Gemini 4 CarbonはMathArenaで首位に立った。同じ表の右側には、1回の実行にかかった金額が並ぶ。点数と請求書は、別々に読む必要がある。
Gemini 4 CarbonがMathArenaで首位を取った理由
MathArenaは外部が運営する数学のベンチマークで、Googleの社内テストではない。The Decoderが11月14日に公開した表で、OpenAIのGPT-6.1 Solを抜いてCarbonが1位になった。記録は85.4%だ。
MathArenaの点数表と1回あたりの費用
点数だけなら接戦だ。問題は、その点数を出すまでにいくら使ったか。
モデル | 点数 | 1回あたり |
|---|---|---|
Gemini 4 Carbon(high) | 85.4% | 15.70ドル |
Claude Fable 5.2(max) | 82.8% | 40.20ドル |
GPT-6.1 Sol(max) | 80.6% | 1.07ドル |
Kimi K3.1 Pro(max) | 54.3% | 3.70ドル |
右端は、同じ問題群を同じ手順で解いたときの実費だ。CarbonとSolの差は14.7倍になる。15倍という言い方が出てくるのは、この列のためである。Kimi K3.1 Proは54.3%で、オープンなモデルでは最良だ。
2位のFable 5.2は、1回の実行で40ドルを超える。それでもArtificial Analysisの総合指数ではFable 5.2が上位にあり、この順位が優劣をそのまま示すわけではない。Solは80.6%を1.07ドルで出しており、費用あたりでは別の評価になる。
15倍の費用はGemini 4 Carbonの使い方から来る
誤解しやすいのは、この15倍がトークン単価の差ではないことだ。CarbonのAPI料金は100万トークンあたり入力4ドル、出力20ドルで、Gemini 4 Argonと同じである。差が生まれるのは使い方にある。Carbonは考える時間を長く取り、検証のループを何度も回す。Googleも、請求は高くなる可能性があると認めている。
失敗の仕方にも性格が出る。Carbonがつまずく原因の多くは制限時間の超過で、諦めることはほとんどない。11時間以上スクリプトを走らせたまま進捗を確認しなかった例もある。
Gemini 4 Argonとどう使い分けるか
GoogleはCarbonがArgonを置き換えるとは言っていない。補う関係だと説明する。日常のソフトウェア開発や知識作業はArgonが向き、答えの見えない研究や難解なデバッグでCarbonを選ぶ。料金体系が同じなので、判断は作業の種類で決まる。導入価格として入力2ドル、出力10ドルが用意されているが、これは期間限定の扱いだ。
日本のチームなら、円建ての請求が為替で動く点も予算に入れたい。Gemini APIのほか、Google AI StudioやAndroid Studioから有料枠で試せる。
Googleが公表した新しい指標とFairwindの結果
Googleの主張はMathArenaだけではない。CursorBench 4.0では60%弱で首位、PerplexityのWANDRとZapierのAutomationBenchでも1位だという。次点のFable 5.2より作業あたりの費用は半分以下だが、これらはGoogleの発表で、第三者が追試した数字ではない。Artificial Analysisと共同で作ったマルチモーダル知識エージェントの指標では、Fable 5.2に次ぐ2位で、首位の6分の1以下の費用だった。
Fairwindの早期アクセスでは、WizのScan for Goodの一環として大手SaaS2社を2時間足らずで走査し、実在するゼロデイ脆弱性を見つけた。Googleのクラウドセキュリティチームは、人気のオープンソースプロジェクトの既知の不具合2件に実証コードを書かせている。
/swarmのプレビューとAntigravityの狙い
GoogleはAntigravityで/swarmも予告した。1つのプロンプトからエージェントのチームを組み、Carbonが設計と調整と監査を担う。軽いモデルが並列で走る。OpenAIとAnthropicはどちらも、マルチエージェントはトークンを浪費しやすく品質の伸びは小さいと警告している。
日本の企業が稟議を通すとき、トークン単価の表だけでは足が出る。仕事1件あたりの金額で見積もる方が実態に合う。では、最初に何を測るか? 自分の業務から10件を選び、1件を終えるまでの費用を出す。






