MIDM K 3.0 Pro mot Gemini 4 Argon: Tio gånger priset, femtio indexpoäng

Det billigaste sättet att jämföra Mi:dm K 3.0 Pro och Gemini 4 Argon är inte ett specifikationsblad, det är en division. Gemini 4 Argon kostar 2,00 USD per miljon indatatoken och 10,00 USD per miljon utdatatoken, och Artificial Analysis mäter den till 1,99 USD för att köra en Intelligence Index-uppgift. Mi:dm K 3.0 Pro kostar 0,20 USD och 0,80 USD, och har ingen kostnad per indexuppgift eftersom den inte har någon indexpoäng. Så den ärliga formuleringen är inte "billig modell mot dyr modell" – det är en uppmätt modell med en känd kostnad per kapacitetsenhet mot en icke uppmätt modell med en känd kostnad per token, och dessa två fakta kan inte subtraheras från varandra. Det som kan göras är att sätta pris på risken: räkna ut vilken poäng den koreanska modellen skulle behöva nå innan dess prisfördel överlever kontakt med en verklig arbetsbelastning, och sedan avgöra om den siffran är rimlig.

Hur varje modell ligger till den 11 november 2026

• Gemini 4 Argon — tillkännagavs av Google den 30 september 2026 och finns allmänt tillgänglig via Gemini API sedan den 13 oktober 2026. Kontextfönster på 1 048 576 token, upp till 943 718 token utdata i ett enda svar och multimodala indata i form av text, bilder, ljud, video och filer. Priset är 2,00 USD för indata och 10,00 USD för utdata per miljon, med cachelagrade indata till 0,10 USD.

• Mi:dm K 3.0 Pro — fakturerbar på KT:s Token Factory-plattform sedan 29 oktober 2026 och internationellt listad den 5 november. Kontext på 261 795 token, upp till 235 615 token utdata, text in och text ut. 0,20 USD för indata och 0,80 USD för utdata per miljon, cachad indata för 0,04 USD, med en kampanjrabatt på 30 % som för närvarande tillämpas på KT:s egen plattform.

• Oberoende utvärdering — Gemini 4 Argon får 52,6 på Artificial Analysis Intelligence Index och rankas etta på Vals Index med 68,90 %. Mi:dm K 3.0 Pro finns inte med på något av dem.

• Arkitektur — Google publicerar inget antal parametrar för Argon. KT publicerar ett sådant för sin modell: 120B totalt, 12B aktiva, hybrid Mamba/MoE/attention, som serveras från en checkpoint med NVFP4-experter.

Aritmetiken som avgör om den billiga modellen är värd att testa

Börja med vad ett verkligt anrop kostar. Ett dokument på 30 000 token som sammanfattas till 1 500 token debiteras med 0,06 USD för indata plus 0,015 USD för utdata på Gemini 4 Argon – 0,075 USD. Samma anrop på Mi:dm K 3.0 Pro kostar 0,006 USD plus 0,0012 USD, eller 0,0072 USD. Tio gånger billigare, i stort sett.

Nu kommer delen som ändrar beslutet. Anta att Gemini-modellen får 92 % av dessa sammanfattningar rätt vid första passet och att den koreanska modellen, som inte har mätts, får 84 %. Till tio gånger priset vinner den billiga modellen fortfarande på ren tokenkostnad – $0.0072 mot $0.075. Men om felfrekvensen på 8 % kräver ett andra pass med en starkare modell, och om det andra passet kostar mer än det första eftersom det inkluderar verifiering, konvergerar den effektiva kostnaden per accepterad sammanfattning snabbt. Det är hela argumentet, och det är därför "inget benchmark" är ett prisfaktum snarare än ett redaktionellt klagomål.

Sätt en siffra på brytpunkten i stället. För att den koreanska modellen ska vara det bättre köpet när den är tio gånger billigare på en kontrollerbar uppgift behöver den ligga inom ungefär en faktor tio av Argons användbara output per dollar. Om Argons index på 52,6 motsvarar en uppgiftsframgångsgrad som du redan känner till från dina egna utvärderingar, är frågan om en 120B-hybrid till en femtedel av DeepSeeks flaggskeppspris hamnar någonstans inom tio procentenheter i träffsäkerhet från Googles frontmodell. Det kan den. Ingen har visat det, och bevisbördan ligger hos den som migrerar, inte hos den som stannar kvar.

