MIDM K 3.0 Pro vs Gemini 4 Argon: dieci volte il prezzo, cinquanta punti di indice

Il modo più economico per confrontare Mi:dm K 3.0 Pro e Gemini 4 Argon non è una scheda tecnica, è una divisione. Gemini 4 Argon costa $2,00 per milione di token di input e $10,00 per milione di token di output, e Artificial Analysis lo misura a $1,99 per eseguire un'attività dell'Intelligence Index. Mi:dm K 3.0 Pro costa $0,20 e $0,80, e non ha un costo per attività dell'indice perché non ha un punteggio dell'indice. Quindi la formulazione onesta non è "modello economico contro modello costoso" — è un modello misurato con un costo noto per unità di capacità contro uno non misurato con un costo noto per token, e questi due fatti non possono essere sottratti l'uno dall'altro. Ciò che si può fare è quantificare il rischio: calcolare quale punteggio dovrebbe ottenere il modello coreano prima che il suo vantaggio di prezzo resista al contatto con un carico di lavoro reale, poi decidere se quel numero è plausibile.

Dove si posiziona ciascun modello l'11 novembre 2026

• Gemini 4 Argon — annunciato da Google il 30 settembre 2026 e generalmente disponibile tramite l'API Gemini dal 13 ottobre 2026. Contesto di 1.048.576 token, fino a 943.718 token di output in una singola risposta e input multimodale per testo, immagini, audio, video e file. Prezzo: 2,00 $ in input e 10,00 $ in output per milione, con input in cache a 0,10 $.

• Mi:dm K 3.0 Pro — fatturabile sulla piattaforma Token Factory di KT dal 29 ottobre 2026 e disponibile a livello internazionale dal 5 novembre. Contesto di 261.795 token, fino a 235.615 token di output, input e output testuali. $0,20 per input e $0,80 per output per milione, input in cache a $0,04, con uno sconto promozionale del 30% attualmente applicato sulla piattaforma di KT.

• Valutazione indipendente — Gemini 4 Argon ottiene 52,6 sull'Artificial Analysis Intelligence Index e si classifica al primo posto nel Vals Index con il 68,90%. Mi:dm K 3.0 Pro non compare in nessuno dei due.

• Architettura — Google non pubblica alcun conteggio dei parametri per Argon. KT ne pubblica uno per il suo modello: 120B totali, 12B attivi, ibrido Mamba/MoE/attention, servito da un checkpoint con esperti NVFP4.

L'aritmetica che decide se vale la pena testare il modello economico

Partiamo da quanto costa una richiesta reale. Un documento da 30.000 token riassunto in 1.500 token costa $0,06 di input più $0,015 di output su Gemini 4 Argon — $0,075. La stessa richiesta su Mi:dm K 3.0 Pro costa $0,006 più $0,0012, ovvero $0,0072. Dieci volte meno caro, all'incirca.

Ora la parte che cambia la decisione. Supponiamo che il modello Gemini azzecchi il 92% di quei riepiloghi alla prima passata e che il modello coreano, non misurato, arrivi all’84%. A un prezzo dieci volte superiore, il modello economico vince comunque sul puro costo per token: $0.0072 contro $0.075. Ma se il tasso di errore dell’8% richiede una seconda passata con un modello più forte, e se quella seconda passata costa più della prima perché include la verifica, il costo effettivo per riepilogo accettato converge rapidamente. Questo è l’intero argomento, ed è per questo che «nessun benchmark» è un fatto di prezzo anziché una lamentela editoriale.

Metti invece un numero sul punto di pareggio. Perché il modello coreano sia l'acquisto migliore a un prezzo dieci volte inferiore su un compito verificabile, deve restare entro circa un fattore dieci dall'output utile di Argon per dollaro. Se l'indice 52,6 di Argon corrisponde a un tasso di successo sul compito che conosci già dalle tue valutazioni, allora la domanda è se un ibrido da 120B, a un quinto del prezzo dell'ammiraglia DeepSeek, arrivi anche solo a collocarsi entro dieci punti di accuratezza da un modello di frontiera di Google. Potrebbe. Nessuno l'ha dimostrato, e l'onere della prova spetta a chi migra, non a chi resta.

Costo per attività, ovvero il numero che Artificial Analysis pubblica effettivamente

Vale la pena capire il prezzo di $1.99 per attività indice di Argon, perché non è la stessa cosa del suo prezzo per token ed è il dato che rende onesto il confronto tra modelli.

