Kartu judul yang dihasilkan bertuliskan 'Qwen 4 vs Gemini 4 Argon: 4,3% yang menentukan lebih dari tujuh poin', dengan subjudul 'Gemini 4 Argon berhalusinasi pada 4,3% pertanyaan yang dijawabnya salah; Qwen4-Max pada 28,4%'. Tiga baris bernomor berbunyi 'skor indeks 42,9 berbanding 50,4, Artificial Analysis v5.0.1', 'biaya per tugas indeks yang diselesaikan $3,27 berbanding $4,97' dan 'tingkat halusinasi 28,4% berbanding 4,3%'. Footer berbunyi 'Skor dan biaya per tugas menurut Artificial Analysis Intelligence Index v5.0.1; harga menurut kartu tarif resmi masing-masing vendor.' Gaya vektor datar di atas putih dengan aksen biru dan sian, tanda OrcaRouter dikomposit di kanan bawah.
Guides & Insights

Qwen 4 vs Gemini 4 Argon: 4,3% yang Menentukan Lebih dari Tujuh Poin

Penulis

Gideon Frost

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Papan skor yang selalu dijadikan acuan dalam pertandingan ini adalah indeks utama: 42,9 untuk Qwen4-Max versus 50,4 untuk G​emini 4 Argon, selisih tujuh setengah poin untuk keunggulan G​oogle. Namun angka yang seharusnya menghentikan keputusan penerapan berada tiga kolom di sebelah kanan angka yang dikutip semua orang. G​emini 4 Argon berhalusinasi pada 4,3% dari pertanyaan yang dijawabnya dengan salah. Qwen4-Max berhalusinasi pada 28,4% di antaranya. Itu berarti faktor 6,6, dan bagi siapa pun yang merilis output yang dibaca manusia, nilainya lebih dari tujuh poin indeks.

Kedua angka tersebut berasal dari suite yang sama, Artificial Analysis v5.0.1, dan keduanya bukan klaim vendor. Google belum menerbitkan tingkat halusinasi untuk Argon, dan Alibaba belum menerbitkannya untuk Qwen4-Max. Pengukuran independen adalah satu-satunya yang ada.

Dua model dijual pada slot yang sama

Keduanya adalah model unggulan sejuta token yang mampu menangani gambar dan menghasilkan teks, dari perusahaan yang membuat silikonnya sendiri. Qwen4-Max mulai dikenakan tarif meteran pada 16 November 2026 di enam region A​libaba Cloud; G​emini 4 Argon telah dijual sejak 30 September 2026 melalui API G​oogle. Kartu-kartu spesifikasinya cukup berimbang sehingga harga bukan pembeda seperti yang diasumsikan orang.

• Input, per juta token — G​emini 4 Argon $2.00; Qwen4-Max $1.50 di Singapura dan $1.413 di lima wilayah lainnya. G​oogle 33% lebih mahal pada perbandingan Singapura dan 41% lebih mahal terhadap tarif Global.

• Keluaran, per juta — Argon $10,00; Qwen4-Max $4,50 dan $4,24. Inilah selisih yang lebih besar: 2,2× pada angka utama.

Input yang di-cache — Argon $0,10 per juta; Qwen4-Max $0,075 per pembacaan, ditambah tarif penulisan yang dipublikasikan sebesar $1,875 (lima menit) dan $3,00 (satu jam) yang tidak dirinci dengan cara yang sama oleh Google.

• Biaya per tugas indeks yang diselesaikan — Argon $4,97; Qwen4-Max $3,27. Meskipun laju output 2,2× lebih rendah, Qwen4-Max hanya 34% lebih murah per tugas, karena sebagian besar dari kedua tagihan adalah input.

• Upaya penalaran efektif — Argon diukur pada high; Qwen4-Max pada xhigh. Kedua model menyediakan jenjang, dan tidak satu pun angka tersebut sebanding dengan default model lainnya.

• Konteks — 1.000.000 token pada Argon; Qwen4-Max adalah satu juta yang sama di kartu vendor, dengan pelacak mencatat 983.616 karena input mode berpikir dibatasi di sana.

