MIDM K 3.0 Pro vs Gemini 4 Argon: Tien keer de prijs, vijftig indexpunten

De goedkoopste manier om Mi:dm K 3.0 Pro en Gemini 4 Argon te vergelijken is geen specsheet, het is een deling. Gemini 4 Argon kost $2,00 per miljoen inputtokens en $10,00 per miljoen outputtokens, en Artificial Analysis meet het op $1,99 om één Intelligence Index-taak uit te voeren. Mi:dm K 3.0 Pro kost $0,20 en $0,80, en heeft geen kosten per indextaak omdat het geen indexscore heeft. De eerlijke framing is dus niet "goedkoop model versus duur model" — het is een gemeten model met een bekende kostprijs per eenheid capaciteit tegenover een ongemeten model met een bekende kostprijs per token, en die twee feiten kun je niet van elkaar aftrekken. Wat wel kan, is het risico prijzen: bereken welke score het Koreaanse model zou moeten halen voordat zijn prijsvoordeel een echte workload doorstaat, en beslis dan of dat getal plausibel is.

Hoe elk model ervoor staat op 11 november 2026

• Gemini 4 Argon — aangekondigd door Google op 30 september 2026 en algemeen beschikbaar op de Gemini API sinds 13 oktober 2026. Context van 1.048.576 tokens, tot 943.718 tokens output in één enkele reactie, en multimodale invoer voor tekst, afbeeldingen, audio, video en bestanden. Prijs: $2,00 voor invoer en $10,00 voor uitvoer per miljoen, met gecachte invoer tegen $0,10.

• Mi:dm K 3.0 Pro — factureerbaar via KT's Token Factory-platform sinds 29 oktober 2026 en internationaal vermeld op 5 november. Context van 261.795 tokens, tot 235.615 tokens aan uitvoer, tekst in en tekst uit. $0,20 invoer en $0,80 uitvoer per miljoen, gecachte invoer tegen $0,04, met momenteel een promotiekorting van 30% op KT's eigen platform.

• Onafhankelijke evaluatie — Gemini 4 Argon scoort 52,6 op de Artificial Analysis Intelligence Index en staat eerste op de Vals Index met 68,90%. Mi:dm K 3.0 Pro heeft op geen van beide een vermelding.

• Architectuur — Google publiceert geen aantal parameters voor Argon. KT publiceert er wel een voor zijn model: 120B totaal, 12B actief, hybride Mamba/MoE/attention, geserveerd vanuit een checkpoint met NVFP4-experts.

De rekensom die bepaalt of het goedkope model het testen waard is

Begin met wat een echte aanvraag kost. Een document van 30.000 tokens dat tot 1.500 tokens wordt samengevat, kost $0,06 voor input plus $0,015 voor output op Gemini 4 Argon — $0,075. Dezelfde aanvraag kost op Mi:dm K 3.0 Pro $0,006 plus $0,0012, oftewel $0,0072. Tien keer goedkoper, ongeveer.

Nu het deel dat de beslissing verandert. Stel dat het Gemini-model 92% van die samenvattingen in één keer goed doet en het Koreaanse model, ongemeten, 84%. Tegen tien keer de prijs wint het goedkope model nog steeds op pure tokenkosten — $0,0072 tegen $0,075. Maar als het uitvalpercentage van 8% een tweede ronde met een sterker model vereist, en als die tweede ronde meer kost dan de eerste omdat er verificatie in zit, convergeren de effectieve kosten per geaccepteerde samenvatting snel. Dat is het hele argument, en daarom is "geen benchmark" een prijsfeit in plaats van een redactionele klacht.

Zet in plaats daarvan een getal op het break-evenpunt. Wil het Koreaanse model de betere koop zijn doordat het tien keer goedkoper is bij een controleerbare taak, dan moet het binnen ruwweg een factor tien liggen van Argon's nuttige output per dollar. Als Argon's index van 52,6 overeenkomt met een taaksuccespercentage dat je al kent uit je eigen evaluaties, dan is de vraag of een 120B-hybride tegen een vijfde van de prijs van DeepSeek's vlaggenschip ergens binnen tien nauwkeurigheidspunten van een Google-frontiermodel uitkomt. Misschien wel. Niemand heeft het aangetoond, en de bewijslast ligt bij degene die migreert, niet bij degene die blijft.

Kosten per taak, het getal dat Artificial Analysis daadwerkelijk publiceert

Het is de moeite waard om Argon's $1.99 per indextaak te begrijpen, want dat is niet hetzelfde als de tokenprijs en het is het getal dat een vergelijking tussen modellen eerlijk maakt.

