Gemini 4 Argon, GPT-6 Astra, Claude Opus 5.5: Tiga Model Frontier, Tiga Pemenang Berbeda

Artikel peluncuran Gemini 4 Argon dari Google memuat tabel tolok ukur (benchmark) sebanyak 19 baris, dan menurut hitungan kami pada tabel tersebut, Argon memimpin 13 baris secara telak dan imbang di satu baris. Lima kekalahan yang dialaminya bukanlah suatu kebetulan. GPT-6 Astra unggul di FrontierSWE v2, Terminal-Bench Science, dan OSWorld-2.0; Claude Opus 5.5 merebut Terminal-bench 4.0 dan PostTrainBench. Kategori yang lepas tersebut mencakup dua baris Terminal-Bench, satu baris agentic coding, satu baris ML engineering, serta satu dari dua baris computer use—sebagian besar merupakan beban kerja yang sebenarnya dijalankan oleh tim developer. Pertanyaan ini pun bukan lagi sekadar hipotesis. Sejak 13 Oktober 2026, Argon telah tersedia secara umum di Gemini API berbayar sebagai gemini-4-argon.

Jadi, pertanyaan "model mana yang menang?" memiliki tiga jawaban berbeda tergantung barisnya, dan bagi tim yang menjalankan beberapa coding agent, hal ini bukanlah perkara sepele. Jika setiap Agent di dalam sistem berjalan pada Runtime yang sama, tim tersebut akan mewarisi kelemahan sekaligus keunggulan dari satu lab AI saja, dan setiap ada peluncuran baru, perdebatan pun akan terulang kembali. Agent mana yang menangani apa, apa yang sudah selesai, apa yang perlu ditinjau: semua itu seharusnya tidak bergantung pada siapa yang memuncaki tabel tolok ukur minggu ini.

TL;DR

Tidak ada satu pun lab AI frontier yang menguasai semua baris tolok ukur, bahkan di tabel pengujiannya sendiri. Jadikan setiap rilis model baru sebagai bahan pertimbangan untuk perutean (routing), bukan alasan untuk langsung migrasi: hubungkan lebih dari satu Runtime, catat aturan peruteannya secara tertulis (pilihan default, kondisi untuk mengalihkan Task ke Agent lain, serta siapa yang meninjau), dan uji coba aturan tersebut pada tiga Task dari basis kode (codebase) Anda sendiri. Astra berjalan melalui Codex, Opus 5.5 melalui Claude Code, dan model-model Gemini melalui Gemini CLI dengan kunci API berbayar. Google belum menyatakan secara resmi bahwa Gemini CLI mendukung Argon, jadi lakukan smoke test pada gemini-4-argon sebelum menggunakannya untuk Task sebenarnya.

Hasil tabel Google berdasarkan jenis tugas

Baris-baris tolok ukur yang relevan bagi coding agent, dikelompokkan menurut kategori dari Google sendiri:

Pada kategori agentic coding saja, terdapat empat baris dengan tiga pemimpin yang berbeda. Keunggulan mutlak Argon berada di baris knowledge work, long context, dan multimodal—yang relatif kurang esensial bagi tim pengembang yang hasil akhir Task-nya berupa diff.

Namun, cermati data ini dengan sedikit keraguan: ini adalah tabel milik Google. Google menjalankan pengujian Argon sendiri pada beberapa baris, sementara angka pesaing sebagian besar dilaporkan secara mandiri atau diambil dari papan peringkat publik, dan harness pengujian yang digunakan pun berbeda. Dokumen metodologi evaluasi mencantumkan sumber untuk setiap sel. Hasil independen pascapeluncuran juga saling bertolak belakang: Humanity’s Sixth Sense dari Scale AI menempatkan Argon di posisi pertama dengan 55,4% mengungguli GPT-6 Astra di 53,6%, Cursor menilainya setara dengan Opus 5.5 di CursorBench mereka, dan Artificial Analysis menempatkan Argon (High) di peringkat kedelapan dari 216 varian yang terdaftar per 15 Oktober.