L'indice normalizza il punteggio in base alla spesa in token necessaria per ottenerlo, così un modello prolisso e costoso per attività appare peggiore di quanto suggerisca la sua tariffa. I 1,99 $ di Argon acquistano un passaggio attraverso la suite di nove valutazioni che 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 e Terminal-Bench-Science. Eseguire una volta l'intera suite su Argon costa 2.407 $. Su GLM-5.3, un modello più economico nella stessa fascia, costa 2.503 $ — di più, nonostante una tariffa di listino inferiore, perché il modello impiega più token per completare le stesse attività.

Quell'inversione è il motivo per cui diffidare di un semplice confronto basato sul listino prezzi. Un modello a 2 $ e 10 $ può essere più economico da gestire di uno a 1,40 $ e 4,40 $ se pensa meno e risponde in modo più breve. Il generoso limite di output di 235.615 token di Mi:dm K 3.0 Pro e la traccia di ragionamento esposta giocano entrambi nella direzione opposta: un modello in grado di emettere ragionamenti e risposte lunghe lo farà, e il conto segue i token di output anziché il prezzo di input che sembra così allettante.

L'input multimodale non è una lacuna di funzionalità, è una lacuna nella pipeline

Argon accetta testo, immagini, audio, video e file. Mi:dm K 3.0 Pro accetta testo. Questa frase sembra una casella da spuntare ed è in realtà una differenza architetturale in ciò che un team deve costruire.

Un workflow documentale su Argon invia il PDF. Un workflow documentale su Mi:dm K 3.0 Pro invia il testo estratto, il che implica una fase di OCR o di parsing davanti al modello, quindi un secondo fornitore, una seconda modalità di errore e una seconda voce di costo che non compare nella tariffa di $0.20. Per un corpus di PDF digitali puliti, la fase di estrazione è economica e affidabile. Per moduli scansionati, screenshot di dashboard, presentazioni e chiamate registrate, è nella fase di estrazione che risiedono gli errori, e nessun prezzo del modello può compensare un parser che rovina una tabella.

Audio e video chiudono del tutto la questione per i carichi di lavoro che li utilizzano. Un modello che non è in grado di ascoltare la registrazione di una chiamata non è un'opzione più economica per l'analisi della trascrizione; è al di fuori della categoria.

Contesto: 1M contro 262K, e a cosa serve davvero ciascun numero

La finestra da un milione di token di Argon si abbina a un tetto di output di 943.718 token, un abbinamento insolito — la maggior parte dei modelli offre un input lungo e un output molto più breve. La documentazione di Google lo descrive come supporto alla decodifica lunga: una singola risposta può contenere circa un milione di token. Si tratta di una capacità di generazione di documenti, non solo di lettura di documenti.

I 261.795 input di Mi:dm K 3.0 Pro si abbinano a 235.615 output, il che è proporzionalmente simile — il modello può scrivere quasi quanto può leggere. La differenza è il tetto assoluto. Un quarto di milione di token corrisponde a circa 190.000 parole, ovvero un libro voluminoso. Un milione equivale a quattro libri.

Entrambi i limiti massimi sono così ampi che la maggior parte dei carichi di lavoro non li raggiunge mai. Il divario si fa sentire nel caso ormai comune nel 2026: un agente che contiene un intero repository, o un'attività di ricerca che accumula una lunga catena di risultati degli strumenti. Questi superano i 262K e non smettono di crescere, e la soluzione alternativa — compattazione, sintesi, recupero — è esattamente la parte di un harness per agenti che perde informazioni. La finestra di Argon elimina quella modalità di errore per altri 738.000 token.

Il coreano, e il caso che il modello coreano ha effettivamente

Google non addestra specificamente per il coreano; addestra per tutto e il coreano è una delle cose che rientrano nel tutto. KT ha sviluppato quattro generazioni di modelli destinati al testo coreano, dalle versioni 12B e 2B di Mi:dm 2.0 incentrate sulla Corea fino a questa, e i materiali aziendali descrivono la linea come ottimizzata per la società, la cultura e la conoscenza di dominio coreane.

