超過 30%，是歷代最快的 Sonnet。
• 擅長日常任務、資料製作與設計
  擅長範圍明確的日常工作、錯誤修正，以及文件、簡報、試算表製作。設計感也受到肯定，能依簡報模板製作幾乎不需修改的資料。在一項根據財報製作 10 張營運回顧簡報的公司內部測試中，2 位專家認為初稿已達可直接提交的品質。
• 擅長長時間作業與影像辨識
  是第一個僅靠螢幕截圖就通關《寶可夢 紅》的 Sonnet。於畫面操作基準 OSWorld 也拿到 80.1%，逼近 Opus 5.5（81.8%）。
• Sonnet 系列首次搭載資安安全護欄
  因資安能力已提升到接近 Opus 5 的程度，因此在 Sonnet 系列中首次加入專用安全護欄。高風險任務會切換到 Sonnet 5，但不會影響一般開發中的錯誤發現與修正。

基本規格比較

Context 長度・最大輸出 token

模型Context 長度（輸入）最大輸出Gemini 4 Argon-100 萬 token（輸入輸出合計）GPT-6.1 Sol105 萬 token12.8 萬 tokenClaude Opus 5.5100 萬 token12.8 萬 tokenClaude Sonnet 5.5100 萬 token12.8 萬 token官方基準測試比較

本章將從代理式程式設計、業務自動化／知識工作、科學／高階推理、電腦操作／多模態、長脈絡推理這 5 個觀點，比較各模型的基準測試分數。

數值的選擇方式

各欄位數值依下列優先順序採用：

1. 各模型開發商的官方發表（發表頁面、模型卡、評估資料）
2. 基準測試營運方的排行榜
3. 競爭對手發表中所列的比較表

若任何資料都沒有數值，則標為「不明」。
若同一份資料中有多種設定的數值，則採用該模型中分數最高的數值。

代理式程式設計

比較 AI 自行讀取檔案、修改程式碼、執行指令與測試，並將任務一路完成的能力，採用 3 個基準測試。
這是針對 Claude Code、Codex 等程式設計代理的使用情境所設計的評估。
由於 3 個基準測試重視的重點不同，因此某模型在其中一項表現好，不代表其他項也會好。

基準測試評量重點評估內容評分方式DeepSWE（v1.1）能否自己找出需要修正的地方從抽象指示出發的自主課題解決能力。
僅憑簡短需求描述，評估是否能自動找出大型儲存庫中的修正位置，並完成長期開發任務。測試的是行為而非寫法（以公開 API 與可觀察輸出驗證）。
也會執行既有測試，若破壞無關部分則判定不合格Terminal-Bench 4.0是否能操作終端機推進工作終端環境中的自主工具操作能力。
評估代理在容器化 CLI 環境中，是否能運用指令完成實際工作。在容器（Docker / Harbor framework）中實際執行代理，並以各任務專屬測試腳本自動判定成敗FrontierCode（v1.1）是否能連同程式碼品質一起實作真實 OSS 開發中的實務程式設計能力。
以真實 Pull Request 為題材，評估的不只是功能實作，也包含程式碼品質（寫法）在內的整體貢獻。功能的必要條件（主要為非公開單元測試）與加權程式碼品質規則的合成分數。
超出範圍的變更會扣分模型DeepSWETerminal-Bench 4.0FrontierCodeGemini 4 Argon77.9%57.4%不明GPT-6.1 Sol73.0%不明50.2%Claude Opus 5.574.2%66.4%54.4%Claude Sonnet 5.571.0%70.6%46.2%### 業務自動化・知識工作

AI 透過操作多個 SaaS 將業務流程一路完成的能力，使用 AutomationBench 評估；而文件、試算表、簡報等專業人士產出的成果品質，則以 GDPval-AA 評估。

基準測試評量重點評估內容評分方式AutomationBench（1.0.6）是否能操作多個 SaaS 完成業務SaaS 應用之間的自主工作流程執行能力。
不只是文字生成，而是能否在類似真實環境中，將業務、招募等跨多個 SaaS 的一連串流程完整做完。依各任務判定合格與否。
若在模擬應用的狀態下滿足所有檢查項目即為合格GDPval-AA（v2.1）是否能製作專家等級的高品質資料或成果物多種專業工作中的實務執行能力。
以 OpenAI 的「GDPval」為基礎，評估在 44 種職業、9 個產業的實際工作（文件、試算表、簡報製作等）中，是否能產出接近專家的品質。依模型成果物匿名兩兩比較的結果計算 Elo 評分（以 DeepSeek V4.1 Flash（max）為 1600 基準）模型AutomationBenchGDPval-AAGemini 4 Argon51.3%1626GPT-6.1 Sol31.7%1575Claude Opus 5.542.4%1846Claude Sonnet 5.544.7%1844### 科學・高階推理

