ブラウザータスクで Gemini 4 Argon と Gemini 3.1 Pro Preview を比較検証しました

ブラウザーエージェントを現在 Gemini 3.1 Pro Preview で動かしているなら、私たちは Gemini 4 Argon への切り替えを勧めます。今回の Gemini 4 Argon と Gemini 3.1 Pro の比較実験では、各モデルで 15 のブラウザータスクを実行しました。小規模ながら難しいテストセットです。15 回の試行で、Argon は 11 回に成功し、3.1 Pro は 5 回にとどまりました。
Argon は 3.1 Pro が成功したすべてのタスクに成功し、作業量はおよそ半分でした。タスク当たりのツール呼び出しは 23.9 回で、3.1 Pro は 52.1 回でした。複数サイトにまたがる長いタスクでは、3.1 Pro は三回、結果を出せずに 100 ステップの上限を使い切りましたが、Argon では一度もありませんでした。
費用は、同じ作業では両モデルが同水準ですが、失敗した試行も含めると Argon のほうが安くなります。両方が成功した 5 タスクでは、タスク当たり Argon が $0.588、3.1 Pro が $0.598 でした。全試行の費用を含めた成功一回当たりの支出は、Argon が $1.62、3.1 Pro が $4.02 でした。ただし、Google が公表する Argon の価格は 2026 年 12 月 1 日に二倍になるため、値上げには注意してください。
| モデル | 成功率 | タスク当たりの費用(両方が成功した 5 タスク) | 成功した試行一回当たりの費用(全 15 タスク) |
|---|---|---|---|
| Gemini 4 Argon | 73.3% (11/15) | $0.588 | $1.62 |
| Gemini 3.1 Pro Preview | 33.3% (5/15) | $0.598 | $4.02 |
(費用には 2026 年 11 月 30 日までの Google の公開定価を使用)
タスクの成功率
今回のテストセットでは、Gemini 4 Argon のほうが信頼できるモデルでした。Argon は 3.1 Pro が失敗した 6 タスクに成功し、3.1 Pro が成功して Argon が失敗したタスクはありませんでした。残りのタスクでは両モデルの結果は同じでした。Argon が上回った 6 タスクには、複数サイトのデータ収集、ソーシャルメディアの検証、検索と比較の作業が含まれます。
両モデルでは失敗の仕方が異なりました。3.1 Pro の失敗した 10 回の試行のうち三回は、回答を出さずに 100 ステップの上限を使い切ったものでした。すべて 9 サイト以上を扱う仕事です。五回は、単純にハルシネーションや誤答によるものでした。インフレの概要をまとめるタスクでは、3.1 Pro は 2025 年の CPI 年平均を 324.000 と回答しましたが、その数値は実際には BLS の表の下半期平均でした。こうした誤りには特に注意が必要です。数値自体が情報源に存在するため信頼できそうに見えますが、質問への答えにはなっていません。
Argon は ego(lite) で同じタスクに成功しました。また、この 15 タスクでは一度もステップの上限を使い切りませんでした。4 回の失敗のうち三回では、一つの項目に二つの値を答えたため、誤答と判定されました。オープンウェイトモデルの情報を調べるタスクで、Argon はパラメーター総数を十億個単位で 668.95 と正しく答えた後、同じ単位で 664.95 という別の値も提示しました。この余計な回答が失敗につながりました。プログラムでエージェントの回答を読み取るなら、各項目に入る値が一つだけであることを確認してください。
費用
11 月までの価格では、両モデルの費用はおよそ同じです。ただし、12 月になると Argon は値上がりします。両方が成功した 5 タスクでは、タスク当たりの平均費用は Argon が $0.588、3.1 Pro が $0.598 でした。Argon の使用量を 3.1 Pro の料金で計算すると $0.646 になるため、少し多い使用量を、低いトークン単価が相殺しています。キャッシュされていない入力の費用は、Argon の $0.588 のうち $0.421、3.1 Pro の $0.598 のうち $0.212 です。
費用の差が大きいのは失敗した試行です。3.1 Pro がステップの上限を使い切った 3 回の試行は、一回当たり平均 $3.48、その他の試行の 4.3 倍の費用がかかり、いずれも回答を出しませんでした。この 3 回で、3.1 Pro の総支出の 51.8% を占めました。すべての試行を数えると、成功した試行一回当たりの支出は Argon が $1.62、3.1 Pro が $4.02 でした。
