MIDM K 3.0 Pro 對比 Gemini 4 Argon：十倍價格，五十分指數

要把Mi:dm K 3.0 Pro與Gemini 4 Argon相比，最省事的方式不是看規格表，而是做一次除法。Gemini 4 Argon 每百萬輸入 token 收費 2.00 美元、每百萬輸出 token 收費 10.00 美元，而 Artificial Analysis 測得它執行一項 Intelligence Index 任務的成本為 1.99 美元。Mi:dm K 3.0 Pro 則收費 0.20 美元與 0.80 美元，且因為它沒有 Intelligence Index 分數，所以沒有 Intelligence Index 任務成本。因此，誠實的框架不是「便宜模型對上昂貴模型」，而是「一個已受測、每單位能力成本已知的模型，對上一個未受測、每 token 成本已知的模型」，而這兩項事實不能互相相減。能做的是為風險定價：算出韓國模型必須拿到多少分，其價格優勢才能在接觸真實工作負載後依然成立，然後判斷那個數字是否合理。

截至2026年11月11日各模型的立場

• Gemini 4 Argon — 由 Google 於 2026 年 9 月 30 日宣布，並自 2026 年 10 月 13 日起在 Gemini API 上正式開放使用。具備 1,048,576 個詞元（token）的上下文脈絡，單次回應最多可輸出 943,718 個詞元，並支援文字、圖像、音訊、影片與檔案等多模態輸入。價格為每百萬詞元輸入 $2.00、輸出 $10.00，快取輸入則為 $0.10。

• Mi:dm K 3.0 Pro — 自 2026 年 10 月 29 日起可在 KT 的 Token Factory 平台上計費，並於 11 月 5 日在國際上架。261,795 個 token 的上下文，最多 235,615 個 token 的輸出，支援文字輸入與文字輸出。每百萬 token 輸入 $0.20、輸出 $0.80，快取輸入 $0.04，目前 KT 自家平台另提供 30% 促銷折扣。

• 獨立評估 — Gemini 4 Argon 在 Artificial Analysis Intelligence Index 上得分 52.6，並以 68.90% 在 Vals Index 排名第一。Mi:dm K 3.0 Pro 在兩者中均未列入。

• 架構 — Google 並未公布 Argon 的參數量。KT 則公布了其模型的參數量：總計 120B、活躍 12B，採用混合式 Mamba/MoE/注意力架構，並由帶有 NVFP4 專家的檢查點提供服務。

決定便宜模型是否值得測試的算術

先從一次真實請求的成本談起。一份 30,000 token 的文件摘要成 1,500 token，在 Gemini 4 Argon 上輸入計費 $0.06 加輸出 $0.015——共 $0.075。同樣的請求在 Mi:dm K 3.0 Pro 上計費 $0.006 加 $0.0012，即 $0.0072。便宜十倍，差不多就是這樣。

接下來是改變決策的部分。假設 Gemini 模型在第一遍就能正確處理其中 92% 的摘要，而未經測量的韓國模型則有 84%。即使價格貴上十倍，便宜模型在純 token 成本上仍然勝出——$0.0072 對 $0.075。但如果那 8% 的失敗率需要用更強的模型再跑一遍，而且由於第二遍包含驗證，成本高於第一遍，那麼每份被接受摘要的有效成本就會迅速趨同。這就是整個論點，也是為什麼「no benchmark」是定價事實，而不是編輯層面的抱怨。

不如直接給出損益平衡的數字。要讓韓國模型在可檢核任務上便宜十倍卻仍是更划算的選擇，它的每美元有用輸出必須落在 Argon 的大約十倍以內。如果 Argon 的 52.6 指數對應於你從自家評估中已知的任務成功率，那麼問題就是：一個價格只有 DeepSeek 旗艦模型五分之一的 120B 混合模型，其準確率是否會落在 Google 前沿模型的十個百分點以內。這有可能。但沒有人證明過，而舉證責任在遷移者身上，不在留在原處的人身上。

