MIDM K 3.0 Pro vs Gemini 4 Argon: diez veces el precio, cincuenta puntos de índice

La forma más barata de comparar Mi:dm K 3.0 Pro y Gemini 4 Argon no es una ficha técnica, es una división. Gemini 4 Argon cuesta $2.00 por millón de tokens de entrada y $10.00 por millón de tokens de salida, y Artificial Analysis lo mide en $1.99 por ejecutar una tarea del Intelligence Index. Mi:dm K 3.0 Pro cuesta $0.20 y $0.80, y no tiene costo por tarea del índice porque no tiene puntuación en el índice. Así que el planteamiento honesto no es "modelo barato frente a modelo caro" — es un modelo medido con un costo conocido por unidad de capacidad frente a uno no medido con un costo conocido por token, y esos dos datos no se pueden restar entre sí. Lo que sí se puede hacer es ponerle precio al riesgo: calcular qué tendría que puntuar el modelo coreano para que su ventaja de precio sobreviva al contacto con una carga de trabajo real, y luego decidir si esa cifra es plausible.

Dónde se posiciona cada modelo el 11 de noviembre de 2026

• Gemini 4 Argon — anunciado por Google el 30 de septiembre de 2026 y disponible de forma general en la Gemini API desde el 13 de octubre de 2026. Contexto de 1.048.576 tokens, hasta 943.718 tokens de salida en una sola respuesta y entrada multimodal de texto, imágenes, audio, vídeo y archivos. Con un precio de $2,00 por millón de tokens de entrada y $10,00 por millón de tokens de salida, con la entrada en caché a $0,10.

• Mi:dm K 3.0 Pro — facturable en la plataforma Token Factory de KT desde el 29 de octubre de 2026 y listado internacionalmente el 5 de noviembre. Contexto de 261.795 tokens, hasta 235.615 tokens de salida, texto de entrada y texto de salida. $0,20 de entrada y $0,80 de salida por millón, entrada en caché a $0,04, con un descuento promocional del 30 % aplicado actualmente en la propia plataforma de KT.

• Evaluación independiente — Gemini 4 Argon obtiene 52,6 en el Artificial Analysis Intelligence Index y ocupa el primer puesto en el Vals Index con 68,90 %. Mi:dm K 3.0 Pro no figura en ninguno de los dos.

• Arquitectura — Google no publica ningún recuento de parámetros para Argon. KT publica uno para su modelo: 120B totales, 12B activos, híbrido Mamba/MoE/atención, servido desde un checkpoint con expertos NVFP4.

La aritmética que decide si vale la pena probar el modelo barato

Empieza por lo que cuesta una solicitud real. Un documento de 30.000 tokens resumido en 1.500 tokens se factura a $0,06 de entrada más $0,015 de salida en Gemini 4 Argon: $0,075. La misma solicitud en Mi:dm K 3.0 Pro se factura a $0,006 más $0,0012, es decir, $0,0072. Diez veces más barato, poco más o menos.

Ahora viene la parte que cambia la decisión. Supongamos que el modelo Gemini acierta el 92 % de esos resúmenes en la primera pasada y que el modelo coreano, sin medir, acierta el 84 %. Incluso con un precio diez veces mayor, el modelo barato sigue ganando en coste puro por tokens: 0,0072 $ frente a 0,075 $. Pero si el 8 % de fallos exige una segunda pasada con un modelo más potente, y si esa segunda pasada cuesta más que la primera porque incluye verificación, el coste efectivo por resumen aceptado converge rápidamente. Ese es todo el argumento, y es la razón por la que «no hay benchmark» es un hecho de precios y no una queja editorial.

En su lugar, ponle un número al punto de equilibrio. Para que el modelo coreano sea la mejor compra al ser diez veces más barato en una tarea verificable, necesita estar dentro de, aproximadamente, un factor de diez del rendimiento útil de Argon por dólar. Si el índice 52.6 de Argon corresponde a una tasa de éxito en tareas que ya conoces por tus propias evaluaciones, entonces la pregunta es si un híbrido de 120B a una quinta parte del precio del modelo insignia de DeepSeek queda en algún punto dentro de diez puntos de precisión de un modelo de vanguardia de Google. Puede que sí. Nadie lo ha demostrado, y la carga de la prueba recae sobre quien migra, no sobre quien se queda.