• Host — Argon dilayani oleh G​oogle; Qwen4-Max oleh A​libaba Cloud. Keduanya bukan model 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.

Pembagian per tugas tidak menguntungkan kartu yang lebih murah

Uraikan $4.97 dan $3.27, dan kejutannya adalah mana yang menghabiskan lebih banyak untuk berpikir. Argon menghasilkan 116,368 token keluaran per tugas indeks, yang 68,301 di antaranya adalah penalaran; Qwen4-Max menghasilkan 104,940, yang 68,914 di antaranya adalah penalaran. Volume penalarannya hampir identik. Perbedaannya ada pada jawaban: Argon menulis 48,067 token jawaban akhir per tugas, sedangkan Qwen4-Max 36,025. Argon lebih bertele-tele pada bagian yang terlihat dan sama bertele-telenya pada bagian yang tidak terlihat.

Itu adalah anomali yang menggembirakan bagi G​emini, karena berarti tarif output 2,2× membeli 33% lebih banyak teks jawaban. Premi per tugas sebesar 52% karenanya lebih kecil daripada yang disiratkan kartu tarif, dan untuk beban kerja yang didominasi output — generasi panjang, kode yang ditulis model sendiri — selisihnya menyempit lebih jauh. Untuk beban kerja yang didominasi input, yang mencakup sebagian besar RAG dan sebagian besar loop agen, tarif input Qwen4-Max yang berperan.

Perlu dinyatakan secara gamblang: ini adalah biaya yang dimodelkan dari harness benchmark, bukan faktur. Komposisi token Anda akan berbeda, dan rasio antara kedua model akan ikut bergeser.

Di mana Qwen4-Max benar-benar unggul

Argumen yang menentang Qwen4-Max dalam pertarungan ini kuat, tetapi tidak bulat, dan dua baris bergerak ke arah sebaliknya dengan cara yang penting.

• GDPval — Qwen4-Max 1.808,69 dibandingkan Argon 1.633,51. Pada tugas profesional yang berbasis ekonomi, Qwen4-Max unggul 10,7% atas model yang mengunggulinya sebesar 7,5 poin indeks. Ini adalah inversi tunggal paling jelas dalam perbandingan tersebut.

• FrontierCode 2.0 — 26,5% berbanding 25,7%. Selisihnya dalam satu poin; praktis imbang, pada suite yang menurut keunggulan utama Argon seharusnya menunjukkan kesenjangan.

• AutomationBench — 72,6% berbanding 77,5%. Argon menang, tetapi dengan selisih lima poin pada rangkaian uji yang lebih mendekati otomasi kantor daripada rekayasa perangkat lunak.

• Terminal-Bench 4.0 — 48,5% dibandingkan 57,1%. Di sini keunggulan Argon nyata: delapan setengah poin pada pekerjaan berbasis shell.

• HLE Diamond — 44,9% dibandingkan 56,7%. Selisih dua belas poin pada sains yang sulit.

• Terminal-Bench Science — 23,3% berbanding 52,9%. Celah terlebar di papan peringkat, dan yang paling jelas memisahkan kemampuan riset kedua model.

• Akurasi Omniscience — 27.7 dibandingkan 46.1, dengan peringatan halusinasi dari bagian awal tulisan ini yang berlaku untuk keduanya.

Jika dibaca sebagai satu rangkaian, polanya adalah Qwen4-Max mampu bersaing pada tugas-tugas pertimbangan profesional dan kalah telak pada hal apa pun yang membutuhkan penalaran teknis berkelanjutan. Itu pernyataan yang lebih sempit dan lebih berguna daripada tertinggal tujuh poin indeks, dan itu mengarah pada penerapan yang berbeda.

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.