每項任務成本，也就是 Artificial Analysis 實際公布的數字

Argon 每項索引任務 1.99 美元的定價值得理解，因為它與其 token 價格不是同一回事，而且正是這個數字讓跨模型比較變得誠實。

這個指數會根據賺取分數所需的 token 花費來標準化分數，因此，一個每項任務都冗長且昂貴的模型，看起來會比其價目表所顯示的表現更差。Argon 的 1.99 美元可跑一輪由九項評估組成的套件，也就是 Intelligence Index v5.0.1——AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2 和 Terminal-Bench-Science。對 Argon 完整跑一輪套件要花 2,407 美元。對同級中較便宜的模型 GLM-5.3 來說，則要花 2,503 美元——儘管名目費率較低，成本卻更高，因為該模型完成相同任務需要更多 token。

這種倒掛正是不能單純比較價目表的原因。若某個模型思考較少、回答較短，即使它的價格是 $2 與 $10，營運成本也可能低於價格為 $1.40 與 $4.40 的模型。Mi:dm K 3.0 Pro 寬裕的 235,615 token 輸出上限與外露的推理軌跡，兩者都會帶來反向效果：能輸出推理與長答案的模型就會這麼做，而帳單取決於輸出 token，而非那個看似極具吸引力的輸入價格。

多模態輸入不是功能上的缺口，而是流程管線上的缺口。

Argon 接受文字、圖像、音訊、影片與檔案。Mi:dm K 3.0 Pro 接受文字。這句話聽起來像一個勾選項，實際上卻是團隊必須建構的東西上的架構差異。

Argon 上的文件工作流程會傳送 PDF。Mi:dm K 3.0 Pro 上的文件工作流程會傳送擷取出的文字，這表示模型前面有一個 OCR 或解析階段，也就表示會有第二個供應商、第二種故障模式，以及第二條未反映在 $0.20 費率中的成本項目。對於乾淨數位 PDF 的語料庫，擷取階段既便宜又可靠。對於掃描表單、儀表板截圖、簡報和通話錄音，錯誤都出在擷取階段，而無論模型定價多低，都無法彌補會把表格弄亂的解析器。

對於會用到音訊與視訊的工作負載，這兩項能力讓問題徹底沒有懸念。聽不見通話錄音的模型，並非轉錄分析的廉價替代方案；它根本不在這個類別之內。

背景：1M 對比 262K，以及每個數字真正的用途

Argon 的百萬 token 視窗搭配 943,718 token 的輸出上限，這是個不尋常的組合——大多數模型提供長輸入，但輸出短得多。Google 的說明將其描述為長解碼支援：單一回應可承載約一百萬個 token。這是文件生成的能力，而不只是文件閱讀的能力。

Mi:dm K 3.0 Pro 的 261,795 個輸入配對搭配 235,615 個輸出，比例上相近——模型能寫的幾乎和能讀的一樣多。差別在於絕對上限。25 萬個 token 大約是 19 萬個詞，相當於一本大書。一百萬則是四本書。

兩者的上限都足夠寬裕，大多數工作負載永遠不會觸及其中任何一個。真正造成痛點的是在 2026 年已變得司空見慣的情況：一個持有整個儲存庫的代理，或是一項會累積一長串工具結果的研究任務。這些會增長超過 262K，而且不會停止增長，而變通方案——壓縮、摘要、檢索——恰恰是代理框架中會遺失資訊的部分。Argon 的視窗針對另外 738,000 個 token 消除了這種失效模式。

韓語，以及韓國模型實際具有的情況

Google 並非專門針對韓語訓練；它是為了所有事物而訓練，而韓語只是這一切的一部分。KT 已打造四代以韓文文本為目標的模型，從 Mi:dm 2.0 以韓國為中心的 12B 與 2B 版本，一路到這一代；而其企業資料將這個系列描述為針對韓國社會、文化與領域知識調校。