Costo por tarea, que es la cifra que Artificial Analysis publica realmente

Vale la pena entender la tarifa de $1.99 por tarea de indexación de Argon, porque no es lo mismo que su precio por token y es la cifra que hace que la comparación entre modelos sea honesta.

El índice normaliza la puntuación en función del gasto en tokens necesario para obtenerla, por lo que un modelo verboso y caro por tarea parece peor de lo que sugiere su tarifa. Los 1,99 $ de Argon compran una pasada por la suite de nueve evaluaciones que compone Intelligence Index v5.0.1: AA-Briefcase, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 y Terminal-Bench-Science. Ejecutar la suite completa contra Argon una vez cuesta 2.407 $. Contra GLM-5.3, un modelo más barato de la misma banda, cuesta 2.503 $ —más, pese a una tarifa nominal menor, porque el modelo necesita más tokens para terminar las mismas tareas.

Esa inversión es la razón para desconfiar de una comparación basada únicamente en las tarifas. Un modelo de $2 y $10 puede ser más barato de operar que uno de $1.40 y $4.40 si piensa menos y responde de forma más breve. El generoso límite de salida de 235,615 tokens de Mi:dm K 3.0 Pro y su traza de razonamiento expuesta juegan en contra: un modelo que puede emitir razonamiento y respuestas largas lo hará, y la factura sigue a los tokens de salida en lugar del precio de entrada que parece tan atractivo.

La entrada multimodal no es una carencia de funcionalidades: es una carencia de pipeline.

Argon acepta texto, imágenes, audio, video y archivos. Mi:dm K 3.0 Pro acepta texto. Esa frase suena a una casilla de verificación y en realidad es una diferencia arquitectónica en lo que un equipo tiene que construir.

Un flujo de trabajo de documentos en Argon envía el PDF. Un flujo de trabajo de documentos en Mi:dm K 3.0 Pro envía texto extraído, lo que implica una etapa de OCR o de análisis delante del modelo, lo que implica un segundo proveedor, un segundo modo de fallo y una segunda línea de coste que no aparece en la tarifa de $0.20. Para un corpus de PDF digitales limpios, la etapa de extracción es barata y fiable. Para formularios escaneados, capturas de pantalla de paneles de control, presentaciones de diapositivas y llamadas grabadas, la etapa de extracción es donde residen los errores, y ninguna tarifa de modelo compensa un analizador que destroza una tabla.

El audio y el vídeo cierran por completo la cuestión para las cargas de trabajo que los utilizan. Un modelo que no puede escuchar una grabación de llamada no es una opción más económica para el análisis de transcripciones; está fuera de la categoría.

1M frente a 262K, y para qué sirve realmente cada número

La ventana de un millón de tokens de Argon se combina con un techo de salida de 943.718 tokens, lo cual es una combinación inusual: la mayoría de los modelos ofrece una entrada larga y una salida mucho más corta. El texto de Google lo describe como soporte de decodificación larga: una sola respuesta puede contener aproximadamente un millón de tokens. Se trata de una capacidad de generación de documentos, no solo de lectura de documentos.

Mi:dm K 3.0 Pro tiene 261.795 pares de entrada con 235.615 de salida, lo cual es proporcionalmente similar: el modelo puede escribir casi tanto como puede leer. La diferencia está en el techo absoluto. Un cuarto de millón de tokens equivale aproximadamente a 190.000 palabras, lo que es un libro extenso. Un millón son cuatro libros.

Ambos límites son lo bastante generosos como para que la mayoría de las cargas de trabajo nunca lleguen a alcanzar ninguno. Donde la brecha se hace notar es en el caso que se ha vuelto habitual en 2026: un agente que contiene un repositorio entero, o una tarea de investigación que acumula una larga cadena de resultados de herramientas. Estos crecen más allá de 262K y no dejan de crecer, y la solución alternativa —compactación, resumen, recuperación— es justo la parte de un harness de agente que pierde información. La ventana de Argon elimina ese modo de fallo para otros 738.000 tokens.

coreano, y el caso que realmente tiene el modelo coreano

Google no entrena específicamente para el coreano; entrena para todo, y el coreano forma parte de ese todo. KT ha construido cuatro generaciones de modelos orientados al texto en coreano, desde las versiones de 12B y 2B centradas en Corea de Mi:dm 2.0 hasta esta, y los materiales empresariales describen la línea como ajustada para la sociedad, la cultura y el conocimiento de dominio coreanos.

