AI 模型

Gemini 4 Carbon 拿下 MathArena 榜首,同一輪測試貴 15 倍

Gemini 4 Carbon 把 GPT-6.1 Sol 從 MathArena 首位擠下來,同一輪測試的帳單卻是對手的 15 倍。這個差距比排名更值得看,因為它決定你怎麼編預算。

陳柏宇陳柏宇
熱度:1,600
深色面板上一條上升的分數曲線,旁邊寫著 Carbon 與 85.4% 第一名的標籤

Gemini 4 Carbon 把 GPT-6.1 Sol 從 MathArena 首位擠下來,同一輪測試的帳單卻是對手的 15 倍。這個差距比排名更值得看,因為它決定你怎麼編預算。

MathArena 是什麼,Gemini 4 Carbon 贏在哪

MathArena 不是 Google 辦的榜。它把競賽級數學題丟給模型,只看最後交出來的答案對不對,中間怎麼推的不計分。The Decoder 在 11 月 14 日報導,11 月 10 日上線的 Gemini 4 Carbon 把 GPT-6.1 Sol 擠下首位,Claude Fable 5.2 排第二。

只看結果的榜,剛好放大 Carbon 的個性。它願意在同一題上磨很久,錯了就換方法再試。這種習性在數學競賽裡是優點,在月結帳單上不是。

四行成績單:Gemini 4 Carbon 與三個對手的距離

The Decoder 整理的表只有四行,每一行都附了成本,這在同類報導裡少見。分數後面接著誤差範圍,成本後面接著單輪的變動。

模型

發布日

成績

每一輪成本

Gemini 4 Carbon(high)

11 月 10 日

85.4%

15.70 美元

Claude Fable 5.2(max)

11 月 9 日

82.8%

40.20 美元

GPT-6.1 Sol(max)

9 月 29 日

80.6%

1.07 美元

Kimi K3.1 Pro(max)

10 月 23 日

54.3%

3.70 美元

Carbon 領先 Sol 不到 5 個百分點,帳單是 15.70 美元對 1.07 美元。換算下來,同一輪貴 15 倍。它的誤差範圍是 3.0 個百分點,代表這個第一名不算穩,換一組題目就可能翻盤。

Fable 5.2 那一行更值得看。它花 40.20 美元拿到 82.8%,分數比 Carbon 低,錢多花一倍半以上。貴的原因在設定:Anthropic 用 max 思考跑這一輪,驗證迴圈開得更大。

15 倍不是牌價:Gemini 4 Carbon 與 Gemini 4 Argon 同價

看到 15 倍,很容易以為 Carbon 的詞元特別貴。牌價上,它與 Gemini 4 Argon 一模一樣:每百萬輸入詞元 4 美元,輸出 20 美元。兩顆模型共用同一張價目表,帳單卻差了一個量級。

差別在用量。Google 自己說 Carbon 會想得更深、驗證迴圈跑得更長,同一件事用掉的詞元比 Argon 多。價目表不會告訴你這件事,只有跑完一輪的收據會。

現在還有每百萬 2 美元與 10 美元的推廣價,那是上市期的 introductory price。Google 沒有說它會持續多久,排年度預算時別把它當成長期價格。

為什麼 Gemini 4 Carbon 這麼燒詞元:它幾乎不認輸

Carbon 最常見的失敗原因是超時,這個細節比任何分數都說明它的個性。它不會早早放棄,會一直換方法、寫腳本、跑驗證,直到時間用完。

The Decoder 提到一個案例:它啟動了一支腳本,讓它跑了超過 11 小時,中間沒有回頭確認進度。這是產品決策,工程師選擇讓它在不確定時繼續試,代價由使用者的額度承擔。

換成台灣的場景就很具體。一個三人的產品團隊用 Gemini API 跑夜間的資料清理,Carbon 這種習性意味著一個卡住的任務可以吃掉整晚的額度,隔天早上同事打開 dashboard 只看得到一條拉平的線。要放它去跑長任務,先把 timeout 與 token 上限寫進呼叫端。

