MIDM K 3.0 Pro vs Gemini 4 Argon : dix fois le prix, cinquante points d’indice

Le moyen le moins coûteux de comparer Mi:dm K 3.0 Pro et Gemini 4 Argon n’est pas une fiche technique, c’est une division. Gemini 4 Argon coûte 2,00 $ par million de tokens d’entrée et 10,00 $ par million de tokens de sortie, et Artificial Analysis l’évalue à 1,99 $ pour exécuter une tâche de l’Intelligence Index. Mi:dm K 3.0 Pro coûte 0,20 $ et 0,80 $, et n’a aucun coût par tâche d’index car il n’a pas de score à l’index. La formulation honnête n’est donc pas « modèle bon marché contre modèle cher » — c’est un modèle mesuré dont le coût par unité de capacité est connu, face à un modèle non mesuré dont le coût par token est connu, et ces deux faits ne peuvent pas être soustraits l’un de l’autre. Ce qui peut être fait, c’est de chiffrer le risque : déterminer quel score le modèle coréen devrait obtenir pour que son avantage tarifaire survive au contact d’une charge de travail réelle, puis décider si ce chiffre est plausible.

Où en est chaque modèle au 11 novembre 2026

• Gemini 4 Argon — annoncé par Google le 30 septembre 2026 et généralement disponible sur l'API Gemini depuis le 13 octobre 2026. Contexte de 1 048 576 jetons, jusqu'à 943 718 jetons de sortie dans une seule réponse, et entrée multimodale couvrant le texte, les images, l'audio, la vidéo et les fichiers. Tarif de 2,00 $ en entrée et 10,00 $ en sortie par million, avec l'entrée mise en cache à 0,10 $.

• Mi:dm K 3.0 Pro — facturable sur la plateforme Token Factory de KT depuis le 29 octobre 2026 et référencé à l’international le 5 novembre. Contexte de 261 795 tokens, jusqu’à 235 615 tokens de sortie, texte en entrée et texte en sortie. 0,20 $ en entrée et 0,80 $ en sortie par million, entrée mise en cache à 0,04 $, avec une remise promotionnelle de 30 % actuellement appliquée sur la plateforme de KT.

• Évaluation indépendante — Gemini 4 Argon obtient un score de 52,6 sur l'Artificial Analysis Intelligence Index et se classe premier au Vals Index avec 68,90 %. Mi:dm K 3.0 Pro ne figure dans aucun des deux.

• Architecture — Google ne publie aucun nombre de paramètres pour Argon. KT publie le sien pour son modèle : 120B au total, 12B actifs, hybride Mamba/MoE/attention, servi à partir d’un checkpoint avec des experts NVFP4.

L'arithmétique qui détermine si le modèle bon marché vaut la peine d'être testé

Commençons par le coût réel d’une requête. Un document de 30 000 tokens résumé en 1 500 tokens est facturé 0,06 $ en entrée plus 0,015 $ en sortie sur Gemini 4 Argon, soit 0,075 $. La même requête sur Mi:dm K 3.0 Pro est facturée 0,006 $ plus 0,0012 $, soit 0,0072 $. Dix fois moins cher, à peu de chose près.

Voici maintenant la partie qui change la décision. Supposons que le modèle Gemini réussisse 92 % de ces résumés du premier coup et que le modèle coréen, non mesuré, en réussisse 84 %. Face à un prix dix fois plus élevé, le modèle bon marché l’emporte encore sur le seul coût des tokens — 0,0072 $ contre 0,075 $. Mais si le taux d’échec de 8 % exige une deuxième passe avec un modèle plus puissant, et si cette deuxième passe coûte plus cher que la première parce qu’elle inclut une vérification, le coût effectif par résumé accepté converge rapidement. C’est tout l’argument, et c’est pourquoi « ne pas avoir de benchmark » est un fait de tarification plutôt qu’une plainte éditoriale.

Mettez plutôt un chiffre sur le seuil de rentabilité. Pour que le modèle coréen soit le meilleur achat à dix fois moins cher sur une tâche vérifiable, il doit se situer à environ un facteur dix du rendement utile d’Argon par dollar. Si l’indice de 52,6 d’Argon correspond à un taux de réussite de tâche que vous connaissez déjà grâce à vos propres évaluations, la question est alors de savoir si un modèle hybride de 120B, au cinquième du prix du modèle phare de DeepSeek, se situe à moins de dix points de précision d’un modèle de pointe de Google. C’est possible. Personne ne l’a démontré, et la charge de la preuve incombe à la personne qui migre, pas à celle qui reste.