這種差異是真實的，就像領域調校始終是真實的一樣：在國內客戶服務、法規與公部門文本的詞彙和語域上可測量，在英文程式設計基準上則不可見。如果你的語料是韓國客服中心逐字稿，那麼在假定前沿模型必然勝出之前，針對該語域訓練的模型值得一試。如果你的語料是英文軟體，這種調校一文不值，而 262K 上限的價值還不如 Argon 的百萬。

這個測試很便宜，也是唯一能讓這件事定案的方法。從你自己的韓語語料庫中取 200 個真實項目，讓兩個模型都產生結構化輸出，再對照一份留出的答案鍵評分。以 $0.20 和 $0.80 計算，該實驗中韓語模型的那一半成本遠低於一美元；Argon 的那一半則約需八美元。對這個特定決策來說，這個結果比任何已發布的指數都更有價值，因為那個指數並不是用你的資料建立的。

深入探討一個關鍵，以及那會帶來哪些改變

Gemini 4 Argon 已在 OrcaRouter 上線，代號為 google/gemini-4-argon，採用 Google 的定價費率，且不額外加價 — 輸入每百萬 $2.00、輸出 $10.00、快取讀取 $0.10 — 與其他 200 多個模型共用同一個端點、同一張帳單。Mi:dm K 3.0 Pro 僅由 KT 獨家提供；我們不轉送該模型，且任何地方都沒有第二家供應商。

這種不對稱在此處比在大多數對決中更為重要，因為這兩個模型分別落在風險概況的兩端。Argon 是路由式模型：如果 Google 的端點變慢或發生錯誤，路由規則就能將請求轉移到另一個模型，而應用程式不會察覺。Mi:dm K 3.0 Pro 則是直接呼叫單一公司的基礎架構，其在過去一天達 100% 的可用性讀數，是對那個單一端點的測量——誠實，卻不是保證，因為沒有可供容錯移轉的對象。

可行的模式是：凡是必須成功的請求，都讓 Argon 作為路由後的預設；至於大量處理層級，則直接呼叫韓國模型，並置於你自己的逾時與備援機制之後——在該層級中，失敗的請求只需重試或捨棄即可。在 OrcaRouter 上，備援規則可以指定較便宜的模型來重試，這正是便宜十倍的實驗即使在便宜端點出狀況時仍能保持低成本的方式。我們做不到的是把故障轉移到 Mi:dm K 3.0 Pro 本身，因為一個供應商就是一道門。

每個模型的用途，直白說明

Gemini 4 Argon 適用於輸入雜亂、上下文冗長，或輸出至關重要的工作。它能讀取圖片、音訊和影片，可容納一百萬個 token，並能寫出將近一百萬個 token，在獨立指數上得分 52.6，並以 68.90% 在 Vals Index 上排名第一——這是一項涵蓋金融、法律、程式設計與稅務的基準測試，領先次一個模型五分已屬大幅差距。在每項指數任務上，其成本是該韓國模型的十倍，約為 Claude Opus 5.5 成本的五分之一，這使其處於前沿區間的中段，而非頂端。

Mi:dm K 3.0 Pro 適合這樣的工作：輸入是文字、上下文能容納在二十五萬個 token 之內、輸出可核查，而且以量取勝。它的輸出上限高於同價位的大多數模型，採用真正有意思的混合架構，只有單一供應商，而且沒有任何公開評測。它在 KT 自家平台上 0.14 美元與 0.56 美元的促銷價，只要促銷持續，就讓大量使用的理由更強。

那兩段之間的落差，並不是對品質的評斷，而是根本沒有評斷。沒有分數的模型不是壞模型，而是未知數；未知數會先以小規模測試，之後才會遷移過去。這就是全部的建議：答案必須正確時用 Argon，答案必須便宜且有人在檢查時用韓國模型，並用自己的語料庫做 200 項測試，以判斷接下來的工作負載屬於這兩者中的哪一種。