Gemini 4 Argon 벤치마크 정리: GPT-6 Astra·Claude Opus 5.5 비교와 가격·공개 시점

여러분, Google의 새 프론티어 모델 Gemini 4 Argon이 벤치마크 18개 중 13개에서 1위를 했습니다. GPT-6 Astra, Claude Fable 5.1, Claude Opus 5.5와 한 표에 놓고 Google이 공개한 수치입니다. 숫자만 보면 압도적인데, 개발자에게 진짜 궁금한 건 이거죠. 내 작업에도 쓸 만한가?

결론부터 말하면, 롱 컨텍스트와 실무 에이전트는 격차가 확실하고, 코딩 에이전트는 아직 3파전이라고 봅니다. 그리고 2026년 10월 3일 기준 일반 개발자는 아직 Argon을 쓸 수 없습니다.

Gemini 4 Argon 벤치마크 핵심 요약

• Google은 2026년 9월 30일 Argon을 발표하며 벤치마크 18개 비교표를 공개했고, Argon은 13개에서 1위(CWE-bench v1 공동 1위 포함)를 했습니다.
• 롱 컨텍스트 격차가 특히 두드러집니다. 256K~1M 토큰 입력을 다루는 GraphWalks에서 84.2%로, 2위 GPT-6 Astra(71.8%)보다 12.4%p 높습니다.
• 실무 에이전트도 강합니다. Google 표 기준으로 AutomationBench는 51.3%로 2위 Claude Opus 5.5(42.5%)보다 8.8%p 높고, Harvey 법률 에이전트 벤치마크는 19.6%로 2위 Claude Fable 5.1(6.7%)의 3배 가까이 나왔습니다.
• 코딩 4종은 1위가 갈렸습니다. DeepSWE v1.1과 Vibe Code Bench는 Argon, Terminal-Bench 4.0은 Opus 5.5, FrontierSWE v2는 GPT-6 Astra가 1위입니다. 이긴 곳은 4%p 안쪽, 진 곳은 9%p 이상 차이입니다.
• 출력 토큰 한도는 64K에서 1M으로 늘었고, 가격은 100만 토큰당 도입가 입력 $2·출력 $10, 도입가 종료 후 입력 $4·출력 $20입니다.
• 2026년 10월 3일 기준 Fairwind 프로그램을 통해 사이버 보안 방어 파트너에게 먼저 풀린 상태입니다. 유료 API 고객과 Google AI Ultra 구독자부터 연다는데, 시점은 “가능한 한 빨리”라고만 밝혔습니다.

Google이 공개한 18개 벤치마크 전체 표

Google DeepMind가 공개한 비교표입니다. ‘영역’은 Google이 각 벤치마크에 붙인 분류이고, 굵은 글씨가 항목별 1위입니다.

영역	벤치마크	Gemini 4 Argon	GPT-6 Astra	Claude Fable 5.1	Claude Opus 5.5
지식 업무	Vals Index	68.9%	63.1%	65.8%	67.0%
지식 업무	AutomationBench	51.3%	41.4%	31.4%	42.5%
지식 업무	Vals Finance Agent v2	65.4%	53.5%	58.9%	58.6%
지식 업무	Harvey 법률 에이전트 벤치마크	19.6%	5.4%	6.7%	3.8%
에이전트 코딩	DeepSWE v1.1	77.9%	74.1%	67.4%	74.2%
에이전트 코딩	FrontierSWE v2	55.0%	65.5%	56.3%	62.3%
에이전트 코딩	Vibe Code Bench	91.9%	89.6%	90.3%	90.3%
에이전트 코딩	Terminal-Bench 4.0	57.4%	58.2%	57.9%	66.4%
ML 엔지니어링	PostTrainBench	45.3%	44.3%	40.2%	49.3%
과학·수학	Terminal-Bench Science 0.1	57.6%	68.1%	52.6%	63.3%
과학·수학	LABBench 2	88.8%	85.4%	68.6%	73.1%
과학·수학	RiemannBench	76.0%	72.0%	65.6%	69.6%
롱 컨텍스트	GraphWalks (128K 이하)	99.7%	98.7%	91.4%	90.6%
롱 컨텍스트	GraphWalks (256K~1M)	84.2%	71.8%	65.0%	66.8%
컴퓨터 사용	Agent’s Last Exam	39.5%	34.2%	미포함	38.2%
컴퓨터 사용	OSWorld-2.0	69.2%	72.6%	미포함	미포함
멀티모달 이해	Chartography	71.6%	71.0%	46.2%	66.3%
멀티모달 이해	LVBench	91.7%	87.5%	79.7%	83.7%
사이버 보안	CWE-bench v1	68.0%	68.0%	58.0%	67.0%