Google の Gemini API 料金ページでは、2026 年 12 月 1 日からの Argon の料金を、入力トークン百万個当たり $4、出力トークン百万個当たり $20、キャッシュ済みトークン百万個当たり $0.20 としています。以前の料金の二倍です。3.1 Pro の価格変更は発表されていません。
| Gemini 4 Argon(11 月 30 日まで) | Gemini 4 Argon(12 月 1 日から) | Gemini 3.1 Pro Preview | |
|---|---|---|---|
| タスク当たりの費用(両方が成功した 5 タスク) | $0.588 | $1.176 | $0.598 |
| 成功した試行一回当たりの費用(全 15 タスク) | $1.62 | $3.25 | $4.02 |
12 月の費用は、記録したトークン使用量に Google の新しい公開定価を適用したものです。
12 月以降、Argon に追加で支払う分は信頼性への対価になります。エージェントの仕事が 3.1 Pro ですでに成功するものなら、3.1 Pro のほうがタスク当たりの費用は低くなります。12 月の料金では、両方が成功した 5 タスクすべてで安くなりました。3.1 Pro が失敗する仕事も含まれるなら、Argon はより多く成功し、成功した試行一回当たりの費用も $3.25 と、相手の $4.02 を下回ります。
各モデルの進め方
Gemini 4 Argon は、一つのブラウザーコマンドで複数サイトを開くことがよくあります。一方、3.1 Pro は一度に一つのページを開き、作業を続けます。ブラウザーコマンドとは、モデルが ego-browser に送る一つのスクリプトです。15 タスク全体で、Argon の 246 コマンドのうち 22.4% が二つ以上のページを開き、3.1 Pro の 489 コマンドでは 2.5% でした。タスク当たりのブラウザーコマンドは Argon が 16.4 回、3.1 Pro が 32.6 回でした。
中央銀行のタスクは、長い仕事での違いを示しています。12 の中央銀行それぞれについて、2026 年の最初の金利決定の日付、決定内容、金利、反対意見、次回会合日を調べるタスクです。Argon は 16 のブラウザーコマンドで完了し、そのうち 14 コマンドは、それぞれ中央銀行 2 行から 7 行のページを開きました。29 回のツール呼び出し、$1.24 で成功しました。3.1 Pro は 73 のブラウザーコマンドを送りましたが、複数ページを開いたものはありませんでした。100 ステップをすべて使い、第 9 の銀行である韓国銀行を開いている途中で止まり、回答を出しませんでした。この試行の費用は $3.36 でした。

両モデルは同じブラウザーで同じサイトを使ったため、違いを生んだのは各応答がカバーする範囲でした。サイトのリストを順に調べる仕事で Argon が 100 ステップ以内に収まった理由は、ここにあります。
Gemini 4 Argon についてさらに詳しく
Argon がより難しい仕事にどう対応するかを探るため、Argon 向けに別途 13 のテストを設計しました。合計 28 のブラウザー操作タスクでは、扱うサイト数が増えるほど成功率が下がっています。
| 仕事の規模 | タスク数 | 成功率 | タスク当たりの費用 | タスク当たりのツール呼び出し |
|---|---|---|---|---|
| 一つから三つのサイト | 11 | 72.7% (8/11) | $0.469 | 16.4 |
| 九つ以上のサイト | 14 | 57.1% (8/14) | $2.377 | 35.2 |
九つ以上のサイトを扱う仕事では、Argon は 14 件中 8 件に成功しました。許容される 100 回に対し、ツール呼び出しは最多でも 67 回で、一度も上限を使い切りませんでした。九つを超えるサイトを扱うこれらのタスクを実行する費用は、Argon でタスク当たり平均 $2.377 でした。六件の失敗のうち四件は誤答で、そのうち 2 件は一つの項目に二つの値を答えており、余計な回答を出すという先ほどの傾向が再び見られました。
一つから三つのサイトを扱う短いタスクでは、Argon は 11 件中 8 件に成功し、平均費用は $0.469 でした。3 件の失敗のうち二件では一つの項目に二つの値を答え、残る一件はウェブアプリのタスクでの誤答でした。
