‏Gemini 4 Argon یا Claude Opus 5.5 برای کدنویسی؟

تو این مقاله اومده که Gemini 4 Argon روی Artificial Analysis (یه شاخص ترکیبی که چندتا بنچمارک رو به یه امتیاز هوش تبدیل می‌کنه) حدود ۵ امتیاز پایین‌تر از Claude Opus 5.5 قرار گرفته. این فاصله کم نیست ولی خیلی هم زیاد نیست و Argon رو تو همون ردهٔ مدل‌هایی مثل GPT-6 Astra می‌ذاره. برگ برندهٔ Argon قیمته: Opus 5.5 جزو گرون‌ترین مدل‌ها به‌ازای هر تسکه و Argon با هوش نزدیک، خیلی ارزون‌تره.

تست‌های عملی تصویر دیگه‌ای نشون دادن. تو یه بازی سه‌بعدی ساده با تم کبوتر، Argon حدود ۵ دقیقه وقت گذاشت و حدود ۴۳ سنت خرج برداشت. نتیجه سایه‌های ساده و مدل‌های قابل‌قبول داشت ولی نقشه‌ش خالی بود. همین ایده با Opus 5.5 حدود ۲۰ دقیقه طول کشید و نزدیک ۳ دلار هزینه داشت، ولی ساختمون‌های کامل، NPCهای بیشتر و جزئیاتی مثل اتوبوس و خیابون‌های لندن داشت.

تست بزرگ‌تر تو Antigravity بود، یعنی محیط agentic کدنویسی گوگل که شبیه Codex یا Claude Code هست. هدف ساخت یه بازی ماینینگ چندنفره به سبک Roblox بود. اجرا بیشتر از یه ساعت طول کشید، سهمیهٔ مدل تموم شد و کار رو یه مدل دیگه تموم کرد. خروجی یه پیش‌نویس ابتدایی بود: بازیکن مستقیم تو یه واگن معدن ظاهر می‌شد و حلقهٔ اصلی بازی کار می‌کرد ولی صیقل نخورده بود. یه نقطهٔ قوت جالب Argon هم ساخت مدل سه‌بعدی قابل پرینت از یه عکس بود که نتیجه‌ش قابل تشخیص و نسبتاً دقیق دراومد.

قیمت API مدل Argon موقع عرضه ۲ دلار برای هر میلیون توکن ورودی و ۱۰ دلار برای هر میلیون توکن خروجیه. ولی این قیمت تبلیغاتیه و بعد از یه بازهٔ محدود که اواخر نوامبر تموم می‌شه، تقریباً دو برابر می‌شه. نویسنده یه ورک‌فلوی دومرحله‌ای پیشنهاد می‌ده: اول با Argon سریع ببین ایده اصلاً کار می‌کنه یا نه، بعد ایدهٔ تأییدشده رو بده به Opus 5.5 تا درست و کامل بسازه.

متا هم همون هفته Muse Wonder رو منتشر کرد. این مدل تو بعضی بنچمارک‌های ترکیبی تا یکی دو امتیاز به Opus 5.5 نزدیک شد و قیمتش حدود ۴ دلار ورودی و ۲۰ دلار خروجی به‌ازای هر میلیون توکنه. ولی تو تست ساخت بازی از هر دو عقب‌تر بود: مکانیک درست بود ولی گرافیک فقط شکل‌های ساده داشت. متا یه نسخهٔ open-weight به اسم Muse Spark Open هم داد که معماری mixture-of-experts بزرگی داره و حتی فشرده‌شده‌ش چند صد گیگابایت حافظه می‌خواد.

حرف اصلی مقاله اینه که بنچمارک‌ها دیگه به‌تنهایی قابل‌اعتماد نیستن. چند تا تستر گفتن مدل‌هایی که روی کاغذ نزدیک state-of-the-art هستن، تو کار واقعی ضعیف‌تر ظاهر می‌شن. به این پدیده benchmaxing می‌گن، یعنی مدل طوری تنظیم بشه که روی تست‌های شناخته‌شده خوب نمره بگیره بدون اینکه توانایی کلیش به همون اندازه باشه.

نکات کلیدی:

• Gemini 4 Argon روی Artificial Analysis حدود ۵ امتیاز پایین‌تر از Opus 5.5 هست.
• بازی سه‌بعدی ساده: Argon حدود ۵ دقیقه و ۴۳ سنت، Opus 5.5 حدود ۲۰ دقیقه و نزدیک ۳ دلار.
• قیمت فعلی Argon ۲ دلار ورودی و ۱۰ دلار خروجی به‌ازای هر میلیون توکنه و بعد از اواخر نوامبر تقریباً دو برابر می‌شه.
• ساخت بازی سبک Roblox تو Antigravity بیشتر از یه ساعت طول کشید و به سقف سهمیه خورد.
• Muse Wonder متا حدود ۴ و ۲۰ دلار قیمت داره و تو تست بازی از هر دو عقب‌تر بود.
• Muse Spark Open حتی فشرده‌شده چند صد گیگابایت حافظه لازم داره.