GPT-6.1 Terra vs Gemini 4 Argon: Den ena är billigare, den andra har rätt oftare

På DualEntry-accountingbenchmarken som publicerades den 26 oktober 2026, Gemini 4 Argon fick 91,1 % och GPT-6.1 Terra fick 78,2 % — och Terra gjorde det på 16,1 sekunder för 4,2 cent, den snabbaste och billigaste körningen av alla OpenAI-modeller i den uppsättningen på 22 modeller. Den enda raden är matchen i miniatyr. Googles flaggskepp är den bättre bedömningsmotorn; OpenAIs nya mellanklass är den bättre genomströmningsmotorn; och gapet mellan dessa två uppgifter är där pengarna faktiskt går. Att välja mellan dem enbart utifrån prislappen ger fel svar i båda riktningarna.

Specifikationerna, sida vid sida, eftersom detaljerna avgör mer än rubriksiffrorna:

• Pris — GPT-6.1 Terra $1.00 per 1 miljon indata och $5.00 per 1 miljon utdata, som ökar till $2.00/$7.50 när en förfrågan överstiger 272K indatatoken; Gemini 4 Argon $2.00/$10.00 i introduktionspris till och med 30 november 2026, därefter $4.00/$20.00.

• Kontext — Terra 1,05M token med ett utdatatak på 128K; Argon ungefär 1M indata (Google har inte publicerat någon siffra; trackers listar 1M) och upp till 1M token i en enda utdata via funktionen Long Decode Continuation.

• Indata — Terra accepterar text och bilder; Artificial Analysis listar samma två modaliteter för Argon, medan Googles tillkännagivande och dess benchmark för långa videor tyder på att även videoindata stöds.

• Resonemangsstyrning — Terra erbjuder sex ansträngningsnivåer; Argon erbjuder tre.

• Kunskapsgräns — Terra juni 2026; Argon mars 2026.

• Oberoende intelligensindex — Terra 48, Argon 53, enligt Artificial Analysis nuvarande skala.

Prisgapet som alla citerar är fel.

Lanseringsrapporteringen framställer detta som en prisskillnad på det dubbla: $1/$5 mot $2/$10. Det stämmer bara under Argons introduktionsperiod, och bara per token. Efter den 30 november fyrdubblas utpriset i förhållande till Terra, det dubblas inte. Och ingen betalar för agentarbete per token.

Artificial Analysis placerar Terra på cirka 0,40 USD per Intelligence Index-uppgift och Argon på 1,62 USD – en fyrdubbel skillnad, inte en tvåfaldig. Orsaken är mest prislistan snarare än skenande mångordighet: i samma utvärdering genererade Argon 110 M utdatatokens mot Terras 130 M, så Terra var faktiskt den mer pratsamma av de två och landade ändå på en fjärdedel av kostnaden. Det Terra köper är en billigare token och ett snabbare svar, inte ett kortare.

Det finns en andra prisklippa som lanseringsbevakningen oftast missar. Terras pris på $1.00 för indata gäller för de första 272K tokens i en förfrågan. Därefter hoppar indata till $2.00 och utdata till $7.50. För chatt och kodgranskning spelar detta aldrig någon roll. För en avtalsgranskning på 600K tokens eller en långvarig genomsökning av ett kodförråd fördubblas Terras effektiva pris mitt i förfrågan, och gapet mot Argon krymper kraftigt. Budgetera för den förfrågningsstorlek du faktiskt skickar, inte den som står i första raden i pristabellen.

Där Argons försprång är verkligt, inte marknadsföring

Argons fördel är koncentrerad till arbete där ett felaktigt svar kostar mer än tokens att förhindra det. DualEntry-resultatet är det tydligaste offentliga exemplet: 91,1 % totalt mot Terras 78,2 %, med den största enskilda skillnaden inom leverantörsskulder, där Argon fick 84,6 % och Terra 53,8 %. Terra slutade delad 18:e av 22 modeller på det benchmarket. Det var också snabbast, vilket visar vilken sorts modell det är: optimerad för att beta av en kö, inte för att vara den sista försvarslinjen.

Samma mönster dyker upp på andra håll. I Vals Index ligger Argon i topp på 68,9 %, först av ungefär 41 modeller. I Artificial Analysis Intelligence Index får den 53 mot Terras 48. På AA-Omniscience ligger dess hallucineringsfrekvens på omkring 15 % – den lägsta uppmätta bland frontier-modeller – medan GPT-6 Astra, modellen den oftast jämförs med, ligger nära 51 %. Terras egen gissningsfrekvens sjönk från 88 % till 38 % jämfört med föregångaren, vilket är en genuin förbättring, men dessa två siffror är inte samma mått och bör inte subtraheras från varandra. Den ärliga tolkningen är att Argon är den mer försiktiga modellen och Terra den mycket förbättrade men fortfarande mer spekulativa.