De index normaliseert de score aan de hand van de tokenbesteding die nodig is om die te behalen, waardoor een model dat veel tokens gebruikt en per taak duur is, slechter lijkt dan zijn prijslijst suggereert. Voor $1.99 krijg je bij Argon één doorloop van de suite van negen evaluaties waaruit Intelligence Index v5.0.1 bestaat — AA-Briefcase, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 en Terminal-Bench-Science. Het één keer draaien van de volledige suite tegen Argon kost $2,407. Tegen GLM-5.3, een goedkoper model in dezelfde prijsklasse, kost het $2,503 — meer, ondanks een lager geafficheerd tarief, omdat het model meer tokens nodig heeft om dezelfde taken te voltooien.

Die omkering is de reden om een pure prijskaartvergelijking te wantrouwen. Een model met $2 en $10 kan goedkoper in gebruik zijn dan een met $1,40 en $4,40 als het minder nadenkt en korter antwoordt. Het royale uitvoerplafond van 235.615 tokens van Mi:dm K 3.0 Pro en de blootgelegde redeneertrace werken beide de andere kant op: een model dat redeneringen en lange antwoorden kan produceren, zal dat ook doen, en de rekening volgt de uitvoertokens in plaats van de invoerprijs die er zo aantrekkelijk uitziet.

Multimodale input is geen feature-gat, maar een pipeline-gat.

Argon accepteert tekst, afbeeldingen, audio, video en bestanden. Mi:dm K 3.0 Pro accepteert tekst. Die zin klinkt als een checkbox en is in werkelijkheid een architectuurverschil in wat een team moet bouwen.

Een documentworkflow op Argon verstuurt de PDF. Een documentworkflow op Mi:dm K 3.0 Pro verstuurt geëxtraheerde tekst, wat een OCR- of parsingsfase vóór het model betekent, wat weer een tweede leverancier, een tweede faalmodus en een tweede kostenpost betekent die niet in het tarief van $0,20 voorkomt. Voor een corpus schone digitale pdf's is de extractiefase goedkoop en betrouwbaar. Voor gescande formulieren, screenshots van dashboards, presentaties en opgenomen gesprekken is de extractiefase waar de fouten zitten, en geen enkele modelprijsstelling compenseert een parser die een tabel verminkt.

Audio en video beslechten de kwestie volledig voor de workloads die ervan gebruikmaken. Een model dat een gespreksopname niet kan horen, is geen goedkopere optie voor transcriptieanalyse; het valt buiten de categorie.

Context: 1M tegenover 262K, en waarvoor elk getal echt bedoeld is

Argons venster van een miljoen tokens gaat gepaard met een uitvoerplafond van 943.718 tokens, een ongebruikelijke combinatie — de meeste modellen bieden een lange invoer en een veel kortere uitvoer. In Googles teksten wordt dit beschreven als lang-decode-ondersteuning: één enkel antwoord kan ongeveer een miljoen tokens bevatten. Dat is een capaciteit voor documentgeneratie, niet alleen voor het lezen van documenten.

Bij Mi:dm K 3.0 Pro staan 261.795 invoertokens tegenover 235.615 uitvoertokens, wat proportioneel vergelijkbaar is — het model kan bijna evenveel schrijven als het kan lezen. Het verschil zit in het absolute plafond. Een kwart miljoen tokens is ongeveer 190.000 woorden, wat een groot boek is. Een miljoen is vier boeken.

Beide plafonds zijn ruim genoeg dat de meeste workloads {{1}}een van beide nooit aantikken{{/1}}. Waar het gat pijn doet, is het geval dat in 2026 gewoon is geworden: een agent die een hele repository vasthoudt, of een onderzoekstaak die een lange keten toolresultaten verzamelt. Die groeien voorbij {{2}}262K{{/2}} en stoppen niet met groeien, en de noodoplossing — compactie, samenvatting en retrieval — is precies het onderdeel van een agent-harness dat informatie verliest. Het venster van Argon haalt die faalmodus weg voor nog eens 738.000 tokens.

Koreaans, en de case die het Koreaanse model daadwerkelijk heeft

Google traint niet specifiek voor het Koreaans; het traint voor alles, en Koreaans is een van dat alles. KT heeft vier generaties modellen gebouwd die op Koreaanse tekst zijn gericht, van Mi:dm 2.0's op Korea gerichte 12B- en 2B-releases tot deze, en de bedrijfsmaterialen beschrijven de productlijn als afgestemd op de Koreaanse samenleving, cultuur en domeinkennis.

