Eine generierte Titelkarte mit der Aufschrift „Qwen 4 vs. Gemini 4 Argon: die 4,3 %, die mehr entscheiden als die sieben Punkte“, mit dem Untertitel „Gemini 4 Argon halluziniert bei 4,3 % der Fragen, die es falsch beantwortet; Qwen4-Max bei 28,4 %“. Drei nummerierte Zeilen lauten „Indexwert 42,9 gegenüber 50,4, Artificial Analysis v5.0.1“, „Kosten pro abgeschlossener Indexaufgabe 3,27 $ gegenüber 4,97 $“ und „Halluzinationsrate 28,4 % gegenüber 4,3 %“. Eine Fußzeile lautet „Werte und Kosten pro Aufgabe gemäß Artificial Analysis Intelligence Index v5.0.1; Preise gemäß der veröffentlichten Preisliste jedes Anbieters.“ Flaches Vektordesign auf Weiß mit blau- und cyanfarbenen Akzenten, das OrcaRouter-Logo unten rechts eingefügt.
Guides & Insights

Qwen 4 vs. Gemini 4 Argon: Die 4,3 %, die mehr entscheiden als die sieben Punkte

Autor

Gideon Frost

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

The scoreboard everyone reaches for in this matchup is the headline index: 42.9 for Qwen4-Max against 50.4 for G​emini 4 Argon, seven and a half points in G​oogle's favour. But the number that should stop a deployment decision sits three columns to the right of the one everybody quotes. G​emini 4 Argon hallucinates on 4.3% of the questions it gets wrong. Qwen4-Max hallucinates on 28.4% of them. That is a factor of 6.6, and for anyone shipping output that a human reads, it is worth more than seven index points.

The two figures come from the same suite, Artificial Analysis v5.0.1, and neither is a vendor claim. G​oogle has not published a hallucination rate for Argon, and A​libaba has not published one for Qwen4-Max. The independent measurement is the only one that exists.

Zwei Modelle, die im selben Segment verkauft werden

Both are million-token, image-capable, text-out flagships from companies that build their own silicon. Qwen4-Max went metered on 16 November 2026 in six A​libaba Cloud regions; G​emini 4 Argon has been on sale since 30 September 2026 through G​oogle's API. The cards are close enough that price is not the differentiator people assume.

• Input, per million tokens — G​emini 4 Argon $2.00; Qwen4-Max $1.50 in Singapore and $1.413 in the other five regions. G​oogle is 33% more expensive on the Singapore comparison and 41% more against the Global rate.

• Ausgabe, pro Million — Argon 10,00 $; Qwen4-Max 4,50 $ und 4,24 $. Das ist der größere Unterschied: 2,2× bei der Hauptzahl.

• Cached input — Argon $0.10 per million; Qwen4-Max $0.075 on a read, plus published write rates of $1.875 (five minutes) and $3.00 (one hour) that G​oogle does not break out the same way.

• Kosten pro abgeschlossener Index-Aufgabe — Argon 4,97 $; Qwen4-Max 3,27 $. Trotz einer 2,2× niedrigeren Ausgaberate ist Qwen4-Max pro Aufgabe nur 34 % günstiger, weil der Großteil beider Rechnungen auf die Eingabe entfällt.

• Effektiver Reasoning-Aufwand – Argon wird bei high gemessen; Qwen4-Max bei xhigh. Beide Modelle bieten eine Abstufung, und keine der beiden Zahlen ist mit dem Standardwert des anderen Modells vergleichbar.

Kontext — 1.000.000 Token auf Argon; Qwen4-Max weist dieselbe Million auf der Anbieterkarte aus, während der Tracker 983.616 erfasst, weil die Eingabe im Thinking-Modus dort begrenzt ist.

• Hosts — Argon is served by G​oogle; Qwen4-Max by A​libaba Cloud. Neither is open-weight.

A generated two-column scoreboard titled 'Qwen4-Max vs Gemini 4 Argon - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The Gemini 4 Argon column reads index score 50.4, cost per index task $4.97, cents per index point 9.9, input per million $2.00, output per million $10.00, hallucination rate 4.3%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

Die Aufteilung pro Aufgabe bevorzugt nicht die günstigere Karte.

