Um cartão de título gerado com o texto ‘Qwen 4 vs Gemini 4 Argon: os 4,3% que decidem mais do que os sete pontos’, com o subtítulo ‘O Gemini 4 Argon alucina em 4,3% das perguntas que erra; o Qwen4-Max, em 28,4%’. Três linhas numeradas trazem ‘pontuação do índice 42,9 contra 50,4, Artificial Analysis v5.0.1’, ‘custo por tarefa de índice concluída US$ 3,27 contra US$ 4,97’ e ‘taxa de alucinação 28,4% contra 4,3%’. Um rodapé traz ‘Pontuações e custo por tarefa conforme o Artificial Analysis Intelligence Index v5.0.1; preços conforme a tabela de preços publicada por cada fornecedor’. Estilo vetorial plano sobre branco com acentos em azul e ciano, a marca OrcaRouter composta no canto inferior direito.
Guides & Insights

Qwen 4 vs Gemini 4 Argon: Os 4,3% que decidem mais do que os sete pontos

Autor

Gideon Frost

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

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.

Dois modelos vendidos no mesmo segmento

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.

• Saída, por milhão — Argon $10,00; Qwen4-Max $4,50 e $4,24. Esta é a diferença maior: 2,2× no número principal.

• 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.

Custo por tarefa de indexação concluída — Argon $4,97; Qwen4-Max $3,27. Apesar de uma taxa de saída 2,2× menor, o Qwen4-Max é apenas 34% mais barato por tarefa, porque a maior parte do valor de ambas as faturas corresponde à entrada.

• Esforço de raciocínio efetivo — Argon é medido em high; Qwen4-Max em xhigh. Ambos os modelos expõem uma escala, e nenhum dos valores é comparável ao padrão do outro modelo.

• Contexto — 1.000.000 de tokens no Argon; o Qwen4-Max é o mesmo milhão no cartão do fornecedor, com o rastreador registrando 983.616 porque a entrada do modo de raciocínio é limitada ali.

• 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.

A divisão por tarefa não favorece a placa mais barata

Decomponha os US$ 4,97 e os US$ 3,27, e a surpresa é qual deles gasta mais pensando. O Argon emite 116.368 tokens de saída por tarefa de indexação, dos quais 68.301 são de raciocínio; o Qwen4-Max emite 104.940, dos quais 68.914 são de raciocínio. O volume de raciocínio é quase idêntico. A diferença está na resposta: o Argon escreve 48.067 tokens de resposta final por tarefa, contra 36.025 do Qwen4-Max. O Argon é mais verboso onde isso é visível e igualmente verboso onde não é.

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.

Vale dizer claramente: estes são custos modelados a partir de um harness de benchmark, não faturas. A sua mistura de tokens será diferente, e a proporção entre os dois modelos mudará com ela.

Onde o Qwen4-Max está genuinamente à frente

O argumento contra o Qwen4-Max neste confronto é forte, mas não é unânime, e duas linhas seguem o caminho oposto de uma forma que importa.

• GDPval — Qwen4-Max 1.808,69 contra 1.633,51 do Argon. Em tarefas profissionais economicamente fundamentadas, o Qwen4-Max está 10,7% à frente de um modelo que o supera em 7,5 pontos de índice. Esta é a inversão única mais clara da comparação.

• FrontierCode 2.0 — 26,5% contra 25,7%. Dentro de um ponto; efetivamente um empate, na suíte em que a vantagem anunciada da Argon preveria uma diferença.

• AutomationBench — 72,6% contra 77,5%. Argon vence, mas por cinco pontos em uma suíte que está mais próxima da automação de escritório do que da engenharia de software.

• Terminal-Bench 4.0 — 48,5% contra 57,1%. Aqui, a vantagem do Argon é real: oito pontos e meio em trabalho orientado por shell.

• HLE Diamond — 44,9% contra 56,7%. Doze pontos em ciência de alto nível.

• Terminal-Bench Science — 23,3% contra 52,9%. A maior diferença do quadro, e a que separa com mais clareza a capacidade de pesquisa dos dois modelos.

• Precisão do Omniscience — 27,7 contra 46,1, com a ressalva sobre alucinações mencionada no início deste texto aplicada a ambos.

Lido em conjunto, o padrão é que o Qwen4-Max se mantém competitivo em tarefas de julgamento profissional e perde feio em qualquer coisa que exija raciocínio técnico sustentado. Essa é uma afirmação mais estreita e mais útil do que "sete pontos de índice atrás", e aponta para uma implantação diferente.

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.

Por que vale a pena pagar por uma taxa de alucinação de 4,3%

Coloque um número na diferença. Se um revisor consegue verificar uma afirmação em trinta segundos e uma afirmação fabricada custa dez minutos de retrabalho quando chega à produção, então o custo esperado de revisão por mil respostas é determinado quase inteiramente pela parcela fabricada, e não pela parcela errada. Os 4,3% do Argon significam que aproximadamente uma resposta em cada vinte e três do seu conjunto incorreto precisa de retrabalho; os 28,4% do Qwen4-Max significam aproximadamente uma em cada três e meia.

Em contrapartida, o acréscimo de 52% por tarefa desaparece para qualquer fluxo de trabalho que tenha um revisor humano, porque o tempo do revisor ofusca o gasto com tokens a quase qualquer custo horário total. Ele desaparece na direção oposta para qualquer fluxo de trabalho que não tenha, porque uma resposta fabricada sem revisor não é um custo, é um incidente.

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.

A questão de roteamento, respondida para um lado

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.

Essa assimetria é, por si só, a resposta para a questão da implantação na maioria das equipes. O modelo que vence na coluna de alucinações é aquele que você pode chamar hoje pelo endpoint que já tem, e o modelo que vence no GDPval custa um segundo contrato com fornecedor para testar. Se você quiser testar a alegação do GDPval com seus próprios dados antes de se comprometer, uma DSL de roteamento permite enviar um conjunto fixo de avaliação pelos dois caminhos a partir de uma única chamada e comparar as saídas lado a lado — o que é um experimento mais barato do que o preço por tarefa de qualquer um dos modelos sugere.

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.

O que os sete pontos não lhe dizem

Duas coisas mudariam essa comparação, e nenhuma delas está distante. Uma medição independente de alucinação em uma implantação do Qwen4-Max com um prompt de sistema ajustado para abstenção testaria se 28,4% é uma propriedade do modelo ou de como ele foi consultado — nenhum fornecedor publicou uma. E uma nova execução do GDPval com uma amostra maior nos diria se a vantagem de 10,7% do Qwen4-Max em tarefas profissionais é real ou ruído, porque os intervalos desse benchmark são amplos e os dois modelos estão próximos o suficiente para que a ordenação se inverta.

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.