MIDM K 3.0 Pro kontra Gemini 4 Argon: dziesięć razy wyższa cena, pięćdziesiąt punktów indeksu

Najtańszym sposobem porównania Mi:dm K 3.0 Pro i Gemini 4 Argon nie jest karta specyfikacji, lecz podział. Gemini 4 Argon kosztuje 2,00 USD za milion tokenów wejściowych i 10,00 USD za milion tokenów wyjściowych, a Artificial Analysis wycenia wykonanie jednego zadania Intelligence Index na 1,99 USD. Mi:dm K 3.0 Pro kosztuje 0,20 USD i 0,80 USD i nie ma kosztu zadania indeksowego, ponieważ nie ma wyniku indeksowego. Uczciwe ujęcie nie polega więc na zestawieniu „taniego modelu z drogim” — to model zmierzony, o znanym koszcie na jednostkę możliwości, zestawiony z modelem niezmierzonym, o znanym koszcie na token, a tych dwóch faktów nie można od siebie odjąć. Można natomiast wycenić ryzyko: ustalić, jaki wynik musiałby osiągnąć koreański model, aby jego przewaga cenowa przetrwała zderzenie z rzeczywistym obciążeniem, a następnie zdecydować, czy ta liczba jest wiarygodna.

Jaka jest pozycja każdego modelu na dzień 11 listopada 2026 r.

• Gemini 4 Argon — ogłoszony przez Google 30 września 2026 r. i ogólnie dostępny w Gemini API od 13 października 2026 r. Kontekst 1 048 576 tokenów, do 943 718 tokenów danych wyjściowych w jednej odpowiedzi oraz multimodalne dane wejściowe obejmujące tekst, obrazy, dźwięk, wideo i pliki. Cena: 2,00 USD za dane wejściowe i 10,00 USD za dane wyjściowe za milion, przy czym buforowane dane wejściowe kosztują 0,10 USD.

• Mi:dm K 3.0 Pro — rozliczany na platformie Token Factory KT od 29 października 2026 r. i udostępniony międzynarodowo 5 listopada. Kontekst 261 795 tokenów, do 235 615 tokenów wyjściowych, tekst na wejściu i tekst na wyjściu. 0,20 USD za wejście i 0,80 USD za wyjście za milion, pamięć podręczna wejścia po 0,04 USD, a na platformie KT obecnie obowiązuje 30% zniżka promocyjna.

• Niezależna ocena — Gemini 4 Argon uzyskuje 52,6 punktu w Artificial Analysis Intelligence Index i zajmuje pierwsze miejsce w Vals Index z wynikiem 68,90%. Mi:dm K 3.0 Pro nie ma wpisu w żadnym z nich.

• Architektura — Google nie publikuje liczby parametrów dla Argon. KT publikuje ją dla swojego modelu: 120B łącznie, 12B aktywnych, hybrydowa architektura Mamba/MoE/attention, udostępniany z checkpointu z ekspertami NVFP4.

Arytmetyka, która decyduje, czy tani model jest wart testowania

Zacznijmy od tego, ile kosztuje rzeczywiste zapytanie. Dokument o 30 000 tokenów streszczony do 1500 tokenów kosztuje $0.06 za dane wejściowe plus $0.015 za dane wyjściowe w Gemini 4 Argon — $0.075. To samo zapytanie w Mi:dm K 3.0 Pro kosztuje $0.006 plus $0.0012, czyli $0.0072. Dziesięć razy taniej, praktycznie rzecz biorąc.

Teraz część, która zmienia decyzję. Załóżmy, że model Gemini poprawnie tworzy 92% tych streszczeń w pierwszym przebiegu, a niezmierzony model koreański — 84%. Przy dziesięciokrotnej różnicy ceny tani model nadal wygrywa pod względem samego kosztu tokenów — 0,0072 USD wobec 0,075 USD. Ale jeśli 8-procentowy wskaźnik błędów wymaga drugiego przebiegu z silniejszym modelem i jeśli ten drugi przebieg kosztuje więcej niż pierwszy, ponieważ obejmuje weryfikację, efektywny koszt przypadający na zaakceptowane streszczenie szybko się wyrównuje. To cały argument i dlatego „brak benchmarku” jest faktem cenowym, a nie redakcyjną skargą.