Schlüssle die 4,97 $ und die 3,27 $ auf, und die Überraschung ist, welche davon mehr fürs Denken ausgibt. Argon gibt pro Index-Aufgabe 116.368 Ausgabe-Tokens aus, davon sind 68.301 Reasoning; Qwen4-Max gibt 104.940 aus, davon sind 68.914 Reasoning. Das Reasoning-Volumen ist nahezu identisch. Der Unterschied liegt in der Antwort: Argon schreibt pro Aufgabe 48.067 Tokens endgültige Antwort gegenüber 36.025 bei Qwen4-Max. Argon ist ausführlicher, wo es sichtbar ist, und ebenso ausführlich, wo nicht.

That is a cheerful anomaly in G​emini's favour, because it means the 2.2× output rate is buying 33% more answer text. The per-task premium of 52% is therefore smaller than the rate card suggests, and for workloads where output dominates — long-form generation, code the model writes itself — the gap narrows further. For workloads where input dominates, which is most RAG and most agent loops, Qwen4-Max's input rate does the work instead.

Um es klar zu sagen: Dabei handelt es sich um modellierte Kosten aus einem Benchmark-Harness, nicht um Rechnungen. Ihr Token-Mix wird anders ausfallen, und das Verhältnis zwischen den beiden Modellen wird sich damit verschieben.

Wo Qwen4-Max wirklich vorne liegt

Die Argumente gegen Qwen4-Max in diesem Duell sind stark, aber nicht einstimmig, und zwei Zeilen gehen auf eine Weise in die andere Richtung, die von Bedeutung ist.

• GDPval — Qwen4-Max 1.808,69 gegenüber Argons 1.633,51. Bei ökonomisch fundierten beruflichen Aufgaben liegt Qwen4-Max 10,7 % vor einem Modell, das es um 7,5 Indexpunkte schlägt. Dies ist die deutlichste einzelne Umkehrung im Vergleich.

• FrontierCode 2.0 — 26,5 % gegenüber 25,7 %. Weniger als ein Punkt Unterschied; faktisch ein Gleichstand – und zwar in der Testsuite, in der Argons viel beachteter Vorsprung einen Abstand erwarten lassen würde.

• AutomationBench — 72,6 % gegenüber 77,5 %. Argon gewinnt, aber mit fünf Punkten Vorsprung bei einer Suite, die der Büroautomatisierung näher steht als der Softwareentwicklung.

• {{1}}Terminal-Bench 4.0{{/1}} — 48,5 % gegenüber 57,1 %. Hier ist Argons Vorsprung real: achteinhalb Punkte bei shell-getriebener Arbeit.

• HLE Diamond — 44,9 % gegenüber 56,7 %. Zwölf Punkte bei harter Wissenschaft.

• Terminal-Bench Science — 23,3 % gegenüber 52,9 %. Die größte Lücke auf der Übersicht und diejenige, die die Forschungskompetenz der beiden Modelle am saubersten trennt.

• Genauigkeit von Omniscience — 27,7 gegenüber 46,1, wobei der Halluzinations-Vorbehalt vom Anfang dieses Beitrags für beide gilt.

Als Ganzes gelesen, zeigt sich das Muster, dass Qwen4-Max sich bei Aufgaben mit professionellem Urteilsvermögen behauptet und bei allem, was anhaltendes technisches Schlussfolgern erfordert, deutlich verliert. Das ist eine engere und nützlichere Aussage als „sieben Indexpunkte zurück“, und sie deutet auf einen anderen Einsatz hin.

A headless-browser screenshot of the Artificial Analysis page for Gemini 4 Argon, captured 17 November 2026 in English, showing Google's mark, the label Proprietary model, Released September 2026, the heading Gemini 4 Argon: Intelligence, Performance & Price Analysis, a rank strip reading Intelligence #22 of 81, Performance #72 of 79, Cost #59 of 80 and Verbosity #57 of 80, a statistics row giving a 45.598-second time to first answer token, 66 output tokens per second, $2.00 input and $10.00 output per million tokens, a 95% cache discount, 7.55 billion input tokens and an 11.5% output-to-input ratio, a $4.97 per-task cost, and the summary paragraph describing the model as above average in intelligence and reasonably priced for its band, notably slow per task and somewhat verbose, with text and image input, text output and a 1M-token context window.

