Cohere: Command A tegen Google: Gemini 4 Argon
Een vergelijking naast elkaar van Cohere: Command A (US$ 8,75 / 1M tekstdelen (≈ € 7,79)) en Google: Gemini 4 Argon (US$ 7,00 / 1M tekstdelen (≈ € 6,23)) met actuele USD-prijzen en mogelijkheden uit de catalogus van api14. Beide werken via dezelfde OpenAI-compatibele API.
Specificaties
| Cohere: Command A | Google: Gemini 4 Argon | |
|---|---|---|
| Aanbieder | Cohere | |
| Invoer | US$ 8,75 / 1M tekstdelen (≈ € 7,79) | US$ 7,00 / 1M tekstdelen (≈ € 6,23) |
| Uitvoer | US$ 35,00 / 1M tekstdelen (≈ € 31,17) | US$ 35,00 / 1M tekstdelen (≈ € 31,17) |
| Cache lezen | - | US$ 0,35 / 1M tekstdelen (≈ € 0,31) |
| Cache schrijven | - | US$ 0,66 / 1M tekstdelen (≈ € 0,58) |
| Redeneren | - | US$ 35,00 / 1M tekstdelen (≈ € 31,17) |
| Audio-invoer | - | US$ 7,00 / 1M tekstdelen (≈ € 6,23) |
| Afbeelding | - | US$ 0,000007 / afbeelding (≈ € 0,00000623) |
| Webzoeken | - | US$ 49,00 / 1K zoekopdrachten (≈ € 43,63) |
| Contextvenster | 256.000 | 1.048.576 |
| Maximale output | 8.192 | 943.718 |
| Invoer | text | audio, file, image, text, video |
| Uitvoer | text | text |
| tool-aanroepen | ||
| Gestructureerde output | ||
| Instelbaar redeneren | ||
| Toegevoegd | 13 mrt 2025 | 13 okt 2026 |
Belangrijkste verschillen
- Google: Gemini 4 Argon is 20% goedkoper op inputtokens.
- Google: Gemini 4 Argon leest 4.1× meer context (1.048.576 tokens).
- Alleen Google: Gemini 4 Argon ondersteunt instelbare redeneerinspanning.
- Een verzoek met 1.000 input- en 500 outputtokens kost US$ 0,03 met Cohere: Command A en US$ 0,02 met Google: Gemini 4 Argon.
In detail
Cohere: Command A is een tekstmodel van Cohere, uitgebracht op 13 maart 2025. Google: Gemini 4 Argon is een tekstmodel van Google, uitgebracht op 13 oktober 2026. Beide worden aangeboden via api14 onder de model-id's cohere/command-a en google/gemini-4-argon, en beide staan vermeld als modellen in de categorie tekst, dus op het eerste gezicht bezetten ze dezelfde plek in een modelkiezer.
De verschillen komen naar voren in context, modaliteiten en parameters. Gemini 4 Argon heeft het grotere contextvenster, ongeveer een miljoen tokens tegenover 256.000 voor Command A, en het accepteert audio, bestand, afbeelding, tekst en video als invoer, terwijl Command A alleen tekst accepteert. Beide retourneren tekst. Gemini 4 Argon is de enige van de twee die tool calling en reasoning-besturing biedt (include_reasoning, reasoning, reasoning_effort, tool_choice, tools), terwijl Command A sampling-besturing heeft zoals frequency_penalty, presence_penalty, top_k en seed. Gestructureerde uitvoer komt bij beide voor, dus dat is geen beslissende factor. Qua prijs is Gemini 4 Argon de goedkopere optie voor invoer, en voor uitvoer zijn de twee ongeveer gelijk.
Voor een ontwikkelaar die tussen hen kiest, volgt de praktische splitsing die feiten. Als je taak platte tekst in en tekst uit is, met een prompt die ruim binnen 256.000 tokens past, is Command A een redelijke standaardkeuze, en de penalty- en top_k-parameters geven je fijnere controle over het sampling-gedrag. Als je afbeeldingen, audio, video of bestanden samen met de prompt moet versturen, of een contextvenster nodig hebt dat ruim boven een kwart miljoen tokens ligt, is Gemini 4 Argon degene die die invoer überhaupt kan accepteren. Als je toepassing afhankelijk is van tool calling of van het blootstellen van reasoning-inspanning als knop, is Gemini 4 Argon opnieuw de enige van de twee die dat ondersteunt. Kosten maken ook uit: voor invoerintensieve workloads is Gemini 4 Argon goedkoper, terwijl de uitvoerkosten bij beide ongeveer gelijk zijn, dus een generatie-intensieve, tekst-only workload heeft op basis van prijs alleen niet veel voordeel bij overstappen.
Een van beide modellen aanroepen via api14 werkt op dezelfde manier, omdat de API OpenAI-compatibel is. Je richt je bestaande client op de api14 base-URL, stuurt een chat completions-verzoek met je messages, en stelt het model-veld in op cohere/command-a of google/gemini-4-argon. Schakelen tussen de twee is een wijziging van één regel in die model-id; de vormen van verzoek en antwoord blijven hetzelfde. De parameters die je doorgeeft moeten overeenkomen met wat elk model ondersteunt, dus tool- en reasoning-velden horen bij verzoeken aan google/gemini-4-argon, en penalty- of top_k-velden horen bij verzoeken aan cohere/command-a.
Er zijn nog steeds gevallen waarin Command A de betere keuze is, ook al is Gemini 4 Argon groter en goedkoper qua invoer. Als je workload alleen tekst is en je de sampling-besturing wilt die Command A biedt, of als je Cohere gewoon als provider verkiest, dekt Command A dat terrein zonder het extra modaliteitsoppervlak. Geen van beide modellen is een strikte superset van het andere in de parameterlijst, dus de keuze komt neer op of je multimodale invoer nodig hebt, een zeer grote context of reasoning- en tool-besturing, in welk geval je Gemini 4 Argon kiest, of een tekst-only model met penalty- en top_k-afstemming, in welk geval Command A voldoende is.
Wissel met één string
Beide modellen gebruiken hetzelfde endpoint en dezelfde verzoekstructuur. Verander de waarde van model van "cohere/command-a" naar "google/gemini-4-argon", prompts, streaming en tools blijven werken.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "google/gemini-4-argon",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Meer vergelijkingen
- LiquidAI: LFM3-1.7B tegen Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B tegen Crouton Alpha
- LiquidAI: LFM3-1.7B tegen Tencent: Hy4
- LiquidAI: LFM3-1.7B tegen Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview tegen Crouton Alpha
- Ricursive: Ripple 65B Preview tegen Tencent: Hy4
- Ricursive: Ripple 65B Preview tegen Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha tegen Tencent: Hy4