Google Gemini 4 Carbon возглавила MathArena, но стоит примерно в 15 раз дороже GPT-6.1 Sol

Модель Gemini 4 Carbon от Google возглавила математический бенчмарк MathArena. По словам The Decoder, это первая модель не от OpenAI, которой это удалось за долгое время. Она сместила с первого места GPT-6.1 Sol, на втором месте оказалась Claude Fable 5.2. Издание называет Carbon потенциально одной из самых сильных публично доступных моделей для математических задач. Издание добавляет: модели OpenAI, которые, как оно пишет, недавно якобы решили сложные уравнения вроде уравнений Навье, Стокса, пока недоступны публично.
Главная слабость Gemini 4 Carbon, по описанию The Decoder, превышение лимита времени: это самый частый вид её сбоев. Модель почти никогда не сдаётся на задаче, и это качество можно трактовать как достоинство или как недостаток. В одном из случаев она запустила скрипт, который работал больше одиннадцати часов, и ни разу не проверила, как он продвигается.
За результат приходится платить. При настройках рассуждения, использованных в тестировании, Carbon и Fable 5.2 стоят примерно в 15 и 40 раз дороже, чем GPT-6.1 Sol. Абсолютных цен, баллов MathArena и результатов ниже второго места в материале нет.
Ключевые факты
- Gemini 4 Carbon от Google возглавила MathArena и сместила GPT-6.1 Sol; на втором месте Claude Fable 5.2.
- По формулировке The Decoder, это первая модель не от OpenAI на вершине MathArena за долгое время.
- При настройках рассуждения из тестирования Carbon и Fable 5.2 стоят примерно в 15 и 40 раз дороже GPT-6.1 Sol.
- Самый частый сбой Carbon, превышение лимита времени; в одном случае она запустила скрипт, работавший больше одиннадцати часов, не проверяя его ход.
- Модели OpenAI, которые, как пишет издание, якобы решили уравнения Навье, Стокса, пока не доступны публично.
Почему это важно
Лидерство в MathArena долго принадлежало моделям OpenAI. По данным The Decoder, Gemini 4 Carbon, первая не-OpenAI модель за долгое время на первом месте, и она при этом потенциально одна из самых сильных публично доступных моделей для математики. Одновременно материал показывает, что первое место в бенчмарке не равно выгоде: лидерство стоит заметно дороже.
Кому это важно
Тем, кто выбирает модель для математических и рассуждающих задач и сравнивает качество с затратами. Также тем, кто следит за конкуренцией Google, OpenAI и Anthropic: на двух верхних местах MathArena оказались Gemini 4 Carbon и Claude Fable 5.2.
Как это применить
Прежде чем переходить на Carbon, стоит сопоставить прирост качества с ценой: при настройках рассуждения из тестирования она примерно в 15 раз дороже GPT-6.1 Sol, а Fable 5.2, примерно в 40 раз. Для длинных задач разумно заранее ставить лимиты времени и контролировать фоновые процессы, раз самый частый сбой модели, превышение лимита времени, а один из её скриптов работал больше одиннадцати часов без проверки.
Можно ли доверять
Это вторичный пересказ рейтинга MathArena в издании The Decoder, а не первоисточник. Баллов и мест ниже второго в тексте нет. В источнике не сказано, кто проводил тестирование и какие настройки рассуждения использовались, поэтому множители 15 и 40 относятся только к этим неназванным настройкам. В тексте они даны как «примерно», а не точные цифры. Сообщение о том, что модели OpenAI якобы решили уравнения Навье, Стокса, подано с оговоркой «якобы» и подтверждений не содержит.
Риски и подводные камни
Сравнение по цене привязано к конкретным настройкам рассуждения и может измениться при других. Привычка модели не сдаваться может обернуться как упорством, так и бесполезной тратой времени и денег, как в случае со скриптом на одиннадцать с лишним часов. Кроме того, модели OpenAI, которые якобы решали сложные уравнения вроде уравнений Навье, Стокса, пока недоступны публично, и в материале с ними Carbon не сравнивается.