MIDM K 3.0 Pro vs Gemini 4 Argon: Giá gấp mười lần, chỉ số hơn năm mươi điểm

Cách rẻ nhất để so sánh Mi:dm K 3.0 Pro và Gemini 4 Argon không phải là bảng thông số kỹ thuật, mà là một phép chia. Gemini 4 Argon có giá 2,00 USD cho mỗi triệu token đầu vào và 10,00 USD cho mỗi triệu token đầu ra, và Artificial Analysis đo được chi phí 1,99 USD để chạy một tác vụ Intelligence Index. Mi:dm K 3.0 Pro có giá 0,20 USD và 0,80 USD, và không có chi phí tác vụ chỉ số vì nó không có điểm chỉ số. Vì vậy, cách diễn đạt trung thực không phải là "mô hình rẻ so với mô hình đắt" — mà là một mô hình đã được đo với chi phí đã biết trên mỗi đơn vị năng lực, đối chiếu với một mô hình chưa được đo với chi phí đã biết trên mỗi token, và hai dữ kiện đó không thể trừ cho nhau. Việc có thể làm là định giá rủi ro: tính xem mô hình Hàn Quốc sẽ phải đạt điểm bao nhiêu trước khi lợi thế giá của nó còn đứng vững khi tiếp xúc với một khối lượng công việc thực tế, rồi quyết định xem con số đó có hợp lý hay không.

Vị thế của từng mô hình tính đến ngày 11 tháng 11 năm 2026

• Gemini 4 Argon — được Google công bố vào ngày 30 tháng 9 năm 2026 và chính thức được cung cấp rộng rãi trên Gemini API kể từ ngày 13 tháng 10 năm 2026. Ngữ cảnh 1.048.576 token, đầu ra lên tới 943.718 token trong một phản hồi duy nhất, cùng khả năng nhập liệu đa phương thức gồm văn bản, hình ảnh, âm thanh, video và tệp. Giá 2,00 USD cho đầu vào và 10,00 USD cho đầu ra trên mỗi triệu token, với đầu vào được lưu trong bộ nhớ đệm ở mức 0,10 USD.

• Mi:dm K 3.0 Pro — được tính phí trên nền tảng Token Factory của KT kể từ ngày 29 tháng 10 năm 2026 và được niêm yết ra quốc tế vào ngày 5 tháng 11. Ngữ cảnh 261,795 token, đầu ra tối đa 235,615 token, đầu vào và đầu ra đều là văn bản. 0,20 USD cho đầu vào và 0,80 USD cho đầu ra trên mỗi triệu token, đầu vào được lưu trong bộ nhớ đệm ở mức 0,04 USD, hiện đang áp dụng mức giảm giá khuyến mại 30% trên chính nền tảng của KT.

• Đánh giá độc lập — Gemini 4 Argon đạt 52,6 điểm trên Chỉ số Trí tuệ Artificial Analysis và đứng đầu Chỉ số Vals với 68,90%. Mi:dm K 3.0 Pro không có mục nào trên cả hai bảng.

• Kiến trúc — Google không công bố số lượng tham số cho Argon. KT công bố con số này cho mô hình của mình: tổng 120B, 12B hoạt động, kết hợp Mamba/MoE/attention, được triển khai từ một checkpoint với các expert NVFP4.

Phép tính quyết định liệu mô hình rẻ có đáng để thử nghiệm hay không

Hãy bắt đầu với chi phí thực tế của một yêu cầu. Một tài liệu 30.000 token được tóm tắt thành 1.500 token được tính phí $0.06 cho đầu vào cộng $0.015 cho đầu ra trên Gemini 4 Argon — $0.075. Yêu cầu tương tự trên Mi:dm K 3.0 Pro được tính $0.006 cộng $0.0012, tức $0.0072. Rẻ hơn mười lần, gần đúng.

Giờ đến phần làm thay đổi quyết định. Giả sử mô hình Gemini làm đúng 92% trong số các bản tóm tắt đó ngay ở lượt đầu, còn mô hình tiếng Hàn, chưa được đo, làm đúng 84%. Với mức giá gấp mười lần, mô hình rẻ vẫn thắng xét trên chi phí token thuần — 0,0072 đô la so với 0,075 đô la. Nhưng nếu tỷ lệ thất bại 8% đòi hỏi phải chạy lượt thứ hai với một mô hình mạnh hơn, và nếu lượt thứ hai đó tốn kém hơn lượt đầu vì bao gồm cả việc xác minh, thì chi phí hiệu dụng cho mỗi bản tóm tắt được chấp nhận sẽ hội tụ nhanh chóng. Đó chính là toàn bộ lập luận, và đó là lý do vì sao "không có benchmark" là một thực tế về giá chứ không phải một lời phàn nàn mang tính biên tập.