GraphWalks는 입력 길이 두 구간으로 나눠 표기했지만 벤치마크는 하나라 전체는 18개입니다. Argon은 12개에서 단독 1위, CWE-bench v1에서 GPT-6 Astra와 공동 1위를 했습니다. 진 5개는 FrontierSWE v2, Terminal-Bench Science 0.1, OSWorld-2.0(이상 GPT-6 Astra 1위)과 Terminal-Bench 4.0, PostTrainBench(이상 Claude Opus 5.5 1위)입니다. “미포함”은 Google이 해당 모델 결과를 넣지 않은 칸입니다.

컴퓨터 사용 영역은 엇갈립니다. Argon은 OSWorld-2.0(오프라인 하위 세트, 부분 점수)에서 GPT-6 Astra에 3.4%p 뒤졌지만 Agent’s Last Exam에서는 1위이고, OSWorld-2.0에는 Claude 결과가 없습니다.

Argon은 과학·수학 영역의 LABBench 2와 RiemannBench에서 1위를 했지만, Terminal-Bench Science 0.1에서는 GPT-6 Astra에 10.5%p 뒤졌습니다. ML 엔지니어링 영역의 PostTrainBench에서도 Claude Opus 5.5에 4.0%p 뒤졌습니다.

롱 컨텍스트: GraphWalks 256K~1M에서 12.4%p 격차

GraphWalks는 OpenAI가 공개한 롱 컨텍스트 멀티홉 추론 벤치마크입니다. 그래프를 간선 목록으로 프롬프트에 통째로 넣고, 특정 노드에서 너비 우선 탐색(Breadth-First Search, BFS)을 했을 때 도달하는 노드를 찾게 합니다. 긴 입력 곳곳에 흩어진 관계를 여러 단계 따라가야 해서, 문장 하나를 찾아내는 검색 문제보다 훨씬 까다롭습니다. Google 표의 점수는 이 BFS 과제의 F1(정밀도와 재현율의 조화 평균)입니다.

128K 토큰 이하에서는 Argon 99.7%, GPT-6 Astra 98.7%로 둘 다 천장에 붙어 있습니다. 차이는 256K~1M 구간에서 벌어집니다. 입력이 길어질 때 하락 폭은 Argon 15.5%p, Claude Opus 5.5 23.8%p, Claude Fable 5.1 26.4%p, GPT-6 Astra 26.9%p로, 네 모델 중 Argon이 가장 덜 떨어졌습니다.

Google 방법론 문서에 따르면 GraphWalks는 네 모델 모두 Google이 직접 돌린 항목입니다. 측정 주체가 Google이라는 점은 감안해야 하지만, 256K~1M 구간 200문항을 네 모델에 똑같이 돌렸다는 뜻이죠. 저장소 전체나 긴 문서 묶음을 한 번에 넣는 작업이라면 이 격차가 꽤 체감될 것 같아요.

실무 에이전트: AutomationBench와 Harvey 법률 에이전트 벤치마크

AutomationBench: 업무를 끝까지 처리하는가

AutomationBench는 Zapier가 만든 업무 자동화 벤치마크입니다. 영업, 마케팅, 운영, 고객 지원, 재무, HR 영역에서 실제 업무 도구 47개를 오가며 요청을 처리하게 하고, 답변이 아니라 작업이 끝난 뒤의 데이터 상태로 채점합니다. 검증 항목을 전부 통과해야 성공입니다.

Argon은 51.3%로 Google 표 기준 2위인 Opus 5.5보다 8.8%p 높았습니다. 다만 51.3%라는 건 과제의 절반 가까이는 여전히 실패한다는 뜻이기도 합니다. Zapier가 꼽는 가장 두드러진 실패 유형은 실제로는 실패했는데 성공했다고 보고하는 경우입니다. 업무 자동화를 맡긴다면 완료 보고보다 최종 상태 검증이 먼저라는 얘기죠.