Zamiast tego określ liczbowo próg rentowności. Aby koreański model był lepszym zakupem, będąc dziesięć razy tańszym w weryfikowalnym zadaniu, jego użyteczna wydajność na dolara musi mieścić się w przybliżeniu w granicach dziesięciokrotności użytecznej wydajności Argon na dolara. Jeśli indeks 52,6 Argon odpowiada wskaźnikowi sukcesu w zadaniach, który znasz już z własnych ewaluacji, to pytanie brzmi, czy hybrydowy model 120B w cenie jednej piątej flagowego modelu DeepSeek plasuje się gdziekolwiek w granicach dziesięciu punktów dokładności od modelu z czołówki Google. Być może. Nikt tego nie wykazał, a ciężar dowodu spoczywa na osobie migrującej, nie na osobie pozostającej.

Koszt na zadanie, czyli liczba, którą Artificial Analysis faktycznie publikuje

Warto zrozumieć stawkę Argonu wynoszącą $1.99 za zadanie indeksowe, ponieważ to nie to samo co cena jego tokena i to właśnie ta liczba umożliwia uczciwe porównanie między modelami.

Indeks normalizuje wynik względem zużycia tokenów potrzebnego do jego uzyskania, więc model rozwlekły i kosztowny w przeliczeniu na zadanie wypada gorzej, niż sugeruje jego cennik. Za 1,99 USD w Argonie otrzymuje się jedno przejście przez zestaw dziewięciu testów tworzących Intelligence Index v5.0.1 — AA-Briefcase, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 i Terminal-Bench-Science. Jednorazowe uruchomienie pełnego zestawu na Argonie kosztuje 2407 USD. Na GLM-5.3, tańszym modelu w tym samym przedziale, kosztuje 2503 USD — więcej, mimo niższej stawki bazowej, ponieważ model zużywa więcej tokenów na ukończenie tych samych zadań.

Ta inwersja jest powodem, by nie ufać porównaniu opartemu wyłącznie na cenniku. Model za $2 i $10 może być tańszy w eksploatacji niż ten za $1,40 i $4,40, jeśli myśli mniej i odpowiada krócej. Hojny limit wyjściowy wynoszący 235 615 tokenów w Mi:dm K 3.0 Pro oraz ujawniany ślad rozumowania działają w przeciwną stronę: model, który może generować rozumowanie i długie odpowiedzi, będzie to robić, a rachunek zależy od tokenów wyjściowych, a nie od ceny wejściowej, która wygląda tak atrakcyjnie.

Wejście multimodalne nie jest luką w funkcjonalności, to luka w pipeline'ie.

{{1}}Argon{{/1}} obsługuje tekst, obrazy, audio, wideo i pliki. {{2}}Mi:dm K 3.0 Pro{{/2}} obsługuje tekst. To zdanie brzmi jak pole wyboru, a w rzeczywistości jest różnicą architektoniczną w tym, co zespół musi zbudować.

Przepływ pracy z dokumentami w Argon wysyła plik PDF. Przepływ pracy z dokumentami w Mi:dm K 3.0 Pro wysyła wyodrębniony tekst, co oznacza etap OCR lub parsowania przed modelem, a więc drugiego dostawcę, drugi tryb awarii i drugą pozycję kosztową, która nie pojawia się w stawce $0.20. W przypadku korpusu czystych cyfrowych plików PDF etap wyodrębniania jest tani i niezawodny. W przypadku skanowanych formularzy, zrzutów ekranu pulpitów nawigacyjnych, prezentacji slajdów i nagranych rozmów to właśnie na etapie wyodrębniania pojawiają się błędy, a żadna cena modelu nie zrekompensuje parsera, który psuje tabelę.