Thay vào đó, hãy gắn một con số cho điểm hòa vốn. Để mô hình Hàn Quốc là lựa chọn đáng mua hơn khi rẻ hơn mười lần trên một tác vụ có thể kiểm chứng, nó cần nằm trong khoảng cách hệ số khoảng mười so với sản lượng hữu ích trên mỗi đô-la của Argon. Nếu chỉ số 52,6 của Argon tương ứng với tỷ lệ thành công tác vụ mà bạn đã biết từ các đánh giá của chính mình, thì câu hỏi là liệu một mô hình hybrid 120B có giá bằng một phần năm giá mô hình chủ lực của DeepSeek có nằm trong phạm vi mười điểm độ chính xác so với một mô hình tiên phong của Google hay không. Có thể lắm. Chưa ai chứng minh được điều đó, và nghĩa vụ chứng minh thuộc về người chuyển đổi, không phải người ở lại.

Chi phí mỗi tác vụ, đây là con số mà Artificial Analysis thực sự công bố

Mức 1,99 USD mỗi tác vụ chỉ mục của Argon đáng để tìm hiểu, vì nó không giống với giá token của Argon và đây là con số giúp việc so sánh giữa các mô hình trở nên công bằng.

Chỉ số chuẩn hóa điểm số theo lượng token cần bỏ ra để đạt được điểm đó, vì vậy một mô hình dài dòng và tốn kém cho mỗi tác vụ sẽ trông tệ hơn so với bảng giá niêm yết của nó. Với $1.99, Argon mua được một lượt chạy qua bộ chín bài đánh giá tạo nên Intelligence Index v5.0.1 — AA-Briefcase, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 và Terminal-Bench-Science. Chạy toàn bộ bộ đánh giá với Argon một lần tốn $2,407. Với GLM-5.3, một mô hình rẻ hơn trong cùng phân khúc, chi phí là $2,503 — nhiều hơn, dù giá niêm yết thấp hơn, vì mô hình cần nhiều token hơn để hoàn thành cùng các tác vụ.

Chính sự đảo ngược đó là lý do khiến ta không nên tin vào một phép so sánh bảng giá đơn thuần. Một mô hình có giá $2 và $10 có thể rẻ hơn khi vận hành so với mô hình $1,40 và $4,40 nếu nó suy nghĩ ít hơn và trả lời ngắn hơn. Trần đầu ra 235.615 token hào phóng và dấu vết suy luận được hiển thị của Mi:dm K 3.0 Pro đều tác động theo hướng ngược lại: một mô hình có thể phát ra suy luận và câu trả lời dài sẽ làm như vậy, và hóa đơn sẽ chạy theo token đầu ra thay vì mức giá đầu vào trông hấp dẫn đến thế.

Đầu vào đa phương thức không phải là khoảng trống về tính năng, mà là khoảng trống về pipeline.

Argon hỗ trợ văn bản, hình ảnh, âm thanh, video và tệp. Mi:dm K 3.0 Pro chỉ hỗ trợ văn bản. Câu đó nghe như một ô đánh dấu nhưng thực ra là một khác biệt về kiến trúc trong những gì một nhóm phải xây dựng.

Một quy trình xử lý tài liệu trên Argon sẽ gửi PDF. Một quy trình xử lý tài liệu trên Mi:dm K 3.0 Pro sẽ gửi văn bản đã trích xuất, nghĩa là có một giai đoạn OCR hoặc phân tích cú pháp phía trước mô hình, nghĩa là thêm một nhà cung cấp thứ hai, thêm một kiểu lỗi thứ hai và thêm một dòng chi phí thứ hai không xuất hiện trong mức giá $0.20. Với một kho PDF số sạch, giai đoạn trích xuất rẻ và đáng tin cậy. Với biểu mẫu quét, ảnh chụp màn hình bảng điều khiển, bộ trình chiếu và các cuộc gọi được ghi âm, giai đoạn trích xuất chính là nơi phát sinh lỗi, và không mức giá mô hình nào có thể bù đắp cho một bộ phân tích làm hỏng một bảng.