Harvey 법률 에이전트 벤치마크: 19.6%가 큰 숫자인 이유

Harvey 법률 에이전트 벤치마크(Harvey’s Legal Agent Benchmark, LAB)는 법률 AI 회사 Harvey가 2026년 5월 공개한 오픈소스 벤치마크입니다. 지시와 사건 자료를 주고 검토 가능한 법률 문서를 만들게 하며, 24개 실무 분야에 1,200개가 넘는 과제가 있습니다. 루브릭 항목을 하나도 빠짐없이 통과해야 완료로 인정해서 점수가 전반적으로 낮습니다. Argon 19.6%는 2위 Fable 5.1(6.7%)의 3배 가까이고, 절대 격차(12.9%p)도 GraphWalks(12.4%p)보다 큽니다. 다만 이 벤치마크는 네 모델 모두 20%를 넘지 못한 고난도 영역입니다. Argon도 다섯 건 중 네 건은 통과하지 못한다는 점을 같이 봐야 합니다.

Gemini 4 Argon 코딩 벤치마크: 1위가 갈린 네 항목

Google 표에서 에이전트 코딩으로 분류된 네 항목만 따로 보면 1위가 갈립니다.

벤치마크	무엇을 재나	1위	Argon	격차
DeepSWE v1.1	실제 장기 소프트웨어 엔지니어링 과제	Gemini 4 Argon (77.9%)	77.9%	2위보다 3.7%p 높음
Vibe Code Bench	개발 환경에서 웹앱을 만들고 클릭 테스트로 채점	Gemini 4 Argon (91.9%)	91.9%	2위보다 1.6%p 높음
Terminal-Bench 4.0	터미널로 과제 완수, 과제당 제한 8시간	Claude Opus 5.5 (66.4%)	57.4%	1위보다 9.0%p 낮음
FrontierSWE v2	과제당 20시간 예산의 초장기 과제	GPT-6 Astra (65.5%)	55.0%	1위보다 10.5%p 낮음

Argon이 앞선 코딩 벤치마크

Google이 실제 장기 소프트웨어 엔지니어링 과제를 잰다고 설명한 DeepSWE v1.1에서 Argon은 2위 Claude Opus 5.5(74.2%)를 3.7%p 앞섰습니다. 다만 측정 조건이 같지 않습니다. Argon 점수만 Google이 mini-swe agent 하네스(harness, 모델에 도구 실행 루프를 붙이는 에이전트 도구)로 직접 계산했고, GPT-6 Astra는 공개 리더보드, Claude 두 모델은 각 시스템 카드 수치입니다. 뒤의 벤더 수치 섹션에서 보듯 같은 모델도 하네스에 따라 5%p 넘게 갈리니, 3.7%p는 근소한 우위로만 읽는 게 맞습니다.

Vibe Code Bench는 2위와 1.6%p 차이이고, Vals AI 리더보드 기준으로는 Google 표에 없는 Claude Sonnet 5.5에 이은 2위입니다.

Argon이 밀린 코딩 벤치마크

Terminal-Bench 4.0은 과제마다 에이전트 제한 시간을 8시간으로 통일했고, FrontierSWE v2는 과제당 20시간 예산으로 5번 시도한 평균을 씁니다. Argon은 두 곳 모두 1위와 9%p 이상 벌어졌고 네 모델 중 최하위였습니다. 다만 구도를 보면 Terminal-Bench 4.0은 Argon 57.4%, Fable 5.1 57.9%, GPT-6 Astra 58.2%가 0.8%p 안에 몰려 있고 Opus 5.5만 66.4%로 앞서 있습니다. FrontierSWE v2도 Argon(55.0%)과 Fable 5.1(56.3%)의 차이는 1.3%p입니다.

제가 더 중요하게 보는 건 진 쪽의 성격입니다. 두 벤치마크는 Claude Code나 Codex에 큰 작업을 맡기고 오래 돌리는 사용 방식에 가깝다고 봅니다. 장기 과제인 DeepSWE v1.1은 이겼으니 “오래 걸리는 과제에 약하다”고 일반화할 수는 없지만, 지금 쓰는 코딩 에이전트를 Argon으로 갈아타기에는 우위가 얇습니다.

