Сгенерированная титульная карточка с надписью «Qwen 4 против Gemini 4 Argon: те 4,3%, которые решают больше, чем семь баллов», и подзаголовком «Gemini 4 Argon галлюцинирует в 4,3% вопросов, на которых ошибается; Qwen4-Max — в 28,4%». Три пронумерованные строки гласят: «балл индекса 42,9 против 50,4, Artificial Analysis v5.0.1», «стоимость выполнения одной задачи индекса $3,27 против $4,97» и «доля галлюцинаций 28,4% против 4,3%». В нижнем колонтитуле: «Оценки и стоимость одной задачи по Artificial Analysis Intelligence Index v5.0.1; цены — по опубликованным прайс-листам каждого поставщика». Плоская векторная стилистика на белом фоне с синими и голубыми акцентами, знак OrcaRouter совмещён в правом нижнем углу.
Guides & Insights

Qwen 4 против Gemini 4 Argon: 4,3%, которые решают больше, чем семь пунктов

Автор

Gideon Frost

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

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.

Две модели, продаваемые в одном и том же сегменте

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.

• Вывод, за миллион — Argon $10.00; Qwen4-Max $4.50 и $4.24. Это более крупный разрыв: 2,2× по заявленному показателю.

• 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.

• Стоимость одной выполненной задачи индексирования — Argon: $4,97; Qwen4-Max: $3,27. Несмотря на то что скорость вывода у Qwen4-Max в 2,2 раза ниже, в расчёте на задачу он дешевле лишь на 34%, поскольку большую часть обоих счетов составляют входные данные.

• Эффективный уровень усилий при рассуждении — у Argon он измеряется на уровне high; у Qwen4-Max — на xhigh. Обе модели предоставляют шкалу уровней, и ни одно из этих значений не сопоставимо со значением по умолчанию другой модели.

• Контекст — 1 000 000 токенов на Argon; у Qwen4-Max в карточке вендора тот же миллион, но трекер фиксирует 983 616, поскольку объём входных данных в режиме размышления там ограничен сверху.

• 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.

Разбиение по задачам не отдаёт предпочтения более дешёвой карте.

Разложите $4.97 и $3.27, и сюрприз в том, какая из них тратит больше на размышления. Argon выдаёт 116 368 выходных токенов на задачу индексации, из которых 68 301 — это рассуждения; Qwen4-Max выдаёт 104 940, из которых 68 914 — рассуждения. Объём рассуждений почти идентичен. Разница — в ответе: Argon пишет 48 067 токенов финального ответа на задачу против 36 025 у Qwen4-Max. Argon более многословен там, где это видно, и столь же многословен там, где это не видно.

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.

Стоит сказать прямо: это смоделированные затраты из стенда для бенчмарков, а не счета. Ваш состав токенов будет другим, и соотношение между двумя моделями изменится вместе с ним.

Где Qwen4-Max действительно впереди

Доводы против {{1}}Qwen4-Max{{/1}} в этом матче сильны, но не единодушны, и две строки указывают на обратное, причём это существенно.

• GDPval — Qwen4-Max: 1 808,69 против 1 633,51 у Argon. В экономически обоснованных профессиональных задачах Qwen4-Max на 10,7% опережает модель, которая превосходит Qwen4-Max на 7,5 индексных пункта. Это самая явная единичная инверсия в сравнении.

• FrontierCode 2.0 — 26,5% против 25,7%. Разница в пределах одного пункта; фактически ничья — причём на том наборе тестов, где заявленное лидерство Argon предвещало бы разрыв.

• AutomationBench — 72,6% против 77,5%. Argon побеждает, но всего на пять пунктов в наборе тестов, который ближе к офисной автоматизации, чем к разработке программного обеспечения.

• Terminal-Bench 4.0 — 48,5% против 57,1%. Здесь преимущество Argon реально: восемь с половиной пунктов в работе с командной строкой.

• HLE Diamond — 44,9% против 56,7%. Двенадцать пунктов по точным наукам.

• Terminal-Bench Science — 23,3% против 52,9%. Самый большой разрыв в таблице и тот, который наиболее чётко разделяет исследовательские способности двух моделей.

• Точность Omniscience — 27,7 против 46,1, причём к обоим относится оговорка о галлюцинациях из начала этого материала.

Если читать их как набор, закономерность такова: Qwen4-Max не уступает на задачах, требующих профессионального суждения, и сильно проигрывает там, где необходимо длительное техническое рассуждение. Это более узкое и более полезное утверждение, чем «отставание на семь пунктов индекса», и оно указывает на иной сценарий развёртывания.

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.

Почему уровень галлюцинаций в 4,3% стоит того, чтобы за него платить

Выразите разницу в числах. Если проверяющий может проверить утверждение за тридцать секунд, а сфабрикованное утверждение стоит десяти минут доработки, когда доходит до продакшена, то ожидаемая стоимость проверки на тысячу ответов почти полностью определяется долей сфабрикованных, а не долей неверных. 4,3% у Argon означают, что примерно один ответ из двадцати трёх в его некорректном наборе требует доработки; 28,4% у Qwen4-Max означают, что примерно один из трёх с половиной.

Если учесть это, надбавка в 52% на задачу исчезает для любого рабочего процесса с участием человека-проверяющего, поскольку время проверяющего многократно превышает расходы на токены почти при любой полной ставке. В противоположном случае она исчезает для любого рабочего процесса без такого участия, поскольку сфабрикованный ответ без проверяющего — это не затраты, а инцидент.

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.

Вопрос маршрутизации — ответ для одной стороны

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.

Эта асимметрия сама по себе и есть ответ на вопрос о развертывании для большинства команд. Модель, которая выигрывает в столбце галлюцинаций, — это та, которую вы можете вызвать сегодня через уже имеющуюся у вас конечную точку, а модель, выигрывающая по GDPval, обойдётся вам во второй контракт с поставщиком, если вы захотите её попробовать. Если вы хотите проверить утверждение о GDPval на собственных данных, прежде чем принять решение, DSL маршрутизации позволяет отправить фиксированный набор для оценки по обоим путям одним вызовом и сравнить результаты бок о бок — это более дешёвый эксперимент, чем можно было бы предположить по цене за задачу каждой из моделей.

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.

О чём умалчивают семь пунктов

Две вещи могли бы изменить это сравнение, и ни одна из них не за горами. Независимое измерение галлюцинаций на развертывании Qwen4-Max с системным промптом, настроенным на отказ от ответа, проверило бы, являются ли 28,4% свойством модели или следствием того, как к ней обращались, — ни один поставщик такого не публиковал. А повторный прогон GDPval на большей выборке показал бы, реально ли преимущество Qwen4-Max в 10,7% на профессиональных задачах или это шум, потому что интервалы этого бенчмарка широки, а две модели достаточно близки, чтобы порядок мог перевернуться.

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.