透過兩個性質不同的基準測試，來比較模型對科學與專業領域困難問題的應對能力。

基準測試評量重點評估內容評分方式Terminal-Bench Science（0.1）是否能利用程式碼與終端機，自行完成研究所需的計算工作，例如資料分析與模擬科學研究中的高階計算工作流程執行能力。
在生命科學、物理學、數學等領域中，運用程式碼與終端機工具，自主完成從資料分析到模擬的研究流程。針對代理產出的成果物（資料或模擬結果等）執行各任務的非公開測試腳本，以自動判定成敗Humanity's Last Exam是否能用知識與推理正確回答專家等級難題接近人類智慧極限的專家級知識與推理能力。
因既有基準測試（如 MMLU）逐漸飽和，為了評估 AI 真正極限而建立。
由全球專家以獎金徵題方式公開募集的「無法靠搜尋解答」超高難度題目（約 14% 含圖片）大多採短答式精確比對與多選題自動判定。
部分企業也會在某些評估中搭配 LLM-as-a-judge。模型Terminal-Bench ScienceHumanity's Last ExamGemini 4 Argon57.6％57.1％GPT-6.1 Sol47.6%52.9%Claude Opus 5.558.7%61.4%Claude Sonnet 5.559.9%55.0%### 電腦操作・多模態

AI 一邊看著畫面，一邊用滑鼠和鍵盤操作應用程式的能力，以 OSWorld 評估；從圖片中讀取專業圖表的能力，則以 Chartography 比較。

這兩個基準測試都以正確辨識影像為基礎，但評估內容不同。

基準測試評量重點評估內容評分方式OSWorld（2.0）是否能一邊看螢幕截圖，一邊完成數十個步驟的操作GUI 環境中的長期自主電腦操作能力。
在 Ubuntu 虛擬機的畫面（螢幕截圖）上，運用滑鼠與鍵盤操作，完成日常與專業工作流程（數十步作業）直到最後。以各任務中間步驟設定的加權檢查點之部分分數（達成率平均）與全部通過的完整通過率（Strict pass rate）評估。Chartography是否能從專業圖表中精準讀取數值專業且複雜圖表的精準閱讀與解讀能力。
此基準是因既有圖表辨識任務趨於飽和而建立。
評估是否能從 Kaplan-Meier 曲線（存活曲線）、K 線圖、Sankey 圖等專業領域高密度圖表中正確讀取數值。不是嚴格文字完全一致，而是依各圖表的專家設定「容許範圍（Tolerance bounds）」判定回答數值是否落在範圍內。模型OSWorldChartographyGemini 4 Argon69.2%71.6%GPT-6.1 Sol66.8%不明Claude Opus 5.581.8%66.3%Claude Sonnet 5.580.1%61.6%### 長脈絡推理

比較在數十萬 token 規模的長輸入中，能否不失去步驟一路處理到底，以 GraphWalks BFS 256K–1M 評估。

這個基準會讓模型追蹤輸入的大型圖結構（節點與連結列表），測量是否能按照指定步驟（廣度優先搜尋）回答。由於輸入長度達 25.6 萬到 100 萬 token，不僅考驗輸入上限，也考驗在長脈絡中持續記住「已經查到哪裡」的能力。

基準測試評量重點評估內容評分方式GraphWalks BFS（256K–1M）是否能在數十萬 token 的長輸入中，不失去步驟地一路處理到底長脈絡中的多階段推理能力。
輸入為有向圖的邊列表，評估是否能從指定節點開始做指定深度的廣度優先搜尋，並答出剛好位於該深度的所有節點。將模型回答的節點集合與正解集合比較後計算 F1 分數。
若最後一行格式不符指定規格，則為 0 分模型分數Gemini 4 Argon84.2%Claude Opus 5.566.8%註）雖然已查閱官方發表與網路資料，但未找到 GraphWalks BFS（256K–1M）中 GPT-6.1 Sol 與 Claude Sonnet 5.5 的分數，因此此處不予列出。

費用比較

API 費用（輸入・輸出・快取）

單位：美元／100 萬 token

模型輸入輸出快取讀取快取寫入Gemini 4 Argon2100.10GPT-6.1 Sol2100.12.5Claude Opus 5.54200.25（保留 5 分鐘）
8（保留 1 小時）Claude Sonnet 5.52100.22.5（保留 5 分鐘）
4（保留 1 小時）※ 關於 Gemini 4 Argon

• 所列價格為 2026 年 11 月 30 日前的期間限定價格。
• 僅支援隱含式快取，因此不會另外收取明示快取的寫入／保留（儲存）費用。

出處

官方發表・評估資料

• Google：Gemini 4 Argon：前沿智慧的新時代
• Google：Gemini 4 Argon Model evaluation: Approach, methodology & results
• Google：Gemini 4 Argon
• OpenAI：GPT-6.1 Sol 介紹
• Anthropic：Claude Opus 5.5
• Anthropic：Claude Sonnet 5.5
• Anthropic：System Card: Claude Opus 5.5（2026 年 9 月 22 日）
• Anthropic：System Card: Claude Sonnet 5.5（2026 年 9 月 28 日）

API 文件・費用

• Google：Gemini 4 Argon
• OpenAI：GPT-6.1 Sol
• OpenAI：Reasoning models
• Anthropic：模型總覽
• Anthropic：Claude Sonnet 5.5
• Anthropic：費用

基準測試

• DeepSWE
• Terminal-Bench 4.0
• FrontierCode v1.1
• AutomationBench 1.0.6
• GDPval-AA v2.1
• Terminal-Bench Science（0.1）
• Humanity's Last Exam
• OSWorld 2.0
• Chartography
• GraphWalks BFS 256K–1M

最後

本公司 Nuco 也公開了許多其他實用文章。若有興趣，也歡迎順道看看 Organization 頁面。
另外，Nuco 也正在招募一起工作的夥伴！若您有興趣，請前往 這裡。

原文出處：https://qiita.com/nuco_d/items/9d4f86c185dda6fd24a7