GPT-6.1 Sol vs Gemini 4 Pro: Google släppte aldrig det namnet, och prismatchningen upphör 1 december

Det finns ingen modell som heter Gemini 4 Pro. Om du sökte efter en jämförelse mot GPT-6.1 Sol är Googles sida av den matchningen Gemini 4 Argon – den frontiermodell som Google annonserade den 30 september 2026 för en sluten grupp cybersäkerhetsförsvarare och öppnade för betalande utvecklare den 13 oktober. De två har nu vad som ser ut som ett identiskt kort: 2,00 USD per miljon indatatoken och 10,00 USD per miljon utdatatoken. Den identiteten har ett utgångsdatum. Argons introduktionspris gäller till och med den 30 november; från och med den 1 december blir det 4,00 USD och 20,00 USD. GPT-6.1 Sol, som släpptes på DevDay den 29 september, har prissatts till 2,00 USD och 10,00 USD som sitt ordinarie pris, inte som en kampanj. Så den verkliga frågan är inte vilken modell som vinner i dag. Det är vilket kort du fortfarande håller i februari.

Allt nedan kommer från de två leverantörernas egen modelldokumentation och prisdokumentation, läst den 27 oktober 2026, eller från Artificial Analysis, som är den enda oberoende resultattavlan där båda modellerna förekommer. När en siffra är leverantörens egen benchmarkkörning står det i meningen som innehåller den. Googles modellista är anledningen till att namnkorrigeringen inte är pedanteri: identifieraren den tillhandahåller är gemini-4-argon, och det finns ingen gemini-4-pro-rad att anropa.

Namnet i sökrutan och modellen på fakturan

"Gemini 4 Pro" levde kvar som en community-beteckning från läckcykeln. I mitten av september beskrev rapporter en mystisk modell som dök upp anonymt på arena-liknande topplistor, producerade ovanligt långa resonemangsspår och i stor utsträckning identifierades som nästa Gemini-modell på Pro-nivå. När Google faktiskt tillkännagav modellen kallade de den Argon och beskrev den som starten på Gemini 4-familjen snarare än en ersättare för en namngiven Pro-nivå. Rapporter vid den tiden sade att Google hade lagt ned Gemini 3.5 Pro-linjen och omdirigerat den beräkningskapaciteten, vilket är en del av varför Pro-beteckningen fastnade: det fanns en lucka där en Pro-modell skulle ha funnits.

Etiketten spelar roll av en praktisk anledning. Söker man på Gemini 4 Pro får man mest sidor byggda på läckta specifikationer – ett kontextfönster på tio miljoner token, permanent minne över sessioner, sandlådeisolering – inget av vilket Google har publicerat. Söker man på Argon får man leverantörens egen dokumentation. Om du väljer en modell i stället för att läsa ett rykte är det andra alternativet det enda användbara objektet. Argons offentliga dokumentation beskriver en enhetlig arbetsyta på en miljon token som delas mellan indata, tänkande och utdata, en standardtilldelning för utdata på 65 536 token och långa avkodningskörningar som kan sträcka sig till ungefär en miljon utdatatoken.

Två prislistor, varav en är en kampanj

Här är hela den kommersiella jämförelsen utifrån de dimensioner som förändrar en faktura. Varje rad kommer från leverantörernas egna publicerade villkor den 27 oktober 2026.

• Standardtaxa idag — GPT-6.1 Sol $2.00 inmatning / $10.00 utdata per miljon; Gemini 4 Argon $2.00 / $10.00.

• Pris den 1 december 2026 — GPT-6.1 Sol oförändrat på 2,00 $ / 10,00 $; Gemini 4 Argon 4,00 $ / 20,00 $.

• Cachad indata — Sol $0,10 per miljon; Argon cirka $0,10 i dag med 95 % rabatt, uppges stiga till ungefär $0,20 efter steget.

• Prissättning för lång kontext – Sol prissätter om hela förfrågan över 272 000 indatatokens till $4,00 för indata och $15,00 för utdata, med cachad indata till $0,20; Argon publicerar inget motsvarande steg eftersom dess arbetsyta är en jämn miljon tokens.

• Kontext — Sol 1 050 000 indatatokens med en utdatagräns på 128 000 tokens; Argon en miljon tokens enhetligt, med en standardutdata på 65 536 tokens.

• Resonemangsstyrning – Sol resonerar alltid, med fem nivåer från låg till max och ingen avstängningsknapp; Argons ansträngningsstyrning exponeras via Googles API men dokumenteras inte i samma stegtermer.

• Indata — Sol tar emot text, bilder och filer; Google positionerar Argon som multimodalt för text, bild och video.

• Hur du köper det — Sol via OpenAIs API, Bedrock och routrar som tillhandahåller den, inklusive våra; Argon via Googles egen API, AI Studio och företagskanaler.

Det är den fjärde raden som folk missar. Sols långkontextsteg är en klippa kopplad till längden på en enskild förfrågan: passerar du 272 000 indatatokens får hela prompten ett nytt pris, inte bara överskottet. Argons platta arbetsyta på en miljon tokens har ingen motsvarande gräns. För en agent som sätter samman en stor repository-kontext vid varje tur kan den skillnaden spela större roll än det annonserade priset – och den talar till Argons fördel, åtminstone till december.

Femtiotre mot femtiotvå, och ärligheten i en skillnad på en poäng

Artificial Analysis placerar Gemini 4 Argon på 53 i sitt Intelligence Index och GPT-6.1 Sol på 52, båda på version 4.3.2 av sviten. Argon rankas som nionde av 221 modeller; Sol ligger strax bakom. En poäng på ett sammansatt mått av ungefär tio utvärderingar är inte en rangordning, det är ett band. Vad indexet är bättre på är att visa att ingen av modellerna köper sin poäng med en dramatiskt annorlunda kostnadsstruktur — åtminstone inte på de officiella priserna, där de har samma siffra.