Coût par tâche, soit le chiffre qu’Artificial Analysis publie réellement

La tâche d'indexation d'Argon à 1,99 $ mérite d'être comprise, car elle ne correspond pas à son prix par token et c'est le chiffre qui rend honnête la comparaison entre modèles.

L’indice normalise le score en fonction des dépenses en tokens nécessaires pour l’obtenir ; un modèle verbeux et coûteux par tâche paraît donc moins bon que ne le laisse penser sa grille tarifaire. Les 1,99 $ d’Argon permettent un passage dans la suite de neuf évaluations qui compose l’Intelligence Index v5.0.1 — AA-Briefcase, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 et Terminal-Bench-Science. Exécuter une fois la suite complète sur Argon coûte 2 407 $. Sur GLM-5.3, un modèle moins cher de la même gamme, cela coûte 2 503 $ — davantage, malgré un tarif affiché plus bas, car le modèle consomme plus de tokens pour accomplir les mêmes tâches.

Cette inversion est précisément pourquoi il faut se méfier d’une comparaison pure de grilles tarifaires. Un modèle à 2 $ et 10 $ peut coûter moins cher à exploiter qu’un modèle à 1,40 $ et 4,40 $ s’il réfléchit moins et répond plus brièvement. Le généreux plafond de sortie de 235 615 tokens de Mi:dm K 3.0 Pro et sa trace de raisonnement exposée jouent tous deux en sens inverse : un modèle capable d’émettre du raisonnement et de longues réponses le fera, et la facture suivra les tokens de sortie plutôt que le prix d’entrée qui paraît si attractif.

L'entrée multimodale n'est pas une lacune fonctionnelle, c'est une lacune de pipeline.

Argon accepte le texte, les images, l’audio, la vidéo et les fichiers. Mi:dm K 3.0 Pro accepte le texte. Cette phrase ressemble à une case à cocher et constitue en réalité une différence architecturale dans ce qu’une équipe doit construire.

Un workflow documentaire sur Argon envoie le PDF. Un workflow documentaire sur Mi:dm K 3.0 Pro envoie le texte extrait, ce qui implique une étape d’OCR ou d’analyse syntaxique en amont du modèle, donc un second fournisseur, un second mode de défaillance et une seconde ligne de coût qui n’apparaît pas dans le tarif de 0,20 $. Pour un corpus de PDF numériques propres, l’étape d’extraction est bon marché et fiable. Pour les formulaires scannés, les captures d’écran de tableaux de bord, les diaporamas et les appels enregistrés, c’est au niveau de l’étape d’extraction que se logent les erreurs, et aucun tarif de modèle ne compense un parseur qui déforme un tableau.

L’audio et la vidéo tranchent entièrement la question pour les charges de travail qui les utilisent. Un modèle qui ne peut pas entendre un enregistrement d’appel n’est pas une option moins chère pour l’analyse de transcription ; il est hors catégorie.

1M contre 262K, et à quoi sert vraiment chaque nombre

La fenêtre d’un million de tokens d’Argon s’accompagne d’un plafond de sortie de 943 718 tokens, un couplage inhabituel — la plupart des modèles proposent une entrée longue et une sortie bien plus courte. La description de Google parle de prise en charge du décodage long : une seule réponse peut contenir environ un million de tokens. Il s’agit d’une capacité de génération de documents, et pas seulement de lecture de documents.

Les 261 795 paires d’entrée de Mi:dm K 3.0 Pro avec 235 615 en sortie, ce qui est proportionnellement similaire — le modèle peut écrire presque autant qu’il peut lire. La différence réside dans le plafond absolu. Un quart de million de jetons représente environ 190 000 mots, soit un livre volumineux. Un million, c’est quatre livres.

Les deux plafonds sont suffisamment généreux pour que la plupart des charges de travail n’en atteignent jamais aucun. Là où l’écart fait mal, c’est dans le cas devenu ordinaire en 2026 : un agent qui contient tout un dépôt, ou une tâche de recherche qui accumule une longue chaîne de résultats d’outils. Ces derniers dépassent 262K et continuent de croître, et la solution de contournement — compactage, résumé, récupération — est précisément la partie d’un harnais d’agent qui perd de l’information. La fenêtre d’Argon élimine ce mode de défaillance pour 738 000 jetons supplémentaires.

Coréen, et le cas que possède réellement le modèle coréen

Google ne s'entraîne pas spécifiquement pour le coréen ; il s'entraîne pour tout, et le coréen fait partie de ce tout. KT a construit quatre générations de modèles destinés au texte coréen, depuis les versions 12B et 2B centrées sur la Corée de Mi:dm 2.0 jusqu'à celle-ci, et les documents destinés aux entreprises décrivent cette gamme comme adaptée à la société, à la culture et aux connaissances métier coréennes.