Warum eine Halluzinationsrate von 4,3 % es wert ist, dafür zu bezahlen

Beziffern Sie den Unterschied. Wenn ein Prüfer eine Behauptung in dreißig Sekunden prüfen kann und eine erfundene Behauptung zehn Minuten Nacharbeit kostet, wenn sie in die Produktion gelangt, dann werden die erwarteten Prüfkosten pro tausend Antworten fast vollständig vom Anteil der erfundenen Antworten bestimmt, nicht vom Anteil der falschen. Argons 4,3 % bedeuten, dass in seiner Menge falscher Antworten etwa jede dreiundzwanzigste Antwort Nacharbeit erfordert; Qwen4-Maxs 28,4 % bedeuten, dass auf etwa dreieinhalb Antworten eine kommt, die Nacharbeit erfordert.

Dagegen verschwindet der 52%-Aufschlag pro Aufgabe für jeden Workflow mit menschlichem Prüfer, weil die Prüferzeit die Token-Ausgaben bei nahezu jedem Vollkostensatz in den Schatten stellt. In die andere Richtung verschwindet er für jeden Workflow ohne Prüfer, weil eine erfundene Antwort ohne Prüfer keine Kosten sind, sondern ein Incident.

The honest caveat: hallucination rate is measured on a fixed question set and is a property of the measurement as much as the model. G​oogle could change Argon's behaviour with a system-prompt revision tomorrow and this number would not move until the suite is re-run. Treat it as a strong prior, not a guarantee.

Die Routing-Frage, für eine Seite beantwortet

Gemini 4 Argon is on our catalogue as google/gemini-4-argon at G​oogle's list price, $2.00 in and $10.00 out per million, with 0% markup on top — the same rates G​oogle publishes, passed through rather than repriced. Qwen4-Max is not on our catalogue: a qwen4 identifier returns not-found, its route is A​libaba's Model Studio API and several third-party platforms, and the closest Qwen model we serve is qwen/qwen3.8-max at $2.00 and $6.00.

Diese Asymmetrie ist für die meisten Teams selbst die Antwort auf die Deployment-Frage. Das Modell, das in der Halluzinationsspalte gewinnt, ist das, das Sie heute über den Endpoint aufrufen können, den Sie bereits haben, und das Modell, das bei GDPval gewinnt, kostet Sie einen zweiten Anbietervertrag, um es auszuprobieren. Wenn Sie die GDPval-Behauptung vor der Entscheidung an Ihren eigenen Daten testen möchten, ermöglicht Ihnen eine Routing-DSL, einen festen Evaluationssatz mit einem Aufruf über beide Pfade zu schicken und die Ausgaben nebeneinander zu vergleichen — ein günstigeres Experiment, als der Preis pro Aufgabe beider Modelle vermuten lässt.

A headless-browser screenshot of the OrcaRouter model page for Gemini 4 Argon, captured 17 November 2026 in English, showing the identifier google/gemini-4-argon, the byline Google, an input price of $2.00 per million, a zero-data-retention badge, the note that zero data retention is available under agreement, and both the OpenAI-compatible and generateContent endpoint paths.

Was die sieben Punkte Ihnen nicht verraten

Zwei Dinge würden diesen Vergleich verändern, und beides ist nicht weit hergeholt. Eine unabhängige Halluzinationsmessung an einer Qwen4-Max-Bereitstellung mit einem auf Enthaltung abgestimmten System-Prompt würde prüfen, ob 28,4 % eine Eigenschaft des Modells oder der Art und Weise sind, wie es abgefragt wurde — kein Anbieter hat eine solche veröffentlicht. Und ein erneuter GDPval-Durchlauf mit einer größeren Stichprobe würde uns zeigen, ob der Vorsprung von Qwen4-Max von 10,7 % bei professionellen Aufgaben real oder Rauschen ist, weil die Intervalle dieses Benchmarks breit sind und die beiden Modelle nah genug beieinanderliegen, dass sich die Reihenfolge umkehren kann.

Until either lands, the split is clean and it is not the one the index suggests. Sustained technical reasoning, science, shell work, or anything a customer reads unreviewed: G​emini 4 Argon, and the 52% premium is the least interesting number in the deal. Grounded professional judgement at volume, with a review step you were going to run anyway: Qwen4-Max is 10.7% better on the suite that measures exactly that, and it is 34% cheaper per task while you find out.