Faktor harga pun tidak serta-merta menjadi penentu. Argon dipatok $2 per satu juta token input dan $10 per satu juta token output hingga 30 November 2026, lalu menjadi $4 dan $20 mulai 1 Desember. Tarif yang berlaku kemudian tersebut persis sama dengan tarif Opus 5.5. Sementara itu, harga resmi Astra berada di angka $10 dan $50.

Tidak ada satu lab pun yang unggul di semua lini, jadi jangan bergantung pada satu ekosistem saja

Data dari para vendor sendirilah yang membuktikan argumen ini, bukan klaim kami. Jika tabel buatan Google—yang dirancang Google khusus untuk memamerkan modelnya sendiri—masih merelakan lima baris kepada dua kompetitornya, artinya memang tidak ada satu model terbaik tunggal untuk coding agent. Yang ada hanyalah model terbaik untuk jenis Task tertentu, untuk kuartal ini, dan pada harness pengujian tertentu.

Kenyataan ini mengubah cara kita menyikapi peluncuran model baru. Langkah yang sering menggoda adalah migrasi total: mengganti Runtime default, merombak konfigurasi, dan mengubah kebiasaan semua orang. Namun langkah yang lebih hemat biaya adalah memperlakukan model baru tersebut sebagai salah satu kandidat tambahan untuk Task-Task yang memang menjadi keunggulannya, tanpa mengutak-atik alur kerja lainnya. Kami pernah menyampaikan bahwa kualitas coding agent terbaik tidak lebih penting dibanding cara Anda mengelola alur kerjanya; tabel tolok ukur di mana ketiga model saling berbagi kemenangan adalah bukti nyata dari argumen tersebut dalam bentuk angka.

Dua pilihan rasional yang bisa diambil:

• Gunakan satu Runtime default jika sebagian besar Task Anda serupa dan hanya ditinjau oleh satu orang. Menambah Runtime kedua berarti menambah konfigurasi yang harus dirawat, tagihan tambahan, serta potensi titik kegagalan baru.
• Jalankan dua atau tiga Runtime jika Task Anda terbagi antara pekerjaan berbasis terminal (shell), verifikasi UI, dan membaca basis kode berukuran besar, karena di area-area itulah performa model pada tabel tolok ukur mulai terbagi.

Dokumentasikan aturan perutean secara tertulis

Aturan perutean yang hanya tersimpan di kepala seorang engineer hanyalah sebuah kebiasaan, dan kebiasaan tidak akan bertahan saat ada anggota tim baru atau ketika pekan peluncuran tiba. Tuliskan aturan tersebut di tempat yang dapat diakses oleh seluruh tim:

Routing rule v1 (re-test after every frontier launch)

Default
  The Agent on your current default Runtime, until your own
  comparison says otherwise.

Send the Task to the Claude Code Agent (Opus 5.5 set in Claude Code) when
  - most of the work happens in a terminal: builds, CI repair, setup  [Terminal-bench 4.0]
  - it is training or evaluation plumbing for a model pipeline        [PostTrainBench]

Send the Task to the Codex Agent (GPT-6 Astra set in Codex) when
  - the change has to be verified by driving a desktop or browser UI  [OSWorld-2.0]
  - it is scientific or data work done mostly in a terminal           [Terminal-Bench Science]

Send the Task to the Gemini CLI Agent (gemini-4-argon) when
  - it needs a very large codebase or log read in one pass            [GraphWalks]
  - note: the 1M window is shared by input, thinking and output, and
    Gemini CLI support is unverified. Smoke-test before this line routes work.

Escalate
  If a run fails its acceptance checks twice, reassign the Task to the next
  Agent in this rule. The failed runs stay on the Task as evidence.

Review
  An Agent on a different Runtime from the author reads the diff and the
  evidence. A person accepts the result.

Setiap kondisi merujuk pada baris tolok ukur di baliknya serta karakteristik Task yang mudah dikenali. Baris peninjau (reviewer) adalah yang paling krusial: meminta model memeriksa diff yang tidak ditulisnya sendiri merupakan cara hemat untuk mendapatkan pandangan kedua (second opinion), sementara persetujuan akhir tetap berada di tangan manusia.