출력 1M 토큰과 가격

출력 1M 토큰

스펙에서 눈에 띄는 건 출력 한도입니다. 64K에서 1M으로 늘었거든요. Google은 이 한도가 깊게 생각하며 수십만 토큰을 한 흐름으로 생성할 여유를 준다고 설명합니다. Claude Opus 5.5와 Fable 5.1의 최대 출력은 동기 API 기준 128K, GPT-6 Astra도 128K라, 대규모 마이그레이션처럼 결과물이 긴 작업에서 차이가 날 수 있습니다.

토큰 단가 비교

모델	입력 (100만 토큰당)	출력 (100만 토큰당)	최대 출력
Gemini 4 Argon (도입가)	$2	$10	1M
Gemini 4 Argon (도입가 종료 후)	$4	$20	1M
Claude Opus 5.5	$4	$20	128K (동기 API 기준)
GPT-6 Astra	$10	$50	128K
Claude Fable 5.1	$10	$50	128K (동기 API 기준)

도입가가 끝나도 Claude Opus 5.5와 같은 가격이고, GPT-6 Astra·Claude Fable 5.1 대비로는 정가도 40% 수준입니다. 도입가 기간에는 캐시된 입력이 95% 할인되고, 도입가 종료 시점은 공개되지 않았습니다. 롱 컨텍스트 작업이라면 할증도 따져봐야 합니다. GPT-6 Astra는 입력이 272K 토큰을 넘으면 요청 전체에 입력·캐시 단가 2배, 출력 단가 1.5배가 적용됩니다. Argon은 2026년 10월 3일 기준 Gemini API 요금 페이지에 항목이 없어 장문 구간 요금은 확인할 수 없습니다.

단가와 작업당 비용은 다르다

다만 단가가 곧 작업 비용은 아닙니다. Vals AI 집계로 Vibe Code Bench 과제당 비용(정가 기준)은 Argon $8.11, Claude Opus 5.5 $57.92였지만, Zapier AutomationBench의 작업당 비용은 Argon(High) $1.70, Opus 5.5 $1.44로 오히려 Argon이 조금 높았습니다. 작업마다 쓰는 토큰 양이 다르니, 비용은 실제로 돌릴 과제로 재보는 수밖에 없습니다.

언제 쓸 수 있나: Fairwind 프로그램과 단계적 공개

Fairwind 프로그램 참여 조건

Fairwind는 Google이 2026년 9월 2일 출범시킨 제한 접근 프로그램입니다. 정부와 국가 사이버 당국, 의료·통신·에너지·금융 같은 핵심 인프라 운영사, 핵심 기술 플랫폼이 우선 대상이고, 650개가 넘는 파트너가 참여합니다.

Argon은 이 중 일부 파트너만 독점으로 씁니다. 접근은 내부 보안·침해 대응·모의 해킹 팀에만 줄 수 있고, 사용자 단위 인증과 피싱 방지 MFA, 직원별 접근·사용 기록이 필수입니다. Google은 이들과 자사 내부 팀에는 Argon을 사이버 가드레일 없이 제공한다고 밝혔습니다. 일반 개발자가 이 경로로 Argon을 먼저 써보기는 사실상 어렵다고 봅니다.

일반 공개 순서

일반 공개는 유료 API 고객과 Google AI Ultra 구독자부터지만, 시점은 “가능한 한 빨리”라고만 했습니다. 그사이 초기 방어 조직과 신뢰 테스터의 피드백으로 시스템을 보강하고, 미국 정부의 자발적인 출시 전 모델 접근 절차에도 참여한다고 밝혔습니다. 2026년 10월 3일 기준 Gemini API 요금 페이지와 변경 로그에도 Argon은 아직 없습니다. 최고 모델일수록 접근이 단계적으로 열리는 흐름은 GPT-5.6 Sol 접근 제한과 AI 하층계급을 다룬 글에서 정리한 문제와도 이어집니다.

벤더가 공개한 벤치마크 수치를 읽는 법

숫자가 틀렸다는 얘기가 아닙니다. 다만 이 표는 Google이 자기 모델을 소개하려고 만든 표이고, 2026년 10월 3일 기준 모델이 아직 공개되지 않아 Google이 직접 잰 항목은 외부에서 재현할 수 없습니다. 읽을 때 네 가지를 같이 봐야 합니다.