Kostnad per uppgift, vilket är den siffra som Artificial Analysis faktiskt publicerar

Argons $1.99 per indextask är värt att förstå, eftersom det inte är samma sak som dess tokenpris och det är siffran som gör jämförelser mellan modeller rättvisande.

Indexet normaliserar poängen mot den tokenkostnad som krävs för att få den, så en modell som är mångordig och dyr per uppgift ser sämre ut än vad dess prislista antyder. Argons $1,99 köper en genomgång av sviten med nio utvärderingar som utgör Intelligence Index v5.0.1 – AA-Briefcase, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 och Terminal-Bench-Science. Att köra hela sviten mot Argon en gång kostar $2 407. Mot GLM-5.3, en billigare modell i samma band, kostar det $2 503 – mer, trots ett lägre listpris, eftersom modellen gör av med fler tokens för att slutföra samma uppgifter.

Den inversionen är anledningen till att misstro en ren prislistejämförelse. En modell med $2 och $10 kan vara billigare att driva än en med $1,40 och $4,40 om den tänker mindre och svarar kortare. Mi:dm K 3.0 Pros generösa tak på 235 615 output-tokens och exponerade resonemangsspår drar båda åt andra hållet: en modell som kan avge resonemang och långa svar kommer att göra det, och räkningen följer output-tokens snarare än det inputpris som ser så attraktivt ut.

Multimodal inmatning är inte ett funktionsgap, det är ett pipelinegap.

Argon tar emot text, bilder, ljud, video och filer. Mi:dm K 3.0 Pro tar emot text. Den meningen låter som en kryssruta och är faktiskt en arkitektonisk skillnad i vad ett team måste bygga.

Ett dokumentarbetsflöde på Argon skickar PDF:en. Ett dokumentarbetsflöde på Mi:dm K 3.0 Pro skickar extraherad text, vilket innebär ett OCR- eller tolkningssteg före modellen, vilket innebär en andra leverantör, ett andra felmod och en andra kostnadspost som inte syns i $0.20-priset. För en korpus av rena digitala PDF:er är extraktionssteget billigt och tillförlitligt. För skannade formulär, skärmdumpar av instrumentpaneler, bildspel och inspelade samtal är det i extraktionssteget felen finns, och ingen prissättning av modellen kan kompensera för en parser som förvanskar en tabell.

Ljud och video avgör saken helt för de arbetsbelastningar som använder dem. En modell som inte kan höra en samtalsinspelning är inte ett billigare alternativ för transkriptionsanalys; den faller utanför kategorin.

1M mot 262K, och vad varje siffra egentligen är till för

Argons fönster på en miljon token kombineras med ett tak för utdata på 943 718 token, vilket är en ovanlig kombination – de flesta modeller erbjuder en lång indata och en mycket kortare utdata. Googles beskrivning kallar det stöd för lång avkodning: ett enda svar kan rymma ungefär en miljon token. Det är en förmåga för dokumentgenerering, inte bara för dokumentläsning.

Mi:dm K 3.0 Pros 261,795 indatapar med 235,615 utdata, vilket är proportionellt likartat – modellen kan skriva nästan lika mycket som den kan läsa. Skillnaden är det absoluta taket. En kvarts miljon token är ungefär 190 000 ord, vilket är en stor bok. En miljon är fyra böcker.

Båda taken är generösa nog att de flesta arbetsbelastningar aldrig når någon av dem. Där gapet gör sig påmint är i det fall som blivit vanligt 2026: en agent som håller ett helt repository, eller en forskningsuppgift som samlar en lång kedja av verktygsresultat. De växer förbi 262K och slutar inte växa, och workarounden – komprimering, sammanfattning, hämtning – är precis den del av en agent-harness som tappar information. Argons fönster tar bort det felbeteendet för ytterligare 738 000 tokens.

Koreanska, och det fallet som den koreanska modellen faktiskt har

Google tränar inte specifikt för koreanska; det tränar för allt och koreanska är en del av alltet. KT har byggt fyra generationer av modeller inriktade på koreansk text, från Mi:dm 2.0:s Koreacentrerade 12B- och 2B-versioner fram till den här, och företagsmaterialet beskriver serien som anpassad för koreanskt samhälle, kultur och domänkunskap.

