Una card di titolo generata che recita "Qwen 4 vs Gemini 4 Argon: il 4,3% che decide più dei sette punti", con il sottotitolo "Gemini 4 Argon allucina sul 4,3% delle domande su cui sbaglia; Qwen4-Max sul 28,4%". Tre righe numerate recitano "punteggio dell'indice 42,9 contro 50,4, Artificial Analysis v5.0.1", "costo per attività completata dell'indice 3,27 $ contro 4,97 $" e "tasso di allucinazione 28,4% contro 4,3%". Un piè di pagina recita "Punteggi e costo per attività secondo Artificial Analysis Intelligence Index v5.0.1; prezzi secondo il tariffario pubblicato di ciascun fornitore." Stile vettoriale piatto su bianco con accenti blu e ciano, il marchio OrcaRouter composto in basso a destra.
Guides & Insights

Qwen 4 vs Gemini 4 Argon: il 4,3% che decide più dei sette punti

Autore

Gideon Frost

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

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.

Due modelli venduti nella stessa fascia

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.

• Output, per milione — Argon $10,00; Qwen4-Max $4,50 e $4,24. Questo è il divario maggiore: 2,2× sul numero principale.

• 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.

• Costo per attività di indicizzazione completata — Argon 4,97 $; Qwen4-Max 3,27 $. Nonostante un tasso di output 2,2 volte inferiore, Qwen4-Max costa solo il 34% in meno per attività, perché la maggior parte di entrambi i costi è dovuta all'input.

Sforzo di ragionamento effettivo — Argon viene misurato a high; Qwen4-Max a xhigh. Entrambi i modelli espongono una scala, e nessuno dei due valori è confrontabile con il valore predefinito dell'altro modello.

• Contesto — 1.000.000 di token su Argon; Qwen4-Max è lo stesso milione sulla scheda del fornitore, con il tracker che registra 983.616 perché lì l'input in modalità thinking è limitato.

• 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 ripartizione per singola attività non favorisce la scheda più economica

Scomponi i 4,97 $ e i 3,27 $ e la sorpresa è quale dei due spende di più per pensare. Argon emette 116.368 token di output per attività di indicizzazione, di cui 68.301 sono ragionamento; Qwen4-Max ne emette 104.940, di cui 68.914 sono ragionamento. Il volume di ragionamento è quasi identico. La differenza sta nella risposta: Argon scrive 48.067 token di risposta finale per attività contro i 36.025 di Qwen4-Max. Argon è più prolisso dove è visibile ed altrettanto prolisso dove non lo è.

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 dirlo chiaramente: questi sono costi modellati da un harness di benchmark, non fatture. La tua combinazione di token sarà diversa, e il rapporto tra i due modelli varierà di conseguenza.

Dove Qwen4-Max è davvero in vantaggio

Le argomentazioni contro Qwen4-Max in questo confronto sono solide ma non unanimi, e due righe vanno nella direzione opposta in modo tutt'altro che irrilevante.

• {{1}}GDPval{{/1}} — {{2}}Qwen4-Max 1.808,69{{/2}} contro {{3}}1.633,51 di Argon{{/3}}. Su compiti professionali economicamente fondati, {{4}}Qwen4-Max è avanti del 10,7%{{/4}} rispetto a un modello che lo supera di {{5}}7,5 punti indice{{/5}}. Questa è l'inversione singola più evidente del confronto.

FrontierCode 2.0 — 26,5% contro 25,7%. Entro un punto; di fatto un pareggio, sulla suite in cui il vantaggio di punta di Argon lascerebbe prevedere un divario.

• AutomationBench — 72,6% contro 77,5%. Argon vince, ma di cinque punti su una suite più vicina all'automazione d'ufficio che all'ingegneria del software.

• Terminal-Bench 4.0 — 48,5% contro 57,1%. Qui il vantaggio di Argon è reale: otto punti e mezzo sul lavoro guidato dalla shell.

• HLE Diamond — 44,9% contro 56,7%. Dodici punti sulle scienze dure.

• Terminal-Bench Science — 23,3% contro 52,9%. Il divario più ampio della classifica, e quello che separa più nettamente la capacità di ricerca dei due modelli.

• Accuratezza di Omniscience — 27,7 contro 46,1, con l'avvertenza sulle allucinazioni dall'inizio di questo articolo applicata a entrambi.

Letti nel loro insieme, il quadro è che Qwen4-Max se la cava bene nei compiti che richiedono giudizio professionale e perde nettamente in tutto ciò che richiede un ragionamento tecnico prolungato. È un'affermazione più circoscritta e più utile di "sette punti indice di distacco", e indica un diverso scenario di deployment.

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.

Perché vale la pena pagare per un tasso di allucinazione del 4,3%

Metti un numero sulla differenza. Se un revisore può verificare un'affermazione in trenta secondi e un'affermazione fabbricata costa dieci minuti di rilavorazione quando arriva in produzione, allora il costo di revisione previsto per mille risposte è determinato quasi interamente dalla quota di fabbricate plutôt che dalla quota di errate. Il 4,3% di Argon significa che circa una risposta su ventitré del suo insieme di risposte errate necessita di rilavorazione; il 28,4% di Qwen4-Max significa circa una su tre e mezzo.

Rispetto a ciò, il premio del 52% per attività scompare per qualsiasi flusso di lavoro che preveda un revisore umano, perché il tempo del revisore rende irrisorio il costo dei token a quasi qualsiasi tariffa comprensiva di oneri. Scompare nella direzione opposta per qualsiasi flusso di lavoro che non lo preveda, perché una risposta inventata senza revisore non è un costo, è 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 questione del routing, risolta per un solo lato

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.

Quella asimmetria è di per sé la risposta alla domanda sul deployment per la maggior parte dei team. Il modello che vince nella colonna delle allucinazioni è quello che puoi chiamare oggi tramite l'endpoint che già hai, e il modello che vince su GDPval ti costa un secondo contratto con un fornitore per poterlo provare. Se vuoi testare l'affermazione su GDPval sui tuoi dati prima di impegnarti, un DSL di routing ti consente di inviare un set di valutazione fisso lungo entrambi i percorsi da un'unica chiamata e confrontare gli output affiancati — il che è un esperimento più economico di quanto suggerisca il prezzo per attività di entrambi i modelli.

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.

Ciò che i sette punti non ti dicono

Due cose cambierebbero questo confronto, e nessuna delle due è lontana. Una misurazione indipendente delle allucinazioni su un deployment di Qwen4-Max con un system prompt ottimizzato per l'astensione metterebbe alla prova se il 28,4% sia una proprietà del modello o del modo in cui è stato interrogato — nessun fornitore ne ha pubblicata una. E una nuova esecuzione di GDPval su un campione più ampio ci direbbe se il vantaggio del 10,7% di Qwen4-Max sui compiti professionali sia reale o rumore, perché gli intervalli di quel benchmark sono ampi e i due modelli sono abbastanza vicini da poter ribaltare l'ordinamento.

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.