
Qwen 4 対 Gemini 4 Argon:7ポイント以上を左右する4.3%
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 90 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 87 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 133 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 100万トークンあたり · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100万トークンあたり · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955知能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855知能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100万トークンあたり · 219 tok/s
この対戦で誰もが頼りにするスコアボードは主要指標:42.9はQwen4-Max、これに対して50.4を示すのはGemini 4 Argonで、Google有利の7.5ポイント差だ。しかし、デプロイ判断を止めるべき数字は、誰もが引用する数字の3列右にある。Gemini 4 Argonは、間違える質問の4.3%でハルシネーションを起こす。Qwen4-Maxはその28.4%でハルシネーションを起こす。これは6.6倍であり、人間が読む出力をリリースする人にとっては、指標の7ポイント以上に値する。
この2つの数値は同じスイート Artificial Analysis v5.0.1 に由来しており、どちらもベンダーの主張ではありません。Google は Argon のハルシネーション率を公表しておらず、Alibaba も Qwen4-Max のそれを公表していません。独立した測定だけが唯一存在するものです。
同じスロットに投入された2つのモデル
両者はいずれも100万トークン対応、画像対応、テキスト出力のフラッグシップであり、自社でシリコンを製造する企業によるものだ。Qwen4-Maxは2026年11月16日にAlibaba Cloudの6リージョンで従量課金制となった。Gemini 4 Argonは2026年9月30日からGoogleのAPIを通じて販売されている。両カードは十分に近く、価格は一般に想定されているほど差別化要因ではない。
• 入力、100万トークンあたり — Gemini 4 Argon $2.00、Qwen4-Max はシンガポールで $1.50、その他の5地域で $1.413。Google はシンガポール比較で33%高く、グローバル料金と比べて41%高い。
• 出力、100万あたり — Argon $10.00;Qwen4-Max $4.50 と $4.24。これがより大きな差です:見出しの数値では2.2倍。
• キャッシュ入力 — Argon は100万トークンあたり$0.10、Qwen4-Max は読み取り時$0.075、さらに公表されている書き込み料金は$1.875(5分)と$3.00(1時間)だが、Google は同じようには内訳を公表していない。
• インデックスタスク1件完了あたりのコスト — Argon $4.97、Qwen4-Max $3.27。出力レートが2.2分の1であるにもかかわらず、Qwen4-Maxのタスクあたりのコスト削減はわずか34%です。どちらの請求額も大半が入力によるものだからです。
• 実効推論エフォート — Argon は high で測定され、Qwen4-Max は xhigh で測定されます。両モデルともラダーを公開していますが、どちらの数値ももう一方のモデルのデフォルトとは比較できません。
• コンテキスト — Argonでは1,000,000トークン、Qwen4-Maxはベンダーカード上では同じ100万だが、トラッカーには983,616と記録されている。これはそちらでthinkingモードの入力に上限が設けられているためです。
• ホスト — Argon は Google が、Qwen4-Max は Alibaba Cloud が提供しています。どちらもオープンウェイトではありません。

タスクごとの分割は、より安価なカードに有利には働かない
$4.97と$3.27を分解すると、驚くべき点はどちらが思考により多く費やしているかだ。Argonはインデックスタスクあたり116,368個の出力トークンを生成し、そのうち68,301個が推論だ。Qwen4-Maxは104,940個を生成し、そのうち68,914個が推論だ。推論量はほぼ同じだ。違いは答えにある。Argonはタスクあたり48,067トークンの最終回答を書くのに対し、Qwen4-Maxは36,025トークンだ。Argonは見えるところではより冗長で、見えないところでは同程度に冗長だ。
それはGeminiに有利な嬉しい異常値です。というのも、出力単価が2.2倍でも回答テキストが33%多く得られるということだからです。したがってタスクあたり52%の割増は料金表から示唆されるより小さく、出力が支配的なワークロード——長文生成やモデル自身が書くコード——では差はさらに縮まります。入力が支配的なワークロード、つまりほとんどのRAGとほとんどのエージェントループでは、代わりにQwen4-Maxの入力単価が効いてきます。
はっきり言っておきます。これらはベンチマークハーネスによるモデル化されたコストであり、請求書ではありません。トークンの構成比は異なりますし、2つのモデル間の比率もそれに応じて変わります。
Qwen4-Max が本当に一歩先んじている点
この対戦でQwen4-Maxに不利な見方は強いが、全会一致ではない。そして2つの行は、重要な意味で逆の方向を示している。
{{1}}GDPval{{/1}} — {{2}}Qwen4-Max{{/2}}は{{3}}Argon{{/3}}の1,633.51に対して1,808.69。経済的に根拠のある専門的タスクでは、{{2}}Qwen4-Max{{/2}}は、それを7.5インデックスポイント上回るモデルに10.7%先行している。これはこの比較において最も明確な単一の逆転である。
• FrontierCode 2.0 — 26.5% 対 25.7%。1ポイント以内で、実質的に引き分け。Argon の看板となるリードなら差が開くと予想されるスイートにおいて。
• AutomationBench — 72.6% 対 77.5%。Argon が勝利したが、その差は5ポイントで、このスイートはソフトウェアエンジニアリングよりもオフィスオートメーションに近い。
• Terminal-Bench 4.0 — 57.1%に対して48.5%。ここでArgonのリードは確かなものだ。シェル操作を伴う作業で8.5ポイントの差がある。
• HLE Diamond — 44.9% 対 56.7%。硬科学で12ポイント差。
• Terminal-Bench Science — 23.3% 対 52.9%。ボード上で最大の差であり、2つのモデルの研究能力を最も明確に分けている項目です。
• Omniscience の精度 — 27.7 対 46.1。ただし、本記事冒頭のハルシネーションに関する注意書きを両方に付記。
全体として読むと、パターンは、Qwen4-Maxが専門的判断を要するタスクでは互角に渡り合い、持続的な技術的推論を要するものでは大きく負けるというものだ。これは「インデックスで7ポイント後れを取る」よりも狭くて有用な言明であり、別のデプロイを示唆している。