私たちは、タスクの規模に応じて計画を立てることを勧めます。Argon で短い情報検索を行う費用は五十セント未満です。複数サイトにまたがる長い仕事は数ドルかかり、一時間近く実行されることもあり、成功率は 57% でした。
どちらを使うか
現在の 3.1 Pro の成功率に満足していないなら、Gemini 4 Argon に切り替えてください。タスク当たりの費用は 11 月まで 3.1 Pro と同水準で、トークンを無駄にせず仕事を完了するため、12 月の価格変更後も成功した試行一回当たりでは安いままです。
Gemini 3.1 Pro Preview を使い続けるのが合理的なケースが一つあります。12 月 1 日以降、すでに成功できる仕事ではタスク当たりの費用が低くなり、今回の実行では 15 タスクのうち 5 タスクが該当しました。
Argon をモデル名 gemini-4-argon、思考レベル high で pi のエージェント実行基盤上で動かし、ブラウザー操作には ego-browser を使いました。ego-browser は ego(lite) とともに提供され、それをエージェント用のブラウザーとして操作します。
よくある質問
ブラウザーエージェントには、Gemini 4 Argon のほうが Gemini 3.1 Pro より適していますか? はい。Gemini 4 Argon は 15 回のブラウザータスクの試行中 11 回に成功し、Gemini 3.1 Pro Preview は 5 回でした。Argon は 3.1 Pro が成功したすべてのタスクに加え、3.1 Pro が失敗した 6 タスクにも成功しました。差が最も大きかったのは 9 サイト以上を扱う仕事で、3.1 Pro は三回、100 ステップの枠を使い切りました。
Gemini 3.1 Pro から Gemini 4 Argon に切り替えるべきですか? エージェントにもっと多くのタスクを完了させたいなら、切り替えを勧めます。Gemini 4 Argon は 15 回の試行中 11 回に成功し、Gemini 3.1 Pro Preview は 5 回でした。2026 年 11 月 30 日までは、両方が成功した仕事のタスク当たりの費用は、ともにおよそ $0.59 から $0.60 でした。12 月 1 日から Argon の公開定価は二倍になるため、すでに成功できるタスクでは 3.1 Pro のほうが安くなります。
Gemini 4 Argon は Gemini 3.1 Pro より安いですか? 2026 年 11 月 30 日までの価格では、両方が成功した 5 タスクのタスク当たりの費用は Gemini 4 Argon が $0.588、Gemini 3.1 Pro Preview が $0.598 でした。失敗した試行も含めると、成功した試行一回当たりの支出は Argon が $1.62、3.1 Pro が $4.02 でした。3.1 Pro の失敗は高くつきました。ステップの上限を使い切った 3 回の試行は、一回当たり平均 $3.48 かかったためです。
2026 年 12 月 1 日以降、Gemini 4 Argon の費用はいくらになりますか? Google は 2026 年 12 月 1 日からの Gemini 4 Argon の料金を、入力トークン百万個当たり $4、出力トークン百万個当たり $20、キャッシュ済みトークン百万個当たり $0.20 としています。その料金を今回の実行に適用すると、両方が成功した 5 タスクのタスク当たりの費用は $1.176 となり、Gemini 3.1 Pro Preview は $0.598 です。成功した試行一回当たりの費用は、Argon が $3.25、3.1 Pro が $4.02 になります。
Gemini 4 Argon は Gemini 3.1 Pro より少ないステップで作業しますか? はい。同じ 15 タスクで、タスク当たりのツール呼び出しは Gemini 4 Argon が 23.9 回、Gemini 3.1 Pro Preview が 52.1 回でした。Argon はブラウザーコマンドの 22.4% で二つ以上のページを開き、3.1 Pro は 2.5% でした。最も長いタスクでも、100 ステップの枠内でツール呼び出しは 67 回でした。
Gemini 3.1 Pro は、なぜブラウザータスクでステップを使い切るのですか? Gemini 3.1 Pro Preview は 15 タスクのうち 3 タスクで 100 ステップの上限を使い切り、すべて 9 サイト以上を扱う仕事でした。一つのブラウザーコマンドで一つのページを開いていたため、12 の中央銀行を調べるタスクでは、上限内に収まらない数の応答が必要になりました。同じブラウザーで同じタスクを行った Gemini 4 Argon は、29 回のツール呼び出しで完了しました。