Argons indatayta är bredare på en axel: video. Artificial Analysis tekniska panel listar bara text och bild, men Googles tillkännagivande ramar in utökad multimodal kapacitet och benchmarkar förståelse för långa videor på LVBench, vilket bara är meningsfullt om video tas in. Om din pipeline tar in inspelade samtal eller skärmdumpar, verifiera de exakta formaten mot Googles dokumentation innan du bygger en integration kring dem – där de håller är det en kapacitetsskillnad som ingen prisfördel med Terra kan överbrygga.

Där Terra är det rationella standardvalet

Terras argument är inte att den är smartare. Det är att den mesta produktionstrafiken inte behöver den smartaste modellen, och Terra är ovanligt bra på att vara tillräckligt bra till låg kostnad.

Den är snabb på ett sätt som förändrar systemdesign: 90,9 utdatatoken per sekund i Artificial Analysiss mätning mot Argons 80,9, medan OpenAI hävdar ungefär tre gånger snabbare uppgiftslösning än sitt eget flaggskepp. En supporttriagekö, en loggsammanfattare, en kodgranskare för första genomgången eller en dokumentklassificerare som körs en miljon gånger i månaden har inte nytta av Argons omdömesmarginal. Den har nytta av en modell som svarar på sekunder till $0,40 per uppgift i stället för dollar per uppgift.

Terra är också den mer kontrollerbara av de två. Sex resonemangsnivåer mot Argons tre innebär finare granularitet i den enda ratt som påverkar både kostnad och latens mest. Team som skickar enkla förfrågningar till låg ansträngning och svåra till maximal ansträngning kan ofta hamna inom några få procentenheter av en större modells träffsäkerhet till en bråkdel av dess kostnad. Argon ger dig mindre spelrum att göra den avvägningen.

Och Terras nyare kunskapsgräns – juni 2026 jämfört med mars 2026 – spelar roll för allt som resonerar kring aktuella händelser, biblioteksversioner eller priser som ändrades i sommar. Det är ett litet försprång, men det är gratis.

Beslutsregeln

Välj inte en. Bevisen stöder en uppdelning, och uppdelningen är ovanligt ren:

• Använd GPT-6.1 Terra för högvolymsarbete med kort utdata under övervakning, där ett felaktigt svar fångas upp nedströms: klassificering, extrahering, routning, generering av första utkast, triage av loggar och larm, storskalig kodgranskning.

• Använd Gemini 4 Argon för arbete med låg volym, lång tidshorisont och hög kostnad vid fel: finansiell och redovisningsmässig avstämning, juridisk granskning och regelefterlevnadsgranskning, flerstegsagenter som använder verktyg utan tillsyn, och allt som kräver video-, ljud- eller PDF-indata.

• Använd Terra som första pass och Argon som eskalering för svansen. Gapet 78,2 mot 91,1 inom redovisningsarbete är precis den typ av marginal där ett billigt första pass plus en dyr kontroll slår båda modellerna var för sig.

• Kör om beräkningen efter 30 november. Argons ändring från $2/$10 till $4/$20 förändrar brytpunkten avsevärt, och alla jämförelser som skrivs under kampanjperioden kommer att vara inaktuella.

Hur man kör vilken som helst av dem

Tillgängligheten skiljer sig mer än vad benchmarkarna antyder. Terra släpptes den 26 oktober via OpenAI:s API, ChatGPT och Codex, utan öppna vikter. Argon har rullats ut i etapper sedan tillkännagivandet den 30 september – först till granskade cyberförsvarare genom Googles Fairwind-program, sedan till AI Ultra-prenumeranter och betalande API-kunder – och Google har inte åtagit sig någon bred gratisutgåva.

Per den 27 oktober finns ingen av modellerna i OrcaRouters katalog, så det här är inte ett fall där vi kan ge dig en enda slutpunkt för båda. Det vi kan berätta är hur den omgivande stacken vanligtvis byggs: team håller en billig utförare och en dyr kontrollant bakom ett enda API, och modellerna som redan är routade – Claude Opus 5.5, GPT-6.1 Sol, Grok 4.7, och över 200 andra – ligger bakom en enda nyckel där leverantörernas listpriser förs vidare med 0 % påslag och automatisk failover sker när en leverantör försämras. Om Terra eller Argon hamnar i katalogen passar de in i samma nyckel i stället för att bli en andra integration. Till dess kan du testa var och en via dess leverantör och hålla routningsbeslutet på uppgiftsnivå, där det hör hemma.

Det man bör hålla ögonen på är inte ännu ett benchmarkdiagram. Det är Argons pris efter kampanjperioden och Terras första oberoende Terminal-Bench-körning, som för närvarande vilar på OpenAIs egen uppgift om 50,3 % mot Argons 57 %+. Om Terra håller sig nära den siffran till en fjärdedel av Argons kostnad per uppgift, blir uppdelningen ovan standardarkitekturen för många team. Om den glider blir strategin med ett billigt första försök dyrare än den ser ut.