Une carte-titre générée indiquant « Qwen 4 vs Gemini 4 Argon : les 4,3 % qui décident de plus que les sept points », avec le sous-titre « Gemini 4 Argon hallucine sur 4,3 % des questions qu'il rate ; Qwen4-Max sur 28,4 % ». Trois lignes numérotées indiquent « score d'indice 42,9 contre 50,4, Artificial Analysis v5.0.1 », « coût par tâche d'indice complétée 3,27 $ contre 4,97 $ » et « taux d'hallucination 28,4 % contre 4,3 % ». Un pied de page indique « Scores et coût par tâche selon l'Artificial Analysis Intelligence Index v5.0.1 ; prix selon la grille tarifaire publiée de chaque fournisseur. » Style vectoriel plat sur fond blanc avec des accents bleu et cyan, la marque OrcaRouter composée en bas à droite.
Guides & Insights

Qwen 4 vs Gemini 4 Argon : le 4,3 % qui décide plus que les sept points

Auteur

Gideon Frost

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

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.

Deux modèles commercialisés sur le même créneau

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.

• Sortie, par million — Argon 10,00 $ ; Qwen4-Max 4,50 $ et 4,24 $. C’est l’écart le plus important : 2,2× sur le chiffre affiché.

• 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.

• Coût par tâche d'indexation terminée — Argon : 4,97 $ ; Qwen4-Max : 3,27 $. Malgré un débit de sortie 2,2 fois plus faible, Qwen4-Max n’est que 34 % moins cher par tâche, car l’essentiel des deux factures correspond aux entrées.

• Effort de raisonnement effectif — Argon est mesuré à high ; Qwen4-Max à xhigh. Les deux modèles exposent une échelle, et aucun des deux nombres n’est comparable à la valeur par défaut de l’autre modèle.

• Contexte — 1,000,000 de tokens sur Argon ; Qwen4-Max affiche le même million sur la fiche fournisseur, l’outil de suivi enregistrant 983,616 parce que l’entrée en mode réflexion y est plafonnée.

• 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.

La répartition par tâche ne favorise pas la carte la moins chère.

Décomposez les 4,97 $ et les 3,27 $, et la surprise est de savoir lequel consacre le plus à la réflexion. Argon émet 116 368 jetons de sortie par tâche d’indexation, dont 68 301 de raisonnement ; Qwen4-Max en émet 104 940, dont 68 914 de raisonnement. Le volume de raisonnement est presque identique. La différence se situe dans la réponse : Argon écrit 48 067 jetons de réponse finale par tâche, contre 36 025 pour Qwen4-Max. Argon est plus verbeux là où cela se voit et tout aussi verbeux là où cela ne se voit pas.

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.

Autant le dire clairement : il s’agit de coûts modélisés issus d’un outil de benchmark, et non de factures. Votre répartition de tokens sera différente, et le ratio entre les deux modèles variera en conséquence.

Là où Qwen4-Max est véritablement en avance

L'argument contre Qwen4-Max dans cette confrontation est solide, mais il n'est pas unanime, et deux lignes vont dans l'autre sens d'une manière qui compte.

• GDPval — Qwen4-Max 1 808,69 contre 1 633,51 pour Argon. Sur des tâches professionnelles économiquement fondées, Qwen4-Max devance de 10,7 % un modèle qui le dépasse de 7,5 points d’indice. C’est l’inversion la plus nette de la comparaison.

• FrontierCode 2.0 — 26,5 % contre 25,7 %. À un point près ; de fait, une égalité, dans la suite où l’avance phare d’Argon devrait se traduire par un écart.

• AutomationBench — 72,6 % contre 77,5 %. Argon l’emporte, mais de cinq points sur une suite plus proche de la bureautique que de l’ingénierie logicielle.

{{1}}• Terminal-Bench 4.0{{/1}} — {{2}}48,5 % contre 57,1 %{{/2}}. Ici, {{3}}l'avance d'Argon est réelle{{/3}} : {{4}}huit points et demi{{/4}} sur le travail piloté par shell.

• HLE Diamond — 44,9 % contre 56,7 %. Douze points sur les sciences dures.

• Terminal-Bench Science — 23,3 % contre 52,9 %. L’écart le plus large du tableau, et celui qui sépare le plus nettement la capacité de recherche des deux modèles.

• Précision d’Omniscience — 27,7 contre 46,1, avec la mise en garde sur les hallucinations mentionnée au début de cet article, appliquée aux deux.

Lu comme un ensemble, le schéma est que Qwen4-Max tient son rang sur les tâches de jugement professionnel et échoue lourdement sur tout ce qui exige un raisonnement technique soutenu. C’est une affirmation plus étroite et plus utile que « sept points d’indice de retard », et elle oriente vers un déploiement différent.

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.

Pourquoi il vaut la peine de payer pour un taux d’hallucination de 4,3 %

Chiffrez la différence. Si un relecteur peut vérifier une affirmation en trente secondes et qu’une affirmation fabriquée coûte dix minutes de reprise lorsqu’elle atteint la production, alors le coût de revue attendu pour mille réponses est presque entièrement déterminé par la part de réponses fabriquées plutôt que par la part de réponses erronées. Les 4,3 % d’Argon signifient qu’environ une réponse sur vingt-trois de son ensemble de réponses incorrectes nécessite une reprise ; les 28,4 % de Qwen4-Max signifient qu’environ une sur trois et demie.

En regard de cela, la prime de 52 % par tâche disparaît pour tout flux de travail comportant un relecteur humain, car le temps de relecture écrase la dépense en jetons à presque n’importe quel taux horaire chargé. Elle disparaît dans l’autre sens pour tout flux de travail qui n’en comporte pas, car une réponse fabriquée sans relecteur n’est pas un coût, c’est un 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.

La question du routage, traitée pour un seul côté

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.

Cette asymétrie constitue à elle seule la réponse à la question du déploiement pour la plupart des équipes. Le modèle qui l’emporte dans la colonne des hallucinations est celui que vous pouvez appeler dès aujourd’hui via le point de terminaison que vous possédez déjà, et le modèle qui l’emporte sur GDPval vous coûte un second contrat fournisseur pour être testé. Si vous voulez tester l’affirmation relative à GDPval sur vos propres données avant de vous engager, un DSL de routage vous permet d’envoyer un ensemble d’évaluation fixe sur les deux chemins à partir d’un seul appel et de comparer les sorties côte à côte — une expérience moins coûteuse que ne le suggère le prix par tâche de l’un ou l’autre modèle.

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.

Ce que les sept points ne vous disent pas

Deux choses changeraient cette comparaison, et aucune des deux n’est très éloignée. Une mesure indépendante des hallucinations sur un déploiement de Qwen4-Max avec une invite système ajustée pour l’abstention permettrait de tester si 28,4 % est une propriété du modèle ou de la manière dont il a été interrogé — aucun fournisseur n’en a publié. Et une nouvelle exécution de GDPval sur un échantillon plus grand nous dirait si l’avance de 10,7 % de Qwen4-Max sur les tâches professionnelles est réelle ou due au bruit, car les intervalles de ce benchmark sont larges et les deux modèles sont suffisamment proches pour que l’ordre s’inverse.

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.