Dat verschil is echt op de manier waarop domeinafstemming altijd echt is: meetbaar aan de woordenschat en het register van binnenlandse klantenservice, regelgeving en overheidsteksten, en onzichtbaar op een Engelse programmeerbenchmark. Als je corpus Koreaanse callcenter-transcripten is, is een model dat op dat register is getraind het testen waard voordat wordt aangenomen dat een frontiermodel wint. Als je corpus Engelse software is, is de afstemming niets waard en is de 262K-limiet minder waard dan het miljoen van Argon.

De test is goedkoop en het is de enige manier om het te beslechten. Neem 200 echte items uit je eigen Koreaanse corpus, laat beide modellen gestructureerde output produceren en scoor tegen een achtergehouden antwoordsleutel. Bij $0,20 en $0,80 kost de helft van dat experiment voor het Koreaanse model ruim minder dan een dollar; de helft van Argon kost ongeveer acht. Het resultaat is meer waard dan welke gepubliceerde index dan ook voor deze specifieke beslissing, omdat de index niet op jouw data is gebouwd.

Eén toets doornemen, en wat dat verandert

Gemini 4 Argon is live op OrcaRouter als google/gemini-4-argon tegen Google's lijsttarief, met geen toeslag — $2,00 input, $10,00 output, $0,10 cache-lezen — naast meer dan 200 andere modellen op hetzelfde endpoint en dezelfde factuur. Mi:dm K 3.0 Pro wordt uitsluitend door KT geleverd; wij routeren het niet, en er is nergens een tweede aanbieder voor.

Die asymmetrie is hier belangrijker dan bij de meeste vergelijkingen, omdat de twee modellen zich aan tegenovergestelde uiteinden van een risicoprofiel bevinden. Argon is een gerouteerd model: als het endpoint van Google trager wordt of fouten geeft, kan een routeringsregel het verzoek naar een ander model verplaatsen zonder dat de applicatie het merkt. Mi:dm K 3.0 Pro is een directe aanroep naar de infrastructuur van één bedrijf, en het 100%-beschikbaarheidscijfer over de afgelopen dag is een meting van dat ene endpoint — eerlijk, en geen garantie, omdat er niets is om op over te schakelen.

Het werkbare patroon is Argon als gerouteerde standaard te behouden voor alles wat moet slagen, en het Koreaanse model rechtstreeks aan te roepen, achter je eigen timeout en fallback, voor de bulklaag waar een mislukt verzoek gewoon opnieuw kan worden geprobeerd of kan worden laten vallen. Op OrcaRouter kan de fallbackregel een goedkoper model voor de herhaling aanwijzen, en zo blijft een experiment dat tien keer goedkoper is goedkoop, zelfs wanneer het goedkope endpoint zich misdraagt. Wat we niet kunnen doen, is failoveren naar Mi:dm K 3.0 Pro zelf, omdat één provider één deur is.

Waar elk model voor dient, simpel gezegd

Gemini 4 Argon is voor werk waarbij de invoer rommelig is, de context lang is of de uitvoer ertoe doet. Het leest afbeeldingen, audio en video, bevat een miljoen tokens, schrijft er bijna een miljoen, scoort 52,6 op een onafhankelijke index en staat eerste op de Vals Index met 68,90% — een benchmark voor financiën, juridisch werk, programmeren en belastingen, waar een voorsprong van vijf punten op het volgende model een groot gat is. Het kost tien keer zoveel als het Koreaanse model en ongeveer een vijfde van wat Claude Opus 5.5 per indextaak kost, waardoor het in het midden van de frontier-band zit in plaats van aan de top.

Mi:dm K 3.0 Pro is bedoeld voor werk waarbij de invoer tekst is, de context binnen een kwart miljoen tokens past, de uitvoer controleerbaar is en volume domineert. Het heeft een hoger uitvoerplafond dan de meeste modellen in zijn prijsklasse, een werkelijk interessante hybride architectuur, één provider en geen enkele gepubliceerde evaluatie. De actieprijs van $0.14 en $0.56 op het eigen platform van KT maakt de bulkcase sterker zolang die prijs geldt.

Het gat tussen die twee alinea's is geen oordeel over kwaliteit — het is de afwezigheid ervan. Een model zonder score is geen slecht model; het is een onbekende, en onbekenden worden op kleine schaal getest voordat er naartoe wordt gemigreerd. Dat is de hele aanbeveling: Argon waar het antwoord juist moet zijn, het Koreaanse model waar het antwoord goedkoop moet zijn en iemand het controleert, en een test met 200 items op je eigen corpus om erachter te komen welke van die twee op je volgende workload van toepassing is.