Lokasi penyimpanan aturan ini bergantung pada siapa yang menentukan rute. Jika penentuan Assignee dilakukan secara manual oleh anggota tim, letakkan aturan ini di panduan tertulis Space. Jika perutean dilakukan oleh Crew leader, masukkan ke dalam instruksi Crew. Bagaimanapun caranya, hasil pekerjaan tetap dikembalikan ke Task yang sama, sehingga riwayat perbandingan tersimpan terpusat di satu tempat. Artikel Which model for which coding task mengulas lebih dalam mengenai pencocokan karakteristik tugas dengan peran model.

Uji aturan tersebut pada basis kode Anda sendiri sebelum mempercayainya

Hasil tolok ukur hanya menempatkan suatu jenis Task ke dalam daftar kandidat; repositori Andalah yang menentukan pilihan default yang sesungguhnya. Metode dalam artikel cara membandingkan coding agent pada basis kode Anda sendiri sangat selaras dengan tabel ini, karena tabel tersebut sudah memberi petunjuk mengenai tiga Task yang perlu dipilih:

1. Satu Task yang sarat interaksi terminal, misalnya perbaikan job CI yang gagal.
2. Satu Task yang perubahannya harus diverifikasi melalui UI.
3. Satu pertanyaan yang membutuhkan sebagian besar repositori ke dalam jendela konteks.

Berikan deskripsi Task dan kriteria penerimaan yang persis sama kepada masing-masing Agent menggunakan mode Create temporary directory agar setiap proses eksekusi memiliki worktree tersendiri. Setelah itu, nilailah hasil nyata yang dilaporkan ke Task, bukan sekadar klaim dari agent tersebut: tinjau diff yang dihasilkan, pemeriksaan beserta hasilnya, pertanyaan yang diajukan, serta seberapa lama waktu yang dibutuhkan pengguna manusia untuk menyetujuinya.

Argon kini sudah bisa diikutsertakan dalam perbandingan ini, setelah satu baris smoke prompt dengan gemini-4-argon berhasil dieksekusi di Gemini CLI Anda. Uji ketiga Task yang sama pada model ini sebelum mengubah hal lainnya. Artikel perbandingan runtime default Opus 5.5 vs GPT-6 Sol membedah aspek biaya per tugas yang terselesaikan (cost-per-completed-task) dari keputusan serupa.

Platform eksekusi setiap model, per 15 Oktober 2026

Ada kendala tersembunyi pada baris Gemini. Sejak 18 Juni 2026, Gemini CLI tidak lagi melayani akun Google AI Pro, Ultra, ataupun akun gratis Code Assist for individuals, sesuai pemberitahuan transisi dari Google. Paket Pro dan Ultra memang menyediakan Argon di aplikasi Gemini, tetapi langganan aplikasi bukanlah kunci API, dan Argon tidak menyediakan kuota API gratis.

Sharkly tidak memilihkan model untuk Anda. Dokumentasi Agents menyatakannya secara gamblang: “Agent mengikuti model default Runtime. Agent tidak menjamin atau menampilkan nama model tertentu.” Anda menentukan model melalui Custom arguments pada Agent atau Runtime, atau melalui konfigurasi tool itu sendiri di Computer. Dengan demikian, sebutan “Codex Agent” dalam aturan perutean merujuk pada Agent di Codex Runtime yang dikonfigurasi untuk menggunakan Astra.

Langkah-langkah pengaturannya dapat dilihat di GPT-6 Astra in Sharkly, Claude Opus 5.5 in Sharkly, serta panduan konfigurasi Gemini CLI dan beralih ke Argon di Gemini 4 Argon for coding agents.

Tabel tolok ukur boleh berganti; fondasi sistem kerja jangan sampai goyah

Peluncuran model berikutnya pasti akan mengubah susunan tabel ini. Yang harus tetap ajek adalah seluruh ekosistem di sekitar model tersebut: aturan perutean, Task, bukti yang dihasilkan setiap sesi eksekusi, serta manusia yang menyetujui hasilnya. Agent bertugas meriset, mengeksekusi, menguji, dan melapor. Manusia bertugas menentukan arah, memberi wewenang, dan menyetujui hasil akhirnya.

Jika Anda ingin terus memanfaatkan beberapa coding agent sekaligus alih-alih terpaku pada satu ekosistem saja, itulah tantangan yang dirancang untuk diselesaikan oleh Sharkly.