MIDM K 3.0 Pro 对比 Gemini 4 Argon：十倍价格，五十分指数差距

比较Mi:dm K 3.0 Pro和Gemini 4 Argon最便宜的方法不是规格表，而是一次除法。Gemini 4 Argon 每百万输入 token 收费 2.00 美元，每百万输出 token 收费 10.00 美元，Artificial Analysis 测得运行一项 Intelligence Index 任务需 1.99 美元。Mi:dm K 3.0 Pro 的对应收费分别为 0.20 美元和 0.80 美元，且没有指数任务成本，因为它没有指数得分。因此，诚实的表述不是“便宜模型对昂贵模型”——而是将一个每单位能力成本已知的已测量模型，与一个每 token 成本已知的未测量模型相对照，而这两个事实无法彼此相减。可以做的是为风险定价：算出韩国模型必须取得多少分，其价格优势才能在真实工作负载下仍然成立，然后判断这个数字是否可信。

截至2026年11月11日各模型的立场

• Gemini 4 Argon——Google 于 2026 年 9 月 30 日发布，自 2026 年 10 月 13 日起通过 Gemini API 正式开放使用。上下文长度为 1,048,576 个 token，单次响应最多可输出 943,718 个 token，并支持文本、图像、音频、视频和文件的多模态输入。定价为每百万 token 输入 2.00 美元、输出 10.00 美元，缓存输入为 0.10 美元。

• Mi:dm K 3.0 Pro — 自 2026 年 10 月 29 日起在 KT 的 Token Factory 平台计费，并于 11 月 5 日在国际市场上线。上下文长度为 261,795 个 token，输出最多可达 235,615 个 token，支持文本输入和文本输出。每百万 token 输入 $0.20、输出 $0.80，缓存输入 $0.04，目前 KT 自有平台正提供 30% 的促销折扣。

• 独立评估 — Gemini 4 Argon 在 Artificial Analysis 智能指数上得分 52.6，并以 68.90% 的成绩在 Vals 指数中排名第一。Mi:dm K 3.0 Pro 在这两项指数中均无记录。

• 架构—— Google 未公布 Argon 的参数量。KT 公布了其模型的参数量：总参数量 120B，激活参数量 12B，采用 Mamba/MoE/注意力混合架构，由带有 NVFP4 专家的检查点提供服务。

决定廉价模型是否值得测试的算术

先看一次真实请求的成本。一份 30,000 token 的文档摘要成 1,500 token，在 Gemini 4 Argon 上按输入 $0.06 加输出 $0.015 计费——即 $0.075。同样的请求在 Mi:dm K 3.0 Pro 上按 $0.006 加 $0.0012 计费，即 $0.0072。便宜十倍，差不多就是这样。

现在到了改变决策的部分。假设 Gemini 模型在第一轮就能正确完成其中 92% 的摘要，而那个未经测量的韩语模型能正确完成 84%。即使价格是十倍，便宜模型在纯 token 成本上仍然胜出——$0.0072 对 $0.075。但如果 8% 的失败率需要用更强的模型进行第二轮处理，并且由于第二轮包含验证而比第一轮成本更高，那么每份被接受摘要的有效成本很快就会趋同。这就是整个论点，也正是为什么“没有基准测试”是一个定价事实，而不是评论层面的抱怨。

不如给盈亏平衡点一个具体数字。要让韩国模型在可核查任务上便宜十倍时成为更划算的选择，它的每美元有效产出与 Argon 的差距需要在大约十倍以内。如果 Argon 的 52.6 指数对应的是你从自己的评估中已经知道的任务成功率，那么问题就在于：一个 120B 混合模型，价格只有 DeepSeek 旗舰模型的五分之一，它的准确率是否能落在 Google 前沿模型十个百分点以内。有可能。还没有人证明这一点，而且举证责任在迁移者身上，不在留下者身上。

每项任务成本，也就是 Artificial Analysis 实际公布的那个数字

Argon 每项索引任务 1.99 美元的价格值得理解，因为这与其令牌价格并不是一回事，而正是这个数字让跨模型比较变得诚实可信。

该指数会根据获得分数所需的 token 开销对分数进行归一化，因此，一个在每个任务上都冗长且昂贵的模型，看起来会比其价目表所显示的更差。Argon 的 1.99 美元可完成一次由九项评估组成的 Intelligence Index v5.0.1 套件的一轮运行——AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2 和 Terminal-Bench-Science。针对 Argon 运行一次完整套件花费 2,407 美元。针对同一档位中更便宜的模型 GLM-5.3，则花费 2,503 美元——尽管其标称费率更低，反而更高，因为该模型完成相同任务需要更多 token。

这种倒挂正是不能单纯按价目表进行比较的原因。一个定价为输入 $2、输出 $10 的模型，如果思考更少、回答更短，运营成本可能低于一个定价为 $1.40 和 $4.40 的模型。Mi:dm K 3.0 Pro 高达 235,615 token 的输出上限和公开可见的推理轨迹则都朝着相反方向起作用：一个能够输出推理和长答案的模型就会这样做，而账单跟随的是输出 token，而不是那个看似很有吸引力的输入价格。

多模态输入不是功能缺口，而是流水线缺口

Argon 接受文本、图像、音频、视频和文件。Mi:dm K 3.0 Pro 接受文本。这句话听起来像是一个复选框，但实际上它体现的是团队需要构建的内容在架构上的差异。

Argon 上的文档工作流发送的是 PDF。Mi:dm K 3.0 Pro 上的文档工作流发送的是提取出的文本，这意味着模型前面有一个 OCR 或解析阶段，也就意味着第二个供应商、第二种故障模式，以及一条不会出现在 $0.20 费率中的第二项成本。对于一批干净的数字 PDF 来说，提取阶段既便宜又可靠。对于扫描表单、仪表盘截图、幻灯片演示文稿和录制通话而言，错误恰恰集中在提取阶段，而无论模型定价多低，都无法弥补一个会把表格弄乱的解析器。