Audio i wideo całkowicie rozstrzygają kwestię w przypadku zadań, które z nich korzystają. Model, który nie potrafi odsłuchać nagrania rozmowy, nie jest tańszą opcją do analizy transkrypcji; jest poza kategorią.

Kontekst: 1M kontra 262K i do czego tak naprawdę służy każda z tych liczb

Milionowy limit tokenów Argonu łączy się z pułapem wyjściowym wynoszącym 943 718 tokenów, co jest nietypowym połączeniem — większość modeli oferuje długie wejście i znacznie krótsze wyjście. Materiały Google opisują to jako obsługę długiego dekodowania: pojedyncza odpowiedź może zawierać około miliona tokenów. To zdolność generowania dokumentów, a nie tylko ich czytania.

Model Mi:dm K 3.0 Pro ma 261 795 tokenów wejściowych w parze ze 235 615 tokenami wyjściowymi, co jest proporcjonalnie podobne — model potrafi napisać niemal tyle, ile potrafi przeczytać. Różnica tkwi w absolutnym pułapie. Ćwierć miliona tokenów to około 190 000 słów, czyli duża książka. Milion to cztery książki.

Oba pułapy są wystarczająco wysokie, że większość obciążeń nigdy nie zbliża się do żadnego z nich. Luka daje o sobie znać w przypadku, który w 2026 r. stał się codziennością: agent utrzymujący całe repozytorium albo zadanie badawcze gromadzące długi łańcuch wyników narzędzi. Takie przypadki przekraczają 262K i nie przestają rosnąć, a obejście — kompakcja, streszczanie, wyszukiwanie — to dokładnie ta część infrastruktury agenta, która traci informacje. Okno Argonu eliminuje ten tryb awarii na kolejne 738,000 tokenów.

koreański oraz przypadek, który koreański model faktycznie posiada

Google nie trenuje modeli specjalnie pod język koreański; trenuje pod wszystko, a koreański jest jednym z elementów tego wszystkiego. KT zbudowało cztery generacje modeli ukierunkowanych na tekst koreański — od wydań Mi:dm 2.0 skoncentrowanych na Korei, 12B i 2B, aż po ten — a materiały korporacyjne opisują tę linię jako dostrojoną do koreańskiego społeczeństwa, kultury i wiedzy dziedzinowej.

Ta różnica jest realna w taki sposób, w jaki dostrajanie do domeny zawsze jest realne: mierzalna na słownictwie i rejestrze krajowej obsługi klienta, tekstów regulacyjnych i sektora publicznego, a niewidoczna w anglojęzycznym benchmarku kodowania. Jeśli Twoim korpusem są koreańskie transkrypcje z centrów obsługi telefonicznej, model wytrenowany na tym rejestrze jest wart przetestowania, zanim założymy, że model czołowy wygra. Jeśli Twoim korpusem jest angielskie oprogramowanie, dostrajanie jest nic niewarte, a limit 262K jest wart mniej niż milion Argon.

Test jest tani i to jedyny sposób, by to rozstrzygnąć. Weź 200 prawdziwych pozycji z własnego koreańskiego korpusu, niech oba modele wygenerują ustrukturyzowane dane wyjściowe, i oceń je względem odłożonego klucza odpowiedzi. Przy $0.20 i $0.80 połowa tego eksperymentu przypadająca na koreański model kosztuje znacznie poniżej dolara; połowa przypadająca na Argon kosztuje około ośmiu dolarów. Wynik jest wart więcej niż jakikolwiek publikowany indeks w przypadku tej konkretnej decyzji, ponieważ indeks nie został zbudowany na Twoich danych.