Âm thanh và video khép lại câu hỏi hoàn toàn đối với các khối lượng công việc sử dụng chúng. Một mô hình không thể nghe bản ghi cuộc gọi không phải là lựa chọn rẻ hơn cho phân tích phiên âm; nó nằm ngoài danh mục.

1M so với 262K, và mỗi con số thực sự dùng để làm gì

Cửa sổ triệu token của Argon đi kèm với mức trần đầu ra 943,718 token, một sự kết hợp hiếm thấy — hầu hết các mô hình đều cung cấp đầu vào dài và đầu ra ngắn hơn nhiều. Tài liệu của Google mô tả đây là hỗ trợ giải mã dài: một phản hồi duy nhất có thể mang khoảng một triệu token. Đó là năng lực tạo tài liệu, chứ không chỉ là đọc tài liệu.

261.795 đầu vào của Mi:dm K 3.0 Pro đi đôi với 235.615 đầu ra, tỷ lệ này tương tự nhau — mô hình có thể viết gần bằng lượng mà nó có thể đọc. Khác biệt nằm ở mức trần tuyệt đối. Một phần tư triệu token tương đương khoảng 190.000 từ, tức là một cuốn sách dày. Một triệu token là bốn cuốn sách.

Cả hai mức trần đều rộng rãi đến mức hầu hết khối lượng công việc không bao giờ chạm tới bất kỳ mức nào trong hai mức đó. Nơi khoảng cách này gây ra vấn đề là trường hợp đã trở nên bình thường vào năm 2026: một agent giữ toàn bộ một repository, hoặc một tác vụ nghiên cứu tích lũy một chuỗi dài kết quả từ công cụ. Những trường hợp đó vượt qua 262K và không ngừng tăng, còn cách xử lý vòng — nén, tóm tắt, truy xuất — chính là phần của bộ khung agent làm mất thông tin. Cửa sổ của Argon loại bỏ chế độ lỗi đó trong thêm 738.000 token nữa.

tiếng Hàn, và trường hợp mà mô hình Hàn Quốc thực sự có

Google không huấn luyện riêng cho tiếng Hàn; họ huấn luyện cho mọi thứ và tiếng Hàn là một trong số mọi thứ đó. KT đã xây dựng bốn thế hệ mô hình nhắm đến văn bản tiếng Hàn, từ các bản phát hành 12B và 2B lấy Hàn Quốc làm trung tâm của Mi:dm 2.0 cho đến bản này, và các tài liệu doanh nghiệp mô tả dòng mô hình này là được tinh chỉnh cho xã hội, văn hóa và kiến thức chuyên ngành Hàn Quốc.

Sự khác biệt đó là có thật theo cách mà việc tinh chỉnh theo lĩnh vực luôn là có thật: có thể đo lường được trên từ vựng và văn phong của văn bản dịch vụ khách hàng nội địa, quy định và khu vực công, và không thể thấy được trên một benchmark lập trình tiếng Anh. Nếu kho ngữ liệu của bạn là bản ghi cuộc gọi tổng đài tiếng Hàn, thì một mô hình được huấn luyện trên văn phong đó đáng để thử nghiệm trước khi mặc định rằng một mô hình tiên tiến sẽ thắng. Nếu kho ngữ liệu của bạn là phần mềm tiếng Anh, thì việc tinh chỉnh chẳng đáng gì và mức trần 262K còn ít giá trị hơn một triệu của Argon.

Bài kiểm tra này rẻ và là cách duy nhất để giải quyết việc đó. Hãy lấy 200 mục thật từ kho ngữ liệu tiếng Hàn của riêng bạn, cho cả hai mô hình tạo đầu ra có cấu trúc, rồi chấm điểm dựa trên một đáp án giữ kín. Với mức $0.20 và $0.80, phần của mô hình tiếng Hàn trong thí nghiệm đó tốn chưa đến một đô la; phần của Argon tốn khoảng tám đô la. Kết quả này đáng giá hơn bất kỳ bảng xếp hạng nào đã công bố cho quyết định cụ thể này, vì bảng xếp hạng đó không được xây dựng trên dữ liệu của bạn.