4.3%のハルシネーション率に対価を払う価値がある理由
違いを数字にしてみよう。レビュアーが主張を30秒で確認でき、捏造された主張が本番環境に到達した際に10分の手戻りを要するなら、回答1,000件あたりの期待レビューコストは、誤っている割合ではなく、ほぼ完全に捏造された割合によって決まる。Argonの4.3%は、その不正解集合のうちおよそ23件に1件が手戻りを必要とすることを意味し、Qwen4-Maxの28.4%はおよそ3.5件に1件を意味する。
それに対して、人間のレビュアーがいるワークフローでは、タスクあたり52%の割増は消える。ほぼどの人件費込み単価でも、レビュアーの時間はトークン消費をはるかに上回るからだ。逆方向でも、レビュアーがいないワークフローでは消える。レビュアーのいない捏造された回答はコストではなく、インシデントだからだ。
正直な注意点:ハルシネーション率は固定の質問セットで測定されるものであり、モデルと同じくらい測定手法の性質でもある。Googleが明日システムプロンプトの改訂でArgonの挙動を変えたとしても、テストスイートを再実行するまでこの数値は動かない。これは保証ではなく、強い事前情報として扱うべきだ。
ルーティングの疑問に、片側だけ答える
Gemini 4 Argonは当社のカタログに google/gemini-4-argon として掲載されており、Googleのリスト価格で、100万トークンあたり入力$2.00、出力$10.00、上乗せマークアップは0%です — Googleが公表している同じ料金を、再価格設定せずそのまま反映しています。Qwen4-Maxは当社のカタログにありません。qwen4 という識別子は not-found を返し、その経路はAlibabaのModel Studio APIおよび複数のサードパーティ製プラットフォームです。当社が提供する中で最も近いQwenモデルは qwen/qwen3.8-max です 料金は$2.00と$6.00です。
その非対称性自体が、ほとんどのチームにとって導入可否の答えになっている。ハルシネーション列で勝つモデルは、既存のエンドポイントから今日呼び出せるモデルであり、GDPvalで勝るモデルを試すには2つ目のベンダー契約が必要になる。コミットする前に自社データでGDPvalの主張を検証したいなら、ルーティングDSLを使えば、1回の呼び出しから固定の評価セットを両方の経路に流し、出力を並べて比較できる——これはどちらのモデルのタスク単価が示唆するよりも安価な実験だ。

7つのポイントが教えてくれないこと
この比較を変える要因は2つあり、どちらも遠い話ではない。棄権に最適化したシステムプロンプトを用いたQwen4-Max配備での独立したハルシネーション測定なら、28.4%がモデル固有の性質なのか、それとも問い合わせ方に由来するのかを検証できるが、これを公表しているベンダーはまだない。また、より大きなサンプルでGDPvalを再実行すれば、専門タスクにおけるQwen4-Maxの10.7%のリードが実質なのかノイズなのかが分かる。というのも、このベンチマークの信頼区間は広く、2モデルの差は順位が逆転し得るほど小さいからだ。
どちらかが登場するまでは、切り分けは明確であり、それはインデックスが示唆する切り分けではない。持続的な技術的推論、科学、シェル作業、または顧客が未レビューのまま読むもの:Gemini 4 Argon、そして52%のプレミアムはこの取引で最も興味を引く数字ではない。大量の、根拠に基づく専門的判断を、どのみち実行する予定だったレビュー工程付きで:Qwen4-Max はまさにそれを測定するスイートで10.7%優れており、それを見極めている間はタスクあたり34%安い。
