Gemini 4 Carbon MathArena-da lider oldu, amma GPT-6.1 Sol-dan 15 dəfə bahadır

Google-un Gemini 4 Carbon modeli uzun fasilədən sonra MathArena riyaziyyat benchmarkının zirvəsinə çıxan ilk OpenAI olmayan model oldu və GPT-6.1 Sol-u liderlikdən saldı. Claude Fable 5.2 ikinci oldu. Bu nəticə Gemini 4 Carbon-u riyaziyyat tapşırıqları üçün ən qabiliyyətli ictimaiyyətə açıq modellərdən biri edə bilər.

Benchmark nəticəsi və mövcudluq

OpenAI modelləri, yaxın vaxtlarda Navier-Stokes tənlikləri kimi mürəkkəb tənlikləri həll etdiyi iddia olunan modellər, hələ ictimaiyyətə açıq deyil. Gemini 4 Carbon-un ən çox rast gəlinən uğursuzluq rejimi vaxt limitini aşmaqdır.

Tapşırıqlar zamanı davamlılıq

Model həmçinin demək olar ki, heç vaxt tapşırıqdan əl çəkmir, bu xüsusiyyət həm müsbət, həm də mənfi kimi oxuna bilər. Bir halda o, on bir saatdan çox işləyən skript işə salıb və onun gedişatını yoxlamayıb.

Xərc müqayisəsi

Sınaqda istifadə olunan düşünmə parametrləri ilə Carbon və Fable 5.2 müvafiq olaraq GPT-6.1 Sol-dan təxminən 15 və 40 dəfə daha bahalıdır. Gemini 4 Carbon (high) üçün gözlənilən xərc $15.70, ± $1.33, GPT-6.1 Sol (max) üçün isə $1.07, ± $0.018 idi. Claude-Fable-5.2 (max) üçün gözlənilən xərc $40.20, ± $2.59 idi.

Reytinqlər və buraxılış tarixləri

Benchmark siyahısında Gemini 4 Carbon (high) ümumi olaraq birinci yerdə göstərilir, gözlənilən performansı 85.4 faiz, ± 3.0 faiz, Google buraxılış tarixi 10 noyabr 2026-cı ildir. Claude-Fable-5.2 (max) ümumi olaraq ikinci yerdədir, 82.8 faiz, ± 5.3 faiz, Anthropic buraxılış tarixi 9 noyabr 2026-cı ildir. GPT-6.1 Sol (max) ümumi olaraq üçüncü yerdədir, 80.6 faiz, ± 2.7 faiz, OpenAI buraxılış tarixi 29 sentyabr 2026-cı ildir. Siyahıdakı ən yaxşı açıq model Kimi K3.1 Pro (max)-dur, 54.3 faiz, ± 5.8 faiz, Moonshot AI buraxılış tarixi 23 oktyabr 2026-cı ildir və gözlənilən xərci $3.70, ± $0.27-dir.

Mənbələr: The Decoder