Quella differenza è reale nel modo in cui il fine-tuning di dominio è sempre reale: misurabile sul vocabolario e sul registro del servizio clienti nazionale, dei testi normativi e del settore pubblico, e invisibile su un benchmark di programmazione in inglese. Se il tuo corpus è composto da trascrizioni di call centre coreani, un modello addestrato su quel registro merita di essere testato prima di dare per scontato che vinca un modello di frontiera. Se il tuo corpus è software inglese, il fine-tuning non vale nulla e il tetto di 262K vale meno del milione di Argon.

Il test è economico ed è l'unico modo per risolverlo. Prendi 200 elementi reali dal tuo corpus coreano, fai produrre a entrambi i modelli un output strutturato e valuta rispetto a una chiave di risposte tenuta da parte. A $0,20 e $0,80, la metà di quell'esperimento relativa al modello coreano costa ben meno di un dollaro; la metà di Argon costa circa otto. Il risultato vale più di qualsiasi indice pubblicato per questa decisione specifica, perché l'indice non è stato costruito sui tuoi dati.

Esaminare una singola chiave e ciò che cambia

Gemini 4 Argon è disponibile su OrcaRouter come google/gemini-4-argon al prezzo di listino di Google, senza alcun ricarico aggiunto — 2,00 $ per input, 10,00 $ per output, 0,10 $ per lettura cache — insieme a oltre 200 altri modelli sullo stesso endpoint e sulla stessa fattura. Mi:dm K 3.0 Pro è servito esclusivamente da KT; non lo instradiamo e non esiste un secondo provider per esso da nessuna parte.

Quell'asimmetria conta più qui che nella maggior parte dei confronti, perché i due modelli si collocano agli estremi opposti di un profilo di rischio. Argon è un modello instradato: se l'endpoint di Google rallenta o genera errori, una regola di routing può spostare la richiesta su un altro modello senza che l'applicazione se ne accorga. Mi:dm K 3.0 Pro è una chiamata diretta all'infrastruttura di una singola azienda, e il suo valore di disponibilità del 100% nell'ultimo giorno è una misurazione di quell'unico endpoint — onesta, e non una garanzia, perché non c'è nulla a cui fare failover.

Lo schema praticabile è mantenere Argon come default instradato per tutto ciò che deve andare a buon fine e chiamare direttamente il modello coreano, dietro il tuo timeout e il tuo fallback, per il livello di volume in cui una richiesta fallita può semplicemente essere ritentata o scartata. Su OrcaRouter la regola di fallback può indicare un modello più economico per il retry, ed è così che un esperimento dieci volte più economico resta economico anche quando l'endpoint economico si comporta male. Quello che non possiamo fare è passare in failover su Mi:dm K 3.0 Pro stesso, perché un provider è una porta.

A cosa serve ciascun modello, detto in modo chiaro

Gemini 4 Argon è pensato per i lavori in cui l'input è disordinato, il contesto è lungo o l'output conta. Legge immagini, audio e video, gestisce un milione di token, ne scrive quasi un milione, ottiene 52,6 su un indice indipendente e si classifica primo sul Vals Index con il 68,90% — un benchmark per finanza, ambito legale, programmazione e fisco in cui un vantaggio di cinque punti sul modello successivo è un divario ampio. Costa dieci volte quanto il modello coreano e circa un quinto di quanto costa Claude Opus 5.5 per attività sull'indice, il che lo colloca nella fascia media della frontiera anziché al vertice.

Mi:dm K 3.0 Pro è pensato per i lavori in cui l'input è testo, il contesto sta in un quarto di milione di token, l'output è verificabile e il volume domina. Ha un tetto di output più alto rispetto alla maggior parte dei modelli nella sua fascia di prezzo, un'architettura ibrida davvero interessante, un unico fornitore e nessuna valutazione pubblicata di alcun tipo. Il suo prezzo promozionale di $0.14 e $0.56 sulla piattaforma di KT rende più solida la convenienza per i grandi volumi, finché dura.

Il divario tra quei due paragrafi non è un verdetto sulla qualità — è l'assenza di un verdetto. Un modello senza punteggio non è un modello scarso; è un'incognita, e le incognite vengono testate su piccola scala prima di migrarvi. Questa è l'intera raccomandazione: Argon dove la risposta deve essere corretta, il modello coreano dove la risposta deve essere economica e qualcuno sta controllando, e un test da 200 elementi sul tuo corpus per scoprire quale dei due descrive il tuo prossimo carico di lavoro.