Đi qua một khóa, và điều đó thay đổi những gì

Gemini 4 Argon đã có mặt trên OrcaRouter với tên google/gemini-4-argon theo mức giá niêm yết của Google, không cộng thêm phí — $2.00 đầu vào, $10.00 đầu ra, $0.10 đọc bộ nhớ đệm — cùng với hơn 200 mô hình khác trên cùng endpoint và cùng một hóa đơn. Mi:dm K 3.0 Pro chỉ do KT cung cấp; chúng tôi không định tuyến mô hình này và không có nhà cung cấp thứ hai cho nó ở bất kỳ đâu.

Sự bất đối xứng đó quan trọng ở đây hơn so với phần lớn các cặp so sánh, vì hai mô hình nằm ở hai đầu đối lập của một hồ sơ rủi ro. Argon là một mô hình được định tuyến: nếu endpoint của Google bị chậm hoặc gặp lỗi, một quy tắc định tuyến có thể chuyển yêu cầu sang mô hình khác mà ứng dụng không nhận ra. Mi:dm K 3.0 Pro là một lệnh gọi trực tiếp đến hạ tầng của một công ty, và chỉ số khả dụng 100% của nó trong ngày vừa qua là phép đo cho chính một endpoint đó — trung thực, và không phải là bảo đảm, vì không có gì để chuyển đổi dự phòng sang.

Mô hình khả thi là giữ Argon làm mặc định được định tuyến cho mọi thứ bắt buộc phải thành công và gọi trực tiếp mô hình Hàn Quốc, đằng sau timeout và fallback của riêng bạn, cho tầng khối lượng lớn nơi một yêu cầu thất bại chỉ cần được thử lại hoặc bỏ đi. Trên OrcaRouter, quy tắc fallback có thể chỉ định một mô hình rẻ hơn cho lần thử lại, nhờ đó một thí nghiệm rẻ hơn mười lần vẫn giữ được chi phí thấp ngay cả khi endpoint rẻ hoạt động không đúng. Điều chúng ta không thể làm là chuyển dự phòng sang chính Mi:dm K 3.0 Pro, vì một nhà cung cấp là một cánh cửa.

Công dụng của từng mô hình, được nêu rõ ràng.

Gemini 4 Argon dành cho những công việc mà đầu vào lộn xộn, ngữ cảnh dài hoặc đầu ra quan trọng. Nó đọc được hình ảnh, âm thanh và video, chứa được một triệu token, viết được gần một triệu token, đạt 52,6 điểm trên một chỉ số độc lập và xếp hạng nhất trên Vals Index với 68,90% — một bộ đánh giá về tài chính, pháp lý, lập trình và thuế, nơi việc dẫn trước mô hình kế tiếp năm điểm là một khoảng cách lớn. Nó tốn gấp mười lần mô hình Hàn Quốc và khoảng một phần năm chi phí của Claude Opus 5.5 cho mỗi tác vụ chỉ số, khiến nó nằm ở giữa dải tiên phong chứ không phải đỉnh của dải này.

Mi:dm K 3.0 Pro dành cho công việc mà đầu vào là văn bản, ngữ cảnh nằm gọn trong một phần tư triệu token, đầu ra có thể kiểm tra được và khối lượng là yếu tố chi phối. Mẫu này có mức trần đầu ra lớn hơn hầu hết các mẫu ở cùng mức giá, một kiến trúc lai thực sự thú vị, chỉ một nhà cung cấp và không có bất kỳ đánh giá công bố nào. Mức giá khuyến mại $0.14 và $0.56 trên nền tảng của chính KT càng củng cố phương án xử lý khối lượng lớn, chừng nào mức giá này còn kéo dài.

Khoảng cách giữa hai đoạn đó không phải là một phán quyết về chất lượng — mà là sự thiếu vắng một phán quyết. Một mô hình không có điểm số không phải là mô hình tồi; nó là một ẩn số, và những ẩn số thì được kiểm thử ở quy mô nhỏ trước khi người ta chuyển sang dùng chúng. Đó chính là toàn bộ khuyến nghị: Argon ở nơi câu trả lời phải đúng, mô hình Hàn Quốc ở nơi câu trả lời phải rẻ và có người đang kiểm tra, và một bài kiểm thử 200 mục trên chính kho ngữ liệu của bạn để tìm ra điều nào trong hai điều đó mô tả khối lượng công việc tiếp theo của bạn.