Cette différence est bien réelle, de la même manière que le réglage par domaine l’est toujours : mesurable sur le vocabulaire et le registre du service client national, de la réglementation et des textes du secteur public, et invisible sur un benchmark de programmation en anglais. Si votre corpus est constitué de transcriptions de centres d’appels coréens, un modèle entraîné sur ce registre mérite d’être testé avant de supposer qu’un modèle de pointe l’emportera. Si votre corpus est du logiciel anglais, le réglage ne vaut rien et le plafond de 262K vaut moins que le million d’Argon.

Le test est bon marché et c’est le seul moyen de trancher. Prenez 200 éléments réels de votre propre corpus coréen, faites produire aux deux modèles une sortie structurée, puis évaluez-les par rapport à un corrigé tenu à l’écart. À 0,20 $ et 0,80 $, la moitié de cette expérience revenant au modèle coréen coûte bien moins d’un dollar ; celle d’Argon coûte environ huit dollars. Le résultat vaut plus que n’importe quel indice publié pour cette décision précise, car l’indice n’a pas été construit sur vos données.

Passer en revue une clé, et ce que cela change

Gemini 4 Argon est disponible sur OrcaRouter en tant que google/gemini-4-argon au tarif catalogue de Google, sans marge ajoutée — 2,00 $ en entrée, 10,00 $ en sortie, 0,10 $ pour la lecture du cache — aux côtés de plus de 200 autres modèles sur le même point de terminaison et la même facture. Mi:dm K 3.0 Pro est servi par KT uniquement ; nous ne le routons pas, et il n'existe aucun autre fournisseur pour celui-ci.

Cette asymétrie compte davantage ici que dans la plupart des comparaisons, car les deux modèles se situent aux extrémités opposées d’un profil de risque. Argon est un modèle routé : si le point de terminaison de Google ralentit ou renvoie des erreurs, une règle de routage peut transférer la requête vers un autre modèle sans que l’application ne s’en aperçoive. Mi:dm K 3.0 Pro est un appel direct à l’infrastructure d’une seule entreprise, et sa disponibilité de 100 % relevée sur la dernière journée est une mesure de ce seul point de terminaison — honnête, et non une garantie, car il n’y a rien vers quoi basculer en cas de défaillance.

Le modèle viable consiste à conserver Argon comme route par défaut pour tout ce qui doit réussir, et à appeler directement le modèle coréen, derrière votre propre délai d’expiration et votre propre mécanisme de repli, pour le palier de gros volume où une requête échouée peut simplement être réessayée ou abandonnée. Sur OrcaRouter, la règle de repli peut désigner un modèle moins cher pour la nouvelle tentative, ce qui permet à une expérience dix fois moins chère de le rester même lorsque le point de terminaison bon marché dysfonctionne. Ce que nous ne pouvons pas faire, c’est basculer sur Mi:dm K 3.0 Pro lui-même, car un fournisseur ne représente qu’une seule porte.

À quoi sert chaque modèle, expliqué simplement

Gemini 4 Argon est destiné aux tâches où les entrées sont désordonnées, le contexte est long ou le résultat compte. Il lit les images, l’audio et la vidéo, gère un million de tokens, en rédige près d’un million, obtient 52,6 sur un indice indépendant et se classe premier au Vals Index avec 68,90 % — un benchmark en finance, droit, programmation et fiscalité où une avance de cinq points sur le modèle suivant constitue un écart important. Il coûte dix fois plus cher que le modèle coréen et environ un cinquième de ce que coûte Claude Opus 5.5 par tâche de l’indice, ce qui le place au milieu de la bande frontière plutôt qu’à son sommet.

Mi:dm K 3.0 Pro est destiné aux travaux où l’entrée est du texte, où le contexte tient dans un quart de million de tokens, où la sortie est vérifiable et où le volume domine. Il offre un plafond de sortie plus élevé que la plupart des modèles à son prix, une architecture hybride vraiment intéressante, un seul fournisseur et aucune évaluation publiée, quelle qu’elle soit. Son prix promotionnel de 0,14 $ et 0,56 $ sur la propre plateforme de KT renforce l’argument en faveur des gros volumes tant qu’il dure.

L’écart entre ces deux paragraphes n’est pas un verdict sur la qualité — c’est l’absence de verdict. Un modèle sans score n’est pas un mauvais modèle ; c’est un inconnu, et les inconnus sont testés à petite échelle avant qu’on ne migre vers eux. Voilà toute la recommandation : Argon là où la réponse doit être juste, le modèle coréen là où la réponse doit être bon marché et où quelqu’un vérifie, et un test de 200 éléments sur votre propre corpus pour déterminer lequel de ces deux cas décrit votre prochaine charge de travail.