1. 측정 주체가 섞여 있습니다. AutomationBench는 Zapier, Harvey 법률 에이전트 벤치마크와 Vibe Code Bench는 Vals AI, FrontierSWE v2는 Proximal의 공개 리더보드 수치입니다. GraphWalks는 Google이 네 모델을 직접 돌렸고, DeepSWE v1.1과 Terminal-Bench 4.0은 Argon만 Google이 계산했습니다. 별도 표기가 없는 경쟁 모델 수치는 제공사 자체 발표치입니다.
2. 최고 설정 기준입니다. 기본적으로 모든 모델을 가능한 최대 추론 설정으로 비교해서, 비용 때문에 한 단계 낮춰 쓰는 실무와는 결과가 다를 수 있습니다.
3. 비교 대상도 Google이 골랐습니다. 표에 Claude Sonnet 5.5는 없는데, 2026년 10월 2일 갱신된 Vals AI 리더보드에서 Vibe Code Bench 1위는 Sonnet 5.5(92.39%)이고 Argon(91.91%)은 2위입니다. Zapier AutomationBench 리더보드에서도 Sonnet 5.5(44.75%)가 Opus 5.5(42.47%)보다 높습니다(Argon 51.29%로 1위는 유지).
4. 하네스에 따라 달라집니다. 같은 리더보드에서 Claude Opus 4.8은 OpenHands로 82.72%, Claude Code로 77.48%를 받았습니다. 같은 모델도 어떤 에이전트 도구에 붙이느냐에 따라 5%p 넘게 차이가 납니다.

벤더 수치는 어디를 테스트할지 알려주는 지도로 쓰고, 무엇으로 갈아탈지는 내 작업으로 정하는 게 맞다고 봅니다.

벤치마크 점수를 그대로 믿기 어려웠던 사례는 GPT-5.6 Sol과 Claude Fable 5 작업별 선택 가이드에서도 다뤘습니다.

Gemini 4 Argon 공개 후 직접 검증할 항목

모델 나오는 속도가 정말 정신없습니다. 저는 Argon이 풀리는 대로 Claude Code, Codex와 같은 작업으로 붙여볼 계획입니다. 여러분도 Argon이 열리면 이 순서로 확인해보면 좋겠습니다.

1. 롱 컨텍스트부터 시험합니다. 저장소 전체를 넣고 구조 파악과 변경 영향 분석을 시켜봅니다. 격차가 크게 벌어진 영역입니다.
2. 업무 자동화는 최종 상태로 판정합니다. 완료 보고가 아니라 데이터가 실제로 바뀌었는지가 기준입니다.
3. 터미널 코딩은 같은 조건으로 나란히 돌립니다. Claude Code와 Codex는 모델이 아니라 도구 단위 비교라, Argon도 실제로 쓸 에이전트 도구에 붙여 같은 과제·같은 판정 기준으로 완료율을 비교합니다.
4. 작업당 비용과 시간을 기록합니다. 토큰 단가가 아니라 작업 하나를 끝내는 데 든 비용으로 계산합니다.

같은 과제로 여러 모델의 점수·시간·비용을 비교하는 틀은 Kimi K3를 Claude Fable 5, GPT-5.6 Sol과 동일 과제로 비교한 글에서 써본 방식인데요. Argon도 이렇게 보면 판단이 훨씬 쉬워질 것 같아요.

정리: Gemini 4 Argon을 기다리며 준비할 것

Google 공개 수치 기준으로 Gemini 4 Argon은 롱 컨텍스트(GraphWalks 12.4%p)와 실무 에이전트(AutomationBench 8.8%p, Harvey 법률 에이전트 벤치마크 12.9%p)에서 확실한 우위를 보였습니다. 반면 코딩은 Claude Opus 5.5, GPT-6 Astra와 1위를 나눠 갖는 3파전이고, Terminal-Bench 4.0과 FrontierSWE v2에서는 최하위였습니다.

여러분의 주력 작업은 어느 쪽에 가까운가요? 큰 저장소나 긴 문서를 다루는 작업, 여러 앱을 오가는 실무 에이전트 작업이 많다면 공개를 기다려볼 가치가 충분합니다. Claude Code나 Codex로 하는 터미널 코딩이 주력이라면, 지금 도구를 유지하다가 공개 후 비교해도 늦지 않다고 생각합니다.

공개를 기다리는 동안 할 일은 테스트할 작업과 판정 기준을 미리 정해두는 것입니다. 벤치마크 표의 1위보다 중요한 건 결국 내 작업에서의 1위니까요.