Een gegenereerde titelkaart met de tekst 'Qwen 4 vs Gemini 4 Argon: de 4,3% die meer bepaalt dan de zeven punten', met de ondertitel 'Gemini 4 Argon hallucineert bij 4,3% van de vragen die het fout heeft; Qwen4-Max bij 28,4%'. Drie genummerde rijen luiden 'indexscore 42,9 tegen 50,4, Artificial Analysis v5.0.1', 'kosten per voltooide indextaak $3,27 tegen $4,97' en 'hallusinatiegraad 28,4% tegen 4,3%'. Een voettekst luidt 'Scores en kosten per taak volgens Artificial Analysis Intelligence Index v5.0.1; prijzen volgens de gepubliceerde tariefkaart van elke leverancier.' Platte vectorstijl op wit met blauwe en cyaankleurige accenten, het OrcaRouter-merkteken rechtsonder samengevoegd.
Guides & Insights

Qwen 4 vs Gemini 4 Argon: de 4,3% die meer beslist dan de zeven punten

Auteur

Gideon Frost

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

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.

Twee modellen verkocht in hetzelfde segment

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.

Uitvoer, per miljoen — Argon $10,00; Qwen4-Max $4,50 en $4,24. Dit is het grotere verschil: 2,2× op het meest in het oog springende getal.

• 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.

• Kosten per voltooide indextaak — Argon $4,97; Qwen4-Max $3,27. Ondanks een 2,2× lagere outputsnelheid is Qwen4-Max slechts 34% goedkoper per taak, omdat het grootste deel van beide rekeningen uit input bestaat.

• Effectieve reasoning-inspanning — Argon wordt gemeten op high; Qwen4-Max op xhigh. Beide modellen bieden een ladder, en geen van beide waarden is vergelijkbaar met de standaardwaarde van het andere model.

• Context — 1.000.000 tokens op Argon; Qwen4-Max is hetzelfde miljoen op de kaart van de leverancier, terwijl de tracker 983.616 registreert omdat de invoer in thinking-modus daar is afgetopt.

• 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.

De verdeling per taak is niet in het voordeel van de goedkopere kaart.

Ontleed de $4,97 en de $3,27, en de verrassing is welke van de twee meer aan denken besteedt. Argon produceert 116.368 outputtokens per indextaak, waarvan 68.301 redeneertokens; Qwen4-Max produceert 104.940, waarvan 68.914 redeneertokens. Het redeneervolume is vrijwel identiek. Het verschil zit in het antwoord: Argon schrijft 48.067 tokens aan eindantwoord per taak, tegenover 36.025 van Qwen4-Max. Argon is uitgebreider waar dat zichtbaar is en even uitgebreid waar dat niet is.

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.

Het is goed om het ronduit te zeggen: dit zijn gemodelleerde kosten uit een benchmarkopstelling, geen facturen. Jouw tokenmix zal anders zijn, en de verhouding tussen de twee modellen zal daarmee meebewegen.

Waar Qwen4-Max echt vooroploopt

De argumenten tegen Qwen4-Max in deze confrontatie zijn sterk, maar niet unaniem, en twee rijen wijzen op een manier die ertoe doet de andere kant op.

• GDPval — {{1}}Qwen4-Max{{/1}} 1.808,69 tegen Argon's 1.633,51. Bij economisch gefundeerde professionele taken loopt {{1}}Qwen4-Max{{/1}} 10,7% voor op een model dat het met 7,5 indexpunten verslaat. Dit is de duidelijkste enkele inversie in de vergelijking.

• FrontierCode 2.0 — 26,5% tegen 25,7%. Binnen één punt; in feite een gelijkspel, op de suite waar de kopvoorsprong van Argon een gat zou voorspellen.

• AutomationBench — 72,6% tegen 77,5%. Argon wint, maar met vijf punten verschil op een suite die dichter bij kantoorautomatisering staat dan bij software-engineering.

• Terminal-Bench 4.0 — 48,5% tegenover 57,1%. Hier is Argon's voorsprong reëel: acht en een half punt op shell-gedreven werk.

• HLE Diamond — 44,9% tegen 56,7%. Twaalf punten op het gebied van harde wetenschap.

• Terminal-Bench Science — 23,3% tegenover 52,9%. De grootste kloof op het scorebord, en degene die het onderzoeksvermogen van de twee modellen het zuiverst onderscheidt.

• Omniscience-nauwkeurigheid — 27,7 tegenover 46,1, met de waarschuwing over hallucinaties van bovenaan dit stuk aan beide gekoppeld.

Als je ze als geheel leest, is het patroon dat Qwen4-Max zich staande houdt bij taken die professioneel oordeelsvermogen vereisen en zwaar verliest bij alles wat aanhoudend technisch redeneren vereist. Dat is een nauwkeuriger en nuttiger uitspraak dan "zeven indexpunten achter", en het wijst op een andere 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.

Waarom een hallucinatiepercentage van 4,3% het betalen waard is

Druk het verschil in een getal uit. Als een reviewer een bewering in dertig seconden kan controleren en een verzonnen bewering tien minuten herwerk kost wanneer die in productie komt, dan worden de verwachte beoordelingskosten per duizend antwoorden bijna volledig bepaald door het aandeel verzonnen antwoorden in plaats van het aandeel onjuiste antwoorden. Argons 4,3% betekent dat ruwweg één op de drieëntwintig antwoorden uit zijn onjuiste set herwerk nodig heeft; Qwen4-Max' 28,4% betekent ruwweg één op de drieënhalf.

Daar staat tegenover dat de premie van 52% per taak verdwijnt voor elke workflow met een menselijke beoordelaar, omdat de tijd van de beoordelaar bij vrijwel elk all-in tarief de tokenkosten ruimschoots overtreft. In de andere richting verdwijnt die voor elke workflow zonder beoordelaar, omdat een verzonnen antwoord zonder beoordelaar geen kostenpost is, maar een incident.

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.

De routeringsvraag, voor één kant beantwoord

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.

Die asymmetrie is voor de meeste teams op zichzelf het antwoord op de implementatievraag. Het model dat de hallucinatiekolom wint, is het model dat je vandaag kunt aanroepen via het endpoint dat je al hebt, en het model dat op GDPval wint, kost je een tweede leverancierscontract om het te proberen. Als je de GDPval-bewering op je eigen data wilt testen voordat je je vastlegt, laat een routerings-DSL je een vaste evaluatieset via beide paden vanuit één aanroep versturen en de resultaten naast elkaar vergelijken — wat een goedkoper experiment is dan de prijs per taak van beide modellen suggereert.

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.

Wat de zeven punten je niet vertellen

Twee dingen zouden deze vergelijking veranderen, en geen van beide ligt ver weg. Een onafhankelijke hallucinatiemeting op een Qwen4-Max-implementatie met een systeemprompt die is afgestemd op het zich onthouden van antwoorden, zou testen of 28,4% een eigenschap van het model is of van de manier waarop het is bevraagd — geen enkele leverancier heeft er een gepubliceerd. En een nieuwe uitvoering van GDPval op een grotere steekproef zou ons vertellen of de voorsprong van 10,7% van Qwen4-Max op professionele taken echt of ruis is, omdat de intervallen van die benchmark breed zijn en de twee modellen dicht genoeg bij elkaar liggen om de rangorde te laten omklappen.

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.