Wygenerowana plansza tytułowa o treści „Qwen 4 vs Gemini 4 Argon: 4,3%, które decyduje o więcej niż siedem punktów”, z podtytułem „Gemini 4 Argon halucynuje w 4,3% pytań, na których się myli; Qwen4-Max w 28,4%”. Trzy numerowane wiersze o treści „wynik indeksu 42,9 wobec 50,4, Artificial Analysis v5.0.1”, „koszt ukończonego zadania indeksowego 3,27 USD wobec 4,97 USD” oraz „wskaźnik halucynacji 28,4% wobec 4,3%”. Stopka o treści „Wyniki i koszt na zadanie według Artificial Analysis Intelligence Index v5.0.1; ceny według opublikowanych cenników poszczególnych dostawców”. Płaski styl wektorowy na białym tle z niebiesko-cyjanowymi akcentami, znak OrcaRouter nałożony w prawym dolnym rogu.
Guides & Insights

Qwen 4 kontra Gemini 4 Argon: 4,3%, które waży więcej niż siedem punktów

Autor

Gideon Frost

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

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.

Dwa modele sprzedawane w tym samym segmencie

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.

• Wynik na milion — Argon 10,00 USD; Qwen4-Max 4,50 USD i 4,24 USD. To większa różnica: 2,2× w głównej liczbie.

• 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.

• Koszt ukończonego zadania indeksowania — {{1}}Argon{{/1}} 4,97 USD; {{2}}Qwen4-Max{{/2}} 3,27 USD. Mimo 2,2× niższej wydajności wyjściowej {{2}}Qwen4-Max{{/2}} jest tylko o 34% tańszy na zadanie, ponieważ większość obu rachunków stanowi wejście.

• Efektywny wysiłek rozumowania — Argon jest mierzony na poziomie high; Qwen4-Max na poziomie xhigh. Oba modele udostępniają drabinkę, a żadna z tych liczb nie jest porównywalna z domyślnym ustawieniem drugiego modelu.

• Kontekst — 1 000 000 tokenów w Argonie; Qwen4-Max to ten sam milion na karcie dostawcy, przy czym tracker odnotowuje 983 616, ponieważ wejście w trybie myślenia jest tam ograniczone.

• 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.

Podział na poszczególne zadania nie faworyzuje tańszej karty

Rozłóż $4.97 i $3.27, a niespodzianka polega na tym, który z nich wydaje więcej na myślenie. Argon generuje 116 368 tokenów wyjściowych na zadanie indeksowe, z czego 68 301 to rozumowanie; Qwen4-Max generuje 104 940, z czego 68 914 to rozumowanie. Objętość rozumowania jest niemal identyczna. Różnica tkwi w odpowiedzi: Argon zapisuje 48 067 tokenów końcowej odpowiedzi na zadanie, podczas gdy Qwen4-Max 36 025. Argon jest bardziej rozwlekły tam, gdzie jest to widoczne, i równie rozwlekły tam, gdzie nie jest.

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.

Warto powiedzieć wprost: to koszty modelowane przez zestaw benchmarkowy, a nie faktury. Twoja mieszanka tokenów będzie inna, a stosunek między oboma modelami przesunie się wraz z nią.

W czym Qwen4-Max naprawdę przoduje

Argumenty przeciwko Qwen4-Max w tym starciu są mocne, ale nie jednomyślne, a dwa wiersze wskazują przeciwny kierunek w sposób, który ma znaczenie.

• GDPval — Qwen4-Max 1 808,69 wobec 1 633,51 Argonu. W profesjonalnych zadaniach opartych na realiach ekonomicznych Qwen4-Max wyprzedza o 10,7% model, który przewyższa go o 7,5 punktu indeksowego. To najwyraźniejsza pojedyncza inwersja w tym porównaniu.

• FrontierCode 2.0 — 26,5% wobec 25,7%. W granicach jednego punktu; w praktyce remis, w zestawie testów, w którym czołowa przewaga Argonu pozwalałaby oczekiwać wyraźnej różnicy.