Przechodząc przez jeden klucz — i co to zmienia

Gemini 4 Argon jest już dostępny na OrcaRouter jako google/gemini-4-argon według ceny katalogowej Google, bez doliczania marży — 2,00 USD za wejście, 10,00 USD za wyjście, 0,10 USD za odczyt z pamięci podręcznej — obok ponad 200 innych modeli w tym samym punkcie końcowym i na tej samej fakturze. Mi:dm K 3.0 Pro jest udostępniany wyłącznie przez KT; nie kierujemy do niego ruchu i nigdzie nie ma dla niego drugiego dostawcy.

Ta asymetria ma tu większe znaczenie niż w większości porównań, ponieważ oba modele znajdują się na przeciwnych krańcach profilu ryzyka. Argon to model z routingiem: jeśli endpoint Google'a zwalnia lub zwraca błędy, reguła routingu może przenieść żądanie do innego modelu, tak aby aplikacja tego nie zauważyła. Mi:dm K 3.0 Pro to bezpośrednie wywołanie infrastruktury jednej firmy, a jego odczyt dostępności na poziomie 100% z ostatniego dnia jest pomiarem tego jednego endpointu — uczciwym, ale nie gwarancją, ponieważ nie ma do czego przełączyć się w razie awarii.

Działający wzorzec to utrzymanie Argon jako domyślnego celu routingu dla wszystkiego, co musi się udać, i wywoływanie koreańskiego modelu bezpośrednio, za własnym limitem czasu i fallbackiem, w warstwie masowej, gdzie nieudane żądanie można po prostu ponowić albo odrzucić. W OrcaRouter reguła fallbacku może wskazać tańszy model do ponowienia — dzięki temu eksperyment dziesięciokrotnie tańszy pozostaje tani, nawet gdy tani endpoint źle się zachowuje. Nie możemy natomiast przełączyć się awaryjnie na sam Mi:dm K 3.0 Pro, ponieważ jeden dostawca to jedne drzwi.

Do czego służy każdy model — powiedziane wprost

Gemini 4 Argon służy do pracy, w której dane wejściowe są nieuporządkowane, kontekst jest długi albo wynik ma znaczenie. Odczytuje obrazy, dźwięk i wideo, obsługuje milion tokenów, generuje prawie milion, uzyskuje 52,6 punktu w niezależnym indeksie i zajmuje pierwsze miejsce w Vals Index z wynikiem 68,90% — w benchmarku obejmującym finanse, prawo, programowanie i podatki, gdzie pięciopunktowa przewaga nad kolejnym modelem to duża różnica. Kosztuje dziesięć razy więcej niż model koreański i około jedną piątą tego, co Claude Opus 5.5 kosztuje na jedno zadanie indeksowe, co plasuje go w środku czołówki, a nie na jej szczycie.

Mi:dm K 3.0 Pro jest przeznaczony do pracy, w której dane wejściowe są tekstem, kontekst mieści się w ćwierć miliona tokenów, dane wyjściowe można zweryfikować, a liczy się przede wszystkim wolumen. Ma wyższy limit tokenów wyjściowych niż większość modeli w tej cenie, naprawdę interesującą architekturę hybrydową, jednego dostawcę i brak jakiejkolwiek opublikowanej ewaluacji. Jego cena promocyjna na poziomie $0.14 i $0.56 na własnej platformie KT tym mocniej przemawia za zastosowaniami masowymi, dopóki się utrzyma.

Luka między tymi dwoma akapitami nie jest werdyktem o jakości — to brak werdyktu. Model bez wyniku nie jest złym modelem; jest niewiadomą, a niewiadome testuje się na małą skalę, zanim się do nich migruje. To cała rekomendacja: Argon tam, gdzie odpowiedź musi być poprawna, koreański model tam, gdzie odpowiedź musi być tania i ktoś ją sprawdza, oraz test 200-elementowy na własnym korpusie, aby ustalić, który z tych dwóch scenariuszy opisuje Twoje kolejne obciążenie.