Mengapa tingkat halusinasi 4,3% layak dibayar

Beri angka pada perbedaannya. Jika seorang peninjau dapat memeriksa sebuah klaim dalam tiga puluh detik dan klaim yang dibuat-buat memakan sepuluh menit kerja ulang saat mencapai produksi, maka biaya peninjauan yang diharapkan per seribu jawaban hampir sepenuhnya didorong oleh proporsi klaim yang dibuat-buat, bukan proporsi yang salah. Angka 4,3% Argon berarti kira-kira satu dari dua puluh tiga jawaban dalam kumpulan jawaban salahnya perlu dikerjakan ulang; angka 28,4% Qwen4-Max berarti kira-kira satu dari tiga setengah.

Dibandingkan dengan itu, premi 52% per tugas hilang untuk alur kerja apa pun yang memiliki peninjau manusia, karena waktu peninjau jauh melebihi pengeluaran token pada hampir semua tarif penuh. Premi itu hilang ke arah sebaliknya untuk alur kerja apa pun yang tidak memilikinya, karena jawaban yang dibuat-buat tanpa peninjau bukanlah biaya, melainkan insiden.

Catatan jujur: tingkat halusinasi diukur pada kumpulan pertanyaan tetap dan merupakan sifat dari pengukuran sama seperti modelnya. Google dapat mengubah perilaku Argon dengan revisi system prompt besok dan angka ini tidak akan berubah sampai rangkaian uji dijalankan ulang. Anggap ini sebagai prior yang kuat, bukan jaminan.

Pertanyaan perutean, dijawab untuk satu sisi

Gemini 4 Argon ada di katalog kami sebagai google/gemini-4-argon dengan harga daftar Google, $2.00 untuk input dan $10.00 untuk output per juta, dengan markup 0% di atasnya — tarif yang sama yang dipublikasikan Google, diteruskan apa adanya, bukan diberi harga ulang. Qwen4-Max tidak ada di katalog kami: pengenal qwen4 mengembalikan not-found, rutenya adalah API Model Studio milik Alibaba dan beberapa platform pihak ketiga, dan model Qwen terdekat yang kami layani adalah qwen/qwen3.8-max dengan harga $2.00 dan $6.00.

Asimetri itu sendiri adalah jawaban atas pertanyaan penerapan bagi sebagian besar tim. Model yang menang di kolom halusinasi adalah model yang dapat Anda panggil hari ini melalui endpoint yang sudah Anda miliki, dan model yang menang pada GDPval membutuhkan kontrak vendor kedua untuk dicoba. Jika Anda ingin menguji klaim GDPval pada data Anda sendiri sebelum berkomitmen, DSL perutean memungkinkan Anda mengirim set evaluasi tetap melalui kedua jalur dari satu panggilan dan membandingkan outputnya secara berdampingan — yang merupakan eksperimen lebih murah daripada yang disiratkan oleh harga per tugas masing-masing model.

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.

Apa yang tidak disampaikan oleh tujuh poin itu kepada Anda

Dua hal akan mengubah perbandingan ini, dan keduanya tidak jauh. Pengukuran halusinasi independen pada deployment Qwen4-Max dengan prompt sistem yang disetel untuk abstensi akan menguji apakah 28,4% adalah properti model atau cara model itu ditanyai — belum ada vendor yang menerbitkannya. Dan pengujian ulang GDPval pada sampel yang lebih besar akan memberi tahu kita apakah keunggulan 10,7% Qwen4-Max pada tugas profesional itu nyata atau noise, karena interval benchmark tersebut lebar dan kedua model cukup berdekatan sehingga urutannya bisa terbalik.

Sampai salah satu dari keduanya hadir, pembagiannya jelas dan bukan pembagian yang disarankan oleh indeks. Penalaran teknis berkelanjutan, sains, pekerjaan shell, atau apa pun yang dibaca pelanggan tanpa ditinjau: G​emini 4 Argon, dan premi 52% adalah angka yang paling tidak menarik dalam kesepakatan ini. Penilaian profesional yang berdasar dalam volume besar, dengan langkah peninjauan yang memang akan Anda jalankan: Qwen4-Max 10.7% lebih baik pada suite yang mengukur tepat hal itu, dan 34% lebih murah per tugas sementara Anda mencari tahu.