Gemini 4 Argon は、複数サイトのデータ収集にどう対応しますか? Gemini 4 Argon は、九つ以上のサイトを扱う 14 タスクのうち 8 タスクに成功しました。その中でステップを使い切ることはありませんでしたが、2 回の試行では回答を出さずに一時間の上限に達しました。これらの仕事の平均費用はタスク当たり $2.377 でした。
Gemini 4 Argon には、まだどんな誤りがありますか? Gemini 4 Argon は共通の 15 回の試行のうち 4 回で失敗し、そのうち 3 回は一つの項目に二つの値を答えていました。あるタスクでは、パラメーター数を十億個単位で正しく 668.95 と回答した後、同じ単位で 664.95 という別の値も提示しました。Gemini 3.1 Pro Preview も失敗のうち 2 回で同じことをしたため、回答の各項目に値が一つだけ入っていることを確認してください。
Gemini 3.1 Pro は、まだ使う価値がありますか? Gemini 3.1 Pro Preview は 15 回の試行のうち 5 回に成功し、2026 年 12 月 1 日以降、その 5 タスクでは Gemini 4 Argon より安くなります。12 月の料金では、5 タスクすべてで安くなりました。すでに成功できる仕事以外では、Argon のほうが多くのタスクに成功し、成功した試行一回当たりの支出も少なくなりました。
Gemini 4 Argon を ego-browser と組み合わせて、ブラウザーエージェントとして動かせますか? はい。Gemini 4 Argon を思考レベル high で、ego-browser を使う pi のエージェント実行基盤上で動かしたところ、15 回の試行のうち 11 回に成功しました。モデルはエージェントの bash ツールを通じて ego-browser のスクリプトを書き、各スクリプトが返したページテキストを読みました。最も長いタスクでも、100 ステップの枠内でツール呼び出しは 67 回でした。
検証方法
Gemini 4 Argon(google/gemini-4-argon)と Gemini 3.1 Pro Preview(gemini-3.1-pro-preview)を、いずれも思考レベル high で比較しました。両方とも macOS 上で、バージョン 1.5.0 の pi のエージェント実行基盤を使い、ego(lite) 内の同じ ego-browser ビルドで動かしました。モデルは ego-browser の skill ファイルを受け取り、bash ツールを通じてブラウザーのスクリプトを書き、各スクリプトが返すページテキストを読みます。Argon は ZenMux 経由、3.1 Pro は Google の Gemini API 経由で呼び出しました。Argon は 2026 年 11 月 4 日、3.1 Pro は 2026 年 11 月 5 日に実行しました。
各モデルは効率検証用タスクセットから 28 タスクを実行し、そのうち 15 タスクは両方が実行しました。比較には共通の 15 タスクを使い、各タスクで各モデル一回ずつ試行しています。一回の試行とは、一つのモデルが一つのタスクを一回実行することです。仕事の規模のセクションでは、Argon の全 28 タスクを使っています。共通タスクは五つのグループに分かれ、各タスクは一つのグループだけに属します。グループは、多数の公式サイトから同じ項目を集める作業、X の投稿を公式ページと照合する作業、一つから三つのサイトでの情報検索、探索的な調査、業務用ウェブアプリでの作業です。
各試行の上限は 100 ステップ、一時間でした。一つのステップはモデルの一回の応答で、通常は一回のツール呼び出しを行います。ツール呼び出しは、モデルがエージェントを通じて送る一つのコマンドです。ブラウザーコマンドは ego-browser のスクリプトを実行するツール呼び出しで、二つ以上のページを開いたかどうかは、そのスクリプト内のページ遷移で数えています。最終回答がタスクの正答表のすべての項目を満たした場合にだけ合格とし、一つの項目に二つの値を答えた回答は不合格とします。
費用は、各試行のトークン使用量を 2026 年 11 月 30 日までの Google の Gemini API 公開定価で計算したものです。Argon の料金は、入力トークン百万個当たり $2、出力トークン百万個当たり $10、キャッシュ済みトークン百万個当たり $0.10 です。3.1 Pro Preview は、プロンプト当たり 200,000 トークンまではそれぞれ $2、$12、$0.20、それを超えると $4、$18、$0.40 です。タスク当たりの費用は、両方が成功した 5 タスクの平均です。成功した試行一回当たりの費用は、全 15 回の試行の費用を、成功した試行の回数で割っています。
