Una tarjeta de título generada que dice «Qwen 4 vs Gemini 4 Argon: el 4,3 % que decide más que los siete puntos», con el subtítulo «Gemini 4 Argon alucina en el 4,3 % de las preguntas en las que se equivoca; Qwen4-Max, en el 28,4 %». Tres filas numeradas dicen «puntuación del índice: 42,9 frente a 50,4, Artificial Analysis v5.0.1», «coste por tarea de índice completada: $3,27 frente a $4,97» y «tasa de alucinación: 28,4 % frente a 4,3 %». Un pie de página dice «Puntuaciones y coste por tarea según el Artificial Analysis Intelligence Index v5.0.1; precios según la lista de precios publicada por cada proveedor». Estilo vectorial plano sobre blanco con acentos azules y cian, con la marca de OrcaRouter compuesta abajo a la derecha.
Guides & Insights

Qwen 4 vs Gemini 4 Argon: el 4,3 % que decide más que los siete puntos

Autor

Gideon Frost

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

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.

Dos modelos vendidos en el mismo segmento

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.

• Salida, por millón — Argon $10.00; Qwen4-Max $4.50 y $4.24. Esta es la brecha más grande: 2.2× en la cifra principal.

• 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.

• Coste por tarea de indexación completada: Argon $4.97; Qwen4-Max $3.27. A pesar de una tasa de salida 2.2× menor, Qwen4-Max es solo un 34% más barato por tarea, porque la mayor parte de ambas facturas corresponde a la entrada.

• Esfuerzo de razonamiento efectivo: Argon se mide en high; Qwen4-Max en xhigh. Ambos modelos exponen una escala, y ninguno de los dos valores es comparable con el predeterminado del otro modelo.

• Contexto — 1.000.000 de tokens en Argon; Qwen4-Max ofrece el mismo millón en la ficha del proveedor, con el contador registrando 983.616 porque la entrada en modo de razonamiento está limitada ahí.

• 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.

El reparto por tarea no favorece a la tarjeta más barata

Desglosa los $4,97 y los $3,27 y la sorpresa es cuál de los dos gasta más en pensar. Argon emite 116.368 tokens de salida por tarea de índice, de los cuales 68.301 son de razonamiento; Qwen4-Max emite 104.940, de los cuales 68.914 son de razonamiento. El volumen de razonamiento es casi idéntico. La diferencia está en la respuesta: Argon escribe 48.067 tokens de respuesta final por tarea frente a los 36.025 de Qwen4-Max. Argon es más verboso donde se ve y igual de verboso donde no se ve.

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.

Vale la pena decirlo claramente: estos son costes modelados de un arnés de benchmark, no facturas. Tu combinación de tokens variará, y la proporción entre los dos modelos se desplazará con ella.

Dónde Qwen4-Max está realmente por delante

El argumento en contra de Qwen4-Max en este enfrentamiento es sólido, pero no es unánime, y dos filas van en sentido contrario de una manera que importa.

• GDPval — Qwen4-Max 1.808,69 frente a los 1.633,51 de Argon. En tareas profesionales económicamente fundamentadas, Qwen4-Max está 10,7% por delante de un modelo que lo supera en 7,5 puntos de índice. Esta es la inversión individual más clara de la comparación.

• FrontierCode 2.0 — 26,5% frente a 25,7%. A menos de un punto; en la práctica, un empate, en la suite donde la ventaja principal de Argon haría prever una diferencia.

• AutomationBench — 72,6 % frente a 77,5 %. Gana Argon, pero por cinco puntos en una suite más cercana a la automatización de oficina que a la ingeniería de software.

• Terminal-Bench 4.0 — 48,5% frente a 57,1%. Aquí la ventaja de Argon es real: ocho puntos y medio en trabajo basado en shell.

• HLE Diamond — 44,9 % frente a 56,7 %. Doce puntos en ciencia dura.

• Terminal-Bench Science — 23,3 % frente a 52,9 %. La brecha más amplia del tablero y la que separa con mayor claridad la capacidad de investigación de los dos modelos.

• Precisión de omnisciencia — 27,7 frente a 46,1, con la advertencia sobre las alucinaciones del inicio de este artículo aplicada a ambas.

Vistos en conjunto, el patrón es que Qwen4-Max se mantiene firme en tareas de juicio profesional y pierde claramente en cualquier cosa que requiera razonamiento técnico sostenido. Esa es una afirmación más acotada y útil que «siete puntos de índice por detrás», y apunta a un despliegue diferente.

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.

Por qué vale la pena pagar por una tasa de alucinaciones del 4,3 %

Ponle cifras a la diferencia. Si un revisor puede verificar una afirmación en treinta segundos y una afirmación fabricada cuesta diez minutos de retrabajo cuando llega a producción, entonces el costo esperado de revisión por cada mil respuestas está determinado casi por completo por la proporción de respuestas fabricadas, más que por la proporción de respuestas incorrectas. El 4,3 % de Argon significa que aproximadamente una de cada veintitrés respuestas de su conjunto de respuestas incorrectas necesita retrabajo; el 28,4 % de Qwen4-Max significa aproximadamente una de cada tres y media.

Frente a eso, la prima del 52 % por tarea desaparece para cualquier flujo de trabajo que tenga un revisor humano, porque el tiempo del revisor empequeñece el gasto en tokens a casi cualquier tarifa cargada. Desaparece en sentido contrario para cualquier flujo de trabajo que no lo tenga, porque una respuesta fabricada sin revisor no es un costo, es un incidente.

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.

La cuestión del enrutamiento, respondida desde un solo lado.

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.

Esa asimetría es en sí misma la respuesta a la pregunta de despliegue para la mayoría de los equipos. El modelo que gana en la columna de alucinaciones es el que puedes llamar hoy a través del endpoint que ya tienes, y el modelo que gana en GDPval te cuesta un segundo contrato con proveedor para probarlo. Si quieres probar la afirmación sobre GDPval con tus propios datos antes de comprometerte, un DSL de enrutamiento te permite enviar un conjunto fijo de evaluación por ambas rutas desde una sola llamada y comparar las salidas lado a lado —lo que es un experimento más barato de lo que sugiere el precio por tarea de cualquiera de los dos modelos.

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.

Lo que los siete puntos no te dicen

Dos cosas cambiarían esta comparación, y ninguna de las dos está muy lejos. Una medición independiente de alucinaciones en un despliegue de Qwen4-Max con un prompt de sistema ajustado para la abstención pondría a prueba si el 28,4 % es una propiedad del modelo o de cómo se le consultó; ningún proveedor ha publicado una. Y una nueva ejecución de GDPval con una muestra más grande nos diría si la ventaja del 10,7 % de Qwen4-Max en tareas profesionales es real o ruido, porque los intervalos de ese benchmark son amplios y los dos modelos están lo bastante cerca como para que el orden se invierta.

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.