Konfigurationerna är inte identiska, och det är värt att säga snarare än att dölja. Artificial Analysis visar Sol vid maximal ansträngning, dess dyraste inställning. Argons poäng publiceras vid en enda konfiguration som Google exponerar. En jämförelse mellan olika ansträngningsinställningar är en jämförelse av två produkter i levererat skick, inte av två förmågor vid deras tak, och ingen har publicerat en körning med matchad ansträngning för båda.

Leverantörssiffror finns på båda sidor och bör läsas som påståenden. Googles lanseringsmaterial rapporterade förstaplatser i 13 av 19 utvärderingar som företaget genomförde och beskrev Argon som sin starkaste modell för svårt vetenskapligt och tekniskt arbete. OpenAI:s lanseringsmaterial för GPT-6.1 Sol rapporterade paritet med företagets egen flaggskeppsmodell GPT-6 Astra på DeepSWE v1.1 till ungefär en femtedel av kostnaden, en ökning med sju punkter på OSWorld 2.0 offline och en minskning av frekvensen faktiska fel vid låg resonemangsnivå från 11,4 % till 7,7 %. Inget av dessa fyra påståenden har en publicerad oberoende reproduktion. De är användbara för att förstå vad respektive leverantör anser sig ha byggt, och värdelösa för att avgöra mellan de två.

Aritmetiken för de trettiofem dagarna mellan nu och den 1 december

Ta en produktionsarbetsbelastning av medelstor storlek: 40 miljoner indatatokens och 8 miljoner utdatatokens i månaden, ingen cachning, inga överskridanden av lång kontext. På endera kortet idag är det $160 i månaden — $80 för indata till $2.00, $80 för utdata till $10.00. Från och med 1 december är samma arbetsbelastning på Argon $320: $160 för indata till $4.00 och $160 för utdata till $20.00. På GPT-6.1 Sol ligger det kvar på $160.

Under de tolv månaderna efter ändringen blir det 3 840 USD på Argon mot 1 920 USD på Sol, en skillnad på 1 920 USD för en arbetsbelastning som inte förändrades. Om ditt trafikmönster innehåller promptar över 272 000 token komplicerar Sols prishopp bilden: en enda förfrågan med 300 000 indata-token debiteras enligt långkontexttaxan för alla 300 000, vilket blir 1,20 USD i stället för 0,60 USD. Kör du fyrtio sådana vändor i månaden krymper den ovanstående besparingen med ungefär 240 USD per år. Den slår inte om. Prishoppet är ett skäl att mäta dina promptlängder, inte ett skäl att föredra ett kort som kostar dubbelt.

Vad jämförelsen inte kan säga dig

Ingen av modellerna har ett praktikerunderlag. Argon har varit allmänt tillgänglig i två veckor; Sol i fyra. Det finns ingen samling publicerade felmönster, ingen långvarig agenttelemetri och ingen oberoende kostnadsstudie av någon av dem på ett verkligt produktionstrace. Indexet mäter en svit, inte din arbetsbelastning. Leverantörernas benchmarkar mäter de uppgifter leverantören valt, med de ansträngningsinställningar leverantören valt.

Den enda asymmetrin som inte handlar om förmåga är tillgänglighet. Argon säljs av Google, på Googles villkor, med en prisändring redan inplanerad. Sol säljs av OpenAI och distribueras via routrar, vilket är en annan typ av beroende: om en enskild leverantör drabbas av en incident kan en routad anropare växla över; en direkt anropare kan inte. Det är inte ett skäl att välja en modell. Det är ett skäl att hålla modellvalet åtskilt från transporten, vilket är argumentet för en gateway i allmänhet och inte för någon av modellerna i synnerhet.

Vilken ska man ringa, med tanke på kalendern?

Om du väljer i dag och din arbetsbelastning är priskänslig är GPT-6.1 Sol det säkrare kortet eftersom det är ett åtagande: $2.00 och $10.00 med en publicerad regel för lång kontext, inget utgångsdatum och en mätare för cachad indata till en tiondel av indataavgiften. Det finns i vår katalog till OpenAI:s listpris med 0 % påslag, så den taxa du ser på leverantörens sida är den taxa du faktureras, och en ändring hos OpenAI skulle återspeglas samma dag i stället för efter en prisjusteringscykel.

Om du behöver det som Argon specifikt gör – den fasta arbetsytan på en miljon token, Googles multimodala indata eller dess placering i Googles egna vetenskapliga utvärderingar – är det ärliga rådet att budgetera för decemberpriset nu. Ett team som planerar utifrån $2,00 och $10,00 och förnyar i januari kommer att uppleva förändringen som en ökning med 100 %. Ett team som planerar utifrån $4,00 och $20,00 och får trettiofem dagars rabatt är helt enkelt tidigt ute. Gemini 4 Argon finns inte i vår katalog, så om du vill ha det är det leverantörens egen API och flera tredjepartsplattformar som gäller.

Namnet i sökrutan var aldrig verkligt. Modellen är det, rabatten är verklig i ytterligare en månad, och det enda beslut som överlever december är om arbetsbelastningen behöver Argons form tillräckligt mycket för att betala dubbelt för den. För det mesta kodnings- och dokumenttunga arbete är svaret den här månaden och nästa modellen vars pris inte är en nedräkning.