Gemini 4 Carbon-ը գլխավորում է MathArena-ն, բայց 15 անգամ ավելի թանկ է, քան GPT-6.1 Sol-ը

Google-ի Gemini 4 Carbon-ը դարձավ վերջին շրջանում առաջին ոչ OpenAI մոդելը, որը գլխավորեց MathArena մաթեմատիկական չափանիշը՝ GPT-6.1 Sol-ին հանելով առաջին տեղից։ Claude Fable 5.2-ը զբաղեցրեց երկրորդ տեղը։ Այս արդյունքը Gemini 4 Carbon-ը դարձնում է մաթեմատիկական խնդիրների համար հնարավոր ամենաընդունակ հանրային հասանելի մոդելներից մեկը։

Չափանիշի արդյունքը և հասանելիությունը

OpenAI-ի մոդելները, որոնք, ըստ հաղորդումների, վերջերս լուծել են պահանջկոտ հավասարումներ, ինչպիսիք են Navier-Stokes հավասարումները, դեռ հանրային հասանելի չեն։ Gemini 4 Carbon-ի ամենատարածված ձախողման ռեժիմը ժամանակի սահմանը գերազանցելն է։

Համառությունը խնդիրների կատարման ժամանակ

Մոդելը գրեթե երբեք չի հրաժարվում խնդրից, հատկություն, որը կարելի է մեկնաբանել ինչպես դրական, այնպես էլ բացասական։ Մեկ դեպքում այն գործարկեց սկրիպտ, որը աշխատեց ավելի քան տասնմեկ ժամ՝ առանց առաջընթացի ստուգման։

Ծախսի համեմատությունը

Փորձարկման մեջ օգտագործված դատողության կարգավորումներով Carbon-ը և Fable 5.2-ը արժեն մոտավորապես 15 և 40 անգամ ավելի, քան GPT-6.1 Sol-ը, համապատասխանաբար։ Gemini 4 Carbon (high)-ը ուներ սպասվող ծախս $15.70, գումարած կամ հանած $1.33, իսկ GPT-6.1 Sol (max)-ը՝ սպասվող ծախս $1.07, գումարած կամ հանած $0.018։ Claude-Fable-5.2 (max)-ը ուներ սպասվող ծախս $40.20, գումարած կամ հանած $2.59։

Վարկանիշները և թողարկման ամսաթվերը

Չափանիշի ցուցակը Gemini 4 Carbon (high)-ը նշում է որպես ընդհանուր առաջին, 85.4 տոկոս սպասվող արդյունավետությամբ, գումարած կամ հանած 3.0 տոկոս, և Google-ի թողարկման ամսաթվով՝ նոյեմբերի 10, 2026։ Claude-Fable-5.2 (max)-ը ընդհանուր երկրորդն է, 82.8 տոկոսով, գումարած կամ հանած 5.3 տոկոս, և Anthropic-ի թողարկման ամսաթվով՝ նոյեմբերի 9, 2026։ GPT-6.1 Sol (max)-ը ընդհանուր երրորդն է, 80.6 տոկոսով, գումարած կամ հանած 2.7 տոկոս, և OpenAI-ի թողարկման ամսաթվով՝ սեպտեմբերի 29, 2026։ Ցուցակված լավագույն բաց մոդելը Kimi K3.1 Pro (max)-ն է, 54.3 տոկոսով, գումարած կամ հանած 5.8 տոկոս, Moonshot AI-ի թողարկման ամսաթվով՝ հոկտեմբերի 23, 2026, և սպասվող ծախսով՝ $3.70, գումարած կամ հանած $0.27։

Աղբյուրներ: The Decoder