全タスクの結果
各セルは、一回の試行の結果と、2026 年 11 月 30 日までの公開定価での費用を示します。「ステップ上限」は、回答を出さずに 100 ステップを使い切った試行、「時間切れ」は、回答を出さずに一時間の上限に達した試行です。
| タスク | グループ | Gemini 4 Argon | Gemini 3.1 Pro Preview |
|---|---|---|---|
| 12 の中央銀行の金利決定 | 多数の公式サイト | 成功, $1.243 | 失敗, ステップ上限, $3.356 |
| 9 つのオープンウェイトモデル | 多数の公式サイト | 失敗, $3.548 | 失敗, ステップ上限, $4.324 |
| 9 つの法域の最低賃金 | 多数の公式サイト | 成功, $3.269 | 失敗, ステップ上限, $2.745 |
| 9 社の SaaS ベンダーのコンプライアンス | 多数の公式サイト | 成功, $2.590 | 失敗, $1.176 |
| 8 つのオープンソースプロジェクトのセキュリティリリース:X の投稿と勧告の照合 | X の投稿 | 成功, $1.490 | 成功, $1.564 |
| 8 件の製品発表:X の投稿とプレスリリースの照合 | X の投稿 | 成功, $1.211 | 失敗, $1.005 |
| SpaceX の打ち上げに関する X の投稿と Wikipedia の照合 | X の投稿 | 成功, $0.483 | 成功, $0.325 |
| 英国四社の KYC 情報のスナップショット | 一つから三つのサイト | 失敗, $0.525 | 失敗, $0.955 |
| 臨床試験と医薬品の添付文書の照合 | 一つから三つのサイト | 失敗, $1.203 | 失敗, $0.831 |
| FRED のデータでインフレの概要をまとめ、BLS と照合 | 一つから三つのサイト | 成功, $0.248 | 失敗, $0.267 |
| MDN と Can I use のウェブ機能 | 一つから三つのサイト | 成功, $0.560 | 失敗, $0.967 |
| 講義、コード、論文から学習ノートを作成 | 一つから三つのサイト | 成功, $0.283 | 成功, $0.403 |
| EU の計算量のしきい値を超えるモデル | 探索的な調査 | 成功, $0.300 | 成功, $0.287 |
| Wikipedia の表の情報源をたどる | 探索的な調査 | 失敗, $0.528 | 失敗, $1.495 |
| サービスの監視設定を基準に合わせる | 業務用ウェブアプリ | 成功, $0.384 | 成功, $0.412 |
仕事の規模のセクションで使った、Gemini 4 Argon の追加の 13 タスク。各セルは一回の試行です。
| タスク | サイト数 | Gemini 4 Argon |
|---|---|---|
| 9 種類のデスクトップブラウザーの最新安定版 | 13 | 成功, $0.726 |
| 9 つの CI サービスの無料プラン | 9 | 失敗, 時間切れ, $3.393 |
| 8 件の開発者調査 | 8 | 失敗, $4.987 |
| 同じ地震を 9 機関で調べる | 9 | 失敗, $4.039 |
| 同じゲームを 8 つのレーティング機関で調べる | 8 | 失敗, $4.180 |
| 同じプリント作品を 10 の美術館コレクションで調べる | 10 | 成功, $3.296 |
| 9 つのパッケージレジストリの protobuf ランタイム | 9 | 失敗, $0.856 |
| 9 規格の現行版 | 9 | 成功, $2.143 |
| 8 件のクラブ加入:X の投稿とクラブ公式サイトの照合 | 16 | 失敗, 時間切れ, $4.947 |
| 週次の AI まとめで述べられた 10 の主張を検証 | 7 | 成功, $1.316 |
| 輸送会社の定時実績の確認とアラートルール | 1 | 失敗, $0.769 |
| 休暇を考慮してオンコールシフトの担当を割り当てる | 1 | 成功, $0.182 |
| 日ごとの食事手当を申請する | 1 | 成功, $0.217 |
更新履歴:初公開は 2026 年 11 月 9 日。テスト実行日は 2026 年 11 月 4 日と 5 日。