Esa diferencia es real en el sentido en que el ajuste por dominio siempre es real: medible en el vocabulario y el registro de la atención al cliente nacional, la regulación y los textos del sector público, e invisible en un benchmark de programación en inglés. Si tu corpus son transcripciones de centros de llamadas coreanos, vale la pena probar un modelo entrenado con ese registro antes de asumir que un modelo de frontera ganará. Si tu corpus es software en inglés, el ajuste no vale nada y el techo de 262K vale menos que el millón de Argon.

La prueba es barata y es la única forma de resolverlo. Toma 200 elementos reales de tu propio corpus de coreano, haz que ambos modelos produzcan una salida estructurada y puntúa con una clave de respuestas reservada. A $0,20 y $0,80, la mitad de ese experimento correspondiente al modelo coreano cuesta bastante menos de un dólar; la mitad de Argon cuesta unos ocho. El resultado vale más que cualquier índice publicado para esta decisión concreta, porque el índice no se construyó con tus datos.

Revisar una clave y qué cambia eso

Gemini 4 Argon ya está disponible en OrcaRouter como google/gemini-4-argon a la tarifa de lista de Google sin recargo añadido — $2.00 de entrada, $10.00 de salida, $0.10 por lectura de caché — junto con más de 200 modelos adicionales en el mismo endpoint y la misma factura. Mi:dm K 3.0 Pro es servido únicamente por KT; nosotros no lo enrutamos y no existe un segundo proveedor para él en ningún sitio.

Esa asimetría importa más aquí que en la mayoría de las comparativas, porque los dos modelos se sitúan en extremos opuestos de un perfil de riesgo. Argon es un modelo enrutado: si el endpoint de Google se ralentiza o falla, una regla de enrutamiento puede desplazar la solicitud a otro modelo sin que la aplicación lo note. Mi:dm K 3.0 Pro es una llamada directa a la infraestructura de una sola empresa, y su lectura de disponibilidad del 100 % durante el último día es una medición de ese único endpoint —honesta, y no una garantía, porque no hay nada a lo que conmutar en caso de fallo.

El patrón viable consiste en mantener Argon como el predeterminado enrutado para todo lo que deba tener éxito y llamar directamente al modelo coreano, con tu propio tiempo de espera y fallback, para el nivel de gran volumen donde una solicitud fallida puede simplemente reintentarse o descartarse. En OrcaRouter, la regla de fallback puede indicar un modelo más barato para el reintento, que es cómo un experimento diez veces más barato sigue siendo barato incluso cuando el endpoint barato se comporta mal. Lo que no podemos hacer es conmutar por error a Mi:dm K 3.0 Pro en sí, porque un proveedor es una puerta.

Para qué sirve cada modelo, dicho sin rodeos

Gemini 4 Argon sirve para trabajos en los que la entrada es desordenada, el contexto es largo o la salida importa. Lee imágenes, audio y video, admite un millón de tokens, escribe casi un millón, obtiene 52.6 en un índice independiente y ocupa el primer lugar en el Vals Index con un 68.90%: un benchmark de finanzas, derecho, programación e impuestos en el que una ventaja de cinco puntos sobre el siguiente modelo es una brecha grande. Cuesta diez veces lo que cuesta el modelo coreano y aproximadamente una quinta parte de lo que cuesta Claude Opus 5.5 por tarea de índice, lo que lo sitúa en la mitad de la banda de frontera, no en su cima.

Mi:dm K 3.0 Pro está pensado para trabajos en los que la entrada es texto, el contexto cabe en un cuarto de millón de tokens, la salida es verificable y el volumen domina. Tiene un techo de salida mayor que el de la mayoría de los modelos de su precio, una arquitectura híbrida realmente interesante, un solo proveedor y ninguna evaluación publicada de ningún tipo. Su precio promocional de $0.14 y $0.56 en la plataforma propia de KT refuerza el argumento del uso masivo mientras se mantenga.

La brecha entre esos dos párrafos no es un veredicto sobre la calidad: es la ausencia de uno. Un modelo sin puntuación no es un modelo malo; es una incógnita, y las incógnitas se prueban a pequeña escala antes de migrar a ellas. Esa es toda la recomendación: Argon donde la respuesta tiene que ser correcta, el modelo coreano donde la respuesta tiene que ser barata y alguien está comprobando, y una prueba de 200 elementos sobre tu propio corpus para averiguar cuál de esos dos describe tu próxima carga de trabajo.