对于使用音频和视频的工作负载，音频和视频能力彻底终结了这个问题。一个听不了通话录音的模型，并不是转录分析更便宜的选项；它根本不属于这一类别。

背景：1M 与 262K 的对比，以及每个数字真正的用途

Argon 的百万 token 上下文窗口搭配 943,718 token 的输出上限，这是一种不同寻常的组合——大多数模型提供的是长输入和短得多的输出。Google 的文案将其描述为长解码（long-decode）支持：单次响应即可承载约一百万 token。这是一种文档生成能力，而不只是文档阅读能力。

Mi:dm K 3.0 Pro 的 261,795 个输入与 235,615 个输出配对，比例上相近——该模型能写的几乎和能读的一样多。区别在于绝对上限。25 万个 token 大约是 190,000 个单词，相当于一本大书。100 万则是四本书。

两个上限都足够宽裕，大多数工作负载根本不会触及其中任何一个。差距真正造成影响的地方，是 2026 年已经变得平常的那种情况：一个持有整个代码仓库的智能体，或者一项会累积起一长串工具调用结果的研究任务。这些场景会一路增长并越过 262K，而且不会停止增长；而变通办法——压缩、摘要、检索——恰恰是智能体框架中会丢失信息的那部分。Argon 的窗口额外多出 738,000 个 token，从而消除了这一失效模式。

韩语，以及韩语模型实际具备的情况

谷歌并非专门针对韩语进行训练；它针对一切进行训练，而韩语是“一切”之一。KT 已构建四代面向韩语文本的模型，从 Mi:dm 2.0 以韩国为中心的 12B 和 2B 版本，一直到这一款；企业材料称该系列针对韩国社会、文化和领域知识进行了调优。

这种差异是真实存在的，正如领域微调始终是真实的一样：它在本土客户服务、监管和公共部门文本的词汇与语域上可测量，而在英语编程基准上却不可见。如果你的语料是韩语呼叫中心转录文本，那么在假定前沿模型会胜出之前，值得先测试一个在该语域上训练过的模型。如果你的语料是英语软件，那么这种微调毫无价值，262K 上限还不如 Argon 的百万。

这个测试成本很低，而且是解决这个问题的唯一办法。从你自己的韩语语料库中取 200 个真实条目，让两个模型都生成结构化输出，并对照一份留出的标准答案打分。按 $0.20 和 $0.80 计算，该实验中韩语模型那一半的花费远低于一美元；Argon 那一半大约要八美元。对于这个具体决策，这个结果比任何已发布的指数都更有价值，因为该指数并不是基于你的数据构建的。

逐一讲解一个关键点，以及它会带来哪些变化

Gemini 4 Argon 现已在 OrcaRouter 上线，即google/gemini-4-argon，按 Google 官方标价提供，不额外加价——输入 $2.00、输出 $10.00、缓存读取 $0.10——与同一端点、同一张账单上的另外 200 多个模型并列。Mi:dm K 3.0 Pro 仅由 KT 独家提供；我们不对其进行路由，任何地方也没有第二家提供商。

这种不对称在本次对比中比大多数配对更重要，因为这两个模型处在风险状况的两端。Argon 是一个经过路由的模型：如果 Google 的端点变慢或出错，路由规则可以将请求转移到另一个模型，而应用不会察觉。Mi:dm K 3.0 Pro 是对某家公司基础设施的直接调用，其过去一天的 100% 可用性读数是对那一个端点的测量——如实，但并非保证，因为没有任何可供故障转移的对象。

可行的模式是：把 Argon 保留为任何必须成功的请求的路由默认项，并在你自己的超时与回退机制之后直接调用韩语模型，用于批量层级——在那里，失败的请求可以直接重试或丢弃。在 OrcaRouter 上，回退规则可以为重试指定一个更便宜的模型，这样即便便宜端点行为异常，一个便宜十倍的实验也能保持低成本。我们无法做的是故障转移到 Mi:dm K 3.0 Pro 本身，因为一个提供商就是一扇门。

每个模型的用途，直白说明

Gemini 4 Argon 适用于输入杂乱、上下文很长或输出至关重要的场景。它能读取图像、音频和视频，可容纳一百万个 token，输出近一百万个 token，在一项独立指数上得分 52.6，并以 68.90% 在 Vals Index 上排名第一——这是一个涵盖金融、法律、编程和税务的基准，在该基准上领先下一个模型五分就是很大的差距。它的成本是那个韩国模型成本的十倍，按每项指数任务计算约为 Claude Opus 5.5 成本的正分之一，这使它处于前沿区间的中段而非顶端。

Mi:dm K 3.0 Pro 适用于这类工作：输入的是文本，上下文能容纳在 25 万 token 以内，输出可以核验，而且以大批量处理为主。与同价位的大多数模型相比，它的输出上限更高，采用了确实很有意思的混合架构，只有一家供应商，并且没有任何形式的公开评测。它在 KT 自家平台上 0.14 美元和 0.56 美元的促销价，只要还能维持，就会让大批量使用的理由更充分。

这两段之间的差距并不是对质量的判定——而是没有判定。一个没有评分的模型并不是坏模型；它是一个未知项，而未知项在迁移采用之前会先经过小规模测试。整个建议就是：答案必须正确的地方用 Argon，答案必须便宜且有人核查的地方用韩语模型，并在你自己的语料库上做一次 200 项测试，以弄清这两种情况中哪一种描述了你的下一个工作负载。