• AutomationBench — 72,6% wobec 77,5%. Argon wygrywa, ale o pięć punktów w zestawie, który jest bliższy automatyzacji biurowej niż inżynierii oprogramowania.

• Terminal-Bench 4.0 — 48,5% wobec 57,1%. Tutaj przewaga Argonu jest realna: osiem i pół punktu w pracy opartej na powłoce.

• HLE Diamond — 44,9% wobec 56,7%. Dwanaście punktów w trudnej nauce.

• Terminal-Bench Science — 23,3% wobec 52,9%. Największa różnica na tablicy i ta, która najdobitniej oddziela zdolności badawcze obu modeli.

• Dokładność Omniscience — 27,7 wobec 46,1, z zastrzeżeniem dotyczącym halucynacji z początku tego tekstu, odnoszącym się do obu.

Rozpatrywane łącznie, wzorzec jest taki, że Qwen4-Max trzyma poziom w zadaniach wymagających oceny eksperckiej, a wyraźnie przegrywa we wszystkim, co wymaga długotrwałego rozumowania technicznego. To węższe i bardziej użyteczne stwierdzenie niż „siedem punktów indeksu w tyle” i wskazuje na inne wdrożenie.

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.

Dlaczego warto płacić za wskaźnik halucynacji wynoszący 4,3%

Ujmij tę różnicę w liczbach. Jeśli recenzent może zweryfikować twierdzenie w trzydzieści sekund, a sfabrykowane twierdzenie kosztuje dziesięć minut przeróbki, gdy trafi do produkcji, to oczekiwany koszt przeglądu na tysiąc odpowiedzi jest napędzany niemal wyłącznie przez udział twierdzeń sfabrykowanych, a nie przez udział twierdzeń błędnych. 4,3% dla Argon oznacza, że mniej więcej jedna odpowiedź na dwadzieścia trzy w jego zbiorze niepoprawnych wymaga przeróbki; 28,4% dla Qwen4-Max oznacza mniej więcej jedną na trzy i pół.

W zestawieniu z tym 52-procentowa premia za zadanie znika w przypadku każdego przepływu pracy z ludzkim recenzentem, ponieważ czas recenzenta przyćmiewa wydatki na tokeny przy niemal każdej stawce z narzutami. Znika ona w drugą stronę w przypadku każdego przepływu pracy, który recenzenta nie ma, ponieważ sfabrykowana odpowiedź bez recenzenta nie jest kosztem — jest incydentem.

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.

Kwestia routingu — odpowiedź dla jednej strony

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.

Ta asymetria sama w sobie jest odpowiedzią na pytanie o wdrożenie dla większości zespołów. Model, który wygrywa w kolumnie halucynacji, to ten, który możesz wywołać już dziś przez endpoint, który już masz, a model, który wygrywa w GDPval, kosztuje cię drugą umowę z dostawcą, żeby go wypróbować. Jeśli chcesz przetestować twierdzenie o GDPval na własnych danych przed podjęciem decyzji, DSL routingu pozwala wysłać stały zestaw ewaluacyjny obiema ścieżkami z jednego wywołania i porównać wyniki obok siebie — co jest tańszym eksperymentem, niż sugeruje cena za zadanie któregokolwiek z modeli.

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.

Czego siedem punktów ci nie mówi

Dwie rzeczy zmieniłyby to porównanie i żadna z nich nie jest odległa. Niezależny pomiar halucynacji na wdrożeniu Qwen4-Max z promptem systemowym dostrojonym do wstrzymywania się od odpowiedzi pozwoliłby sprawdzić, czy 28,4% jest właściwością modelu, czy sposobu, w jaki go odpytywano — żaden dostawca nie opublikował takiego pomiaru. A ponowne uruchomienie GDPval na większej próbie powiedziałoby nam, czy 10,7% przewagi Qwen4-Max w zadaniach profesjonalnych jest rzeczywiste, czy to szum, ponieważ przedziały tego benchmarku są szerokie, a dwa modele są wystarczająco blisko, by kolejność mogła się odwrócić.

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.