Den skillnaden är verklig på det sätt som domänanpassning alltid är verklig: mätbar i vokabulär och register hos inhemsk kundtjänst, reglerings- och offentligsektortext, och osynlig i ett engelskt kodningsbenchmark. Om ditt korpus består av koreanska callcenter-transkriptioner är en modell tränad på det registret värd att testa innan man antar att en frontiermodell vinner. Om ditt korpus är engelsk programvara är anpassningen värdelös och 262K-taket är värt mindre än Argons miljon.

Testet är billigt och det är det enda sättet att avgöra saken. Ta 200 riktiga poster från din egen koreanska korpus, låt båda modellerna producera strukturerad utdata och poängsätt mot ett undanhållet facit. Vid $0.20 och $0.80 kostar den koreanska modellens hälft av experimentet långt under en dollar; Argons hälft kostar omkring åtta. Resultatet är värt mer än något publicerat index för just detta beslut, eftersom indexet inte byggdes på dina data.

Gå igenom en nyckel, och vad det förändrar

Gemini 4 Argon är nu live på OrcaRouter som google/gemini-4-argon till Googles listpris utan påslag — $2.00 för input, $10.00 för output, $0.10 för cacheläsning — tillsammans med över 200 andra modeller på samma endpoint och samma faktura. Mi:dm K 3.0 Pro tillhandahålls enbart av KT; vi dirigerar den inte, och det finns ingen annan leverantör för den någonstans.

Den asymmetrin spelar större roll här än i de flesta jämförelser, eftersom de två modellerna ligger på motsatta ändar av en riskprofil. Argon är en dirigerad modell: om Googles slutpunkt blir långsam eller ger fel, kan en dirigeringsregel flytta begäran till en annan modell utan att applikationen märker det. Mi:dm K 3.0 Pro är ett direktanrop till ett företags infrastruktur, och dess uppmätta tillgänglighet på 100 % under det senaste dygnet är en mätning av just den slutpunkten – ärlig, men ingen garanti, eftersom det inte finns något att växla över till.

Det fungerande mönstret är att behålla Argon som routad standard för allt som måste lyckas och att anropa den koreanska modellen direkt, bakom din egen timeout och fallback, för volymnivån där en misslyckad förfrågan helt enkelt kan göras om eller slängas. På OrcaRouter kan fallback-regeln ange en billigare modell för omförsöket, vilket är hur ett experiment som är tio gånger billigare förblir billigt även när den billiga slutpunkten beter sig illa. Det vi inte kan göra är att växla över till Mi:dm K 3.0 Pro självt, eftersom en leverantör är en dörr.

Vad varje modell är till för, uttryckt enkelt

Gemini 4 Argon är för arbete där indata är stökig, kontexten är lång eller utdata spelar roll. Den läser bilder, ljud och video, rymmer en miljon token, skriver nästan en miljon, får 52,6 på ett oberoende index och rankas etta på Vals Index med 68,90 % – ett benchmark för finans, juridik, kodning och skatt där en fempoängsledning över nästa modell är ett stort gap. Den kostar tio gånger vad den koreanska modellen kostar och ungefär en femtedel av vad Claude Opus 5.5 kostar per indextask, vilket gör den till mitten av frontier-bandet snarare än dess topp.

Mi:dm K 3.0 Pro är för arbete där indatan är text, kontexten ryms inom en kvarts miljon tokens, utdatan är kontrollerbar och volymen dominerar. Den har ett högre utdatatak än de flesta modeller i sin prisklass, en genuint intressant hybridarkitektur, en enda leverantör och ingen publicerad utvärdering av något slag. Dess kampanjpris på 0,14 och 0,56 dollar på KTs egen plattform gör storskalighetsargumentet starkare så länge det håller i sig.

Gapet mellan de två styckena är inte ett utlåtande om kvalitet – det är avsaknaden av ett sådant. En modell utan poäng är inte en dålig modell; den är en okänd, och okända testas i liten skala innan man migrerar till dem. Det är hela rekommendationen: Argon där svaret måste vara rätt, den koreanska modellen där svaret måste vara billigt och någon kontrollerar, och ett test med 200 objekt på din egen korpus för att ta reda på vilket av de två som beskriver din nästa arbetsbelastning.