Google 給 Gemini 4 Carbon 的新榜單:CursorBench 4.0 與 WANDR

Google 在發布時自己公布了幾張榜,其中 CursorBench 4.0 拿第一,分數略低於 60%。這張榜測的是在編輯器裡連續改程式碼的能力,比分數更接近日常開發。

另外兩張是 Perplexity 的 WANDR 與 Zapier 的 AutomationBench,Carbon 都排第一,每完成一個任務的成本不到第二名 Fable 5.2 的一半。Google 也與 Artificial Analysis 合建了一個多模態知識代理的基準,Carbon 在那裡排第二,輸給 Fable 5.2,成本不到對方的六分之一。

這些數字全部來自 Google,沒有第三方覆核。看的時候把它們當成廠商提供的履歷,不是判決。

Fairwind 測試:Gemini 4 Carbon 兩小時找到真漏洞

正式開放前,Carbon 先給一批安全專家試用,計畫代號 Fairwind。這段測試的結果比榜單更難造假。

在 Wiz 的 Scan for Good 計畫裡,它掃了兩家大型 SaaS 供應商,兩小時內找到真的零日漏洞。Google 的雲端安全團隊也用它替一個熱門開源專案的兩個已知漏洞寫出可用的攻擊程式。漏洞要真的存在才算數,這一項沒有辦法靠調參數美化。

對企業的意義在時間。過去要一位顧問花幾週翻的東西,現在兩小時有初稿,人再進去確認。資安團隊的工作變成篩選與修補,不是從零開始找。

Gemini 4 Argon 還是日常主力

Google 的建議很明確:多數軟體工程與知識工作交給 Argon,Carbon 留給開放式研究與難纏的除錯。兩顆模型並存,Carbon 沒有取代 Argon 的意思。

付費層級的開發者可以從 Gemini API、Google AI Studio、Android Studio 與 Gemini for Business 進去。免費層級沒有這條路,這一點在發布說明裡寫得清楚。

如果你手上的工作是改一個已知的 bug、寫一段 CRUD、整理會議記錄,Argon 的答案差不多,帳單少很多。Carbon 的價值出現在那種「不知道從哪裡開始」的題目上。

Claude Fable 5.2 與 Kimi K3.1 Pro 在這張榜上的位置

Fable 5.2 在 MathArena 排第二,但它同時是 Artificial Analysis 指數的領先者,也在其他幾個基準拿第一。用這張表說它比較弱,會讀錯。

開源這邊最好的是 Moonshot AI 的 Kimi K3.1 Pro,54.3%,成本 3.70 美元。它便宜,但與前三名差了一個級距。10 月 23 日發布到現在,它仍是開放權重選項裡最靠前的一顆。

Gemini 4 Carbon 的 /swarm 預覽與多代理的帳單爭議

發布會上還有一個預覽:Antigravity 裡的 /swarm,把一句提示變成一群代理。Carbon 負責架構、協調與稽核,輕量模型在平行工作區跑,同時充當對抗式驗證者。

這個方向有反方。OpenAI 與 Anthropic 最近都提醒,多代理 swarm 容易燒掉大量詞元卻換不到等值的品質,研究者也得到類似結論。Carbon 本身已經很會燒錢,再乘上一群代理,帳單會長成什麼樣,Google 沒有給數字。

怎麼買 Gemini 4 Carbon:按完成的任務編預算

如果只記一件事,記這個:預算單位從詞元換成完成的任務。Artificial Analysis 兩週前量過每解一題的成本,Carbon 在標準價下是 7.76 美元,Fable 5.2 在 max 設定要 26.50 美元。中間還有 Opus 5.5 Max 的 10.04 與 GPT-6 Astra Max 的 6.25。

這組數字比 MathArena 的名次實用,因為它回答的是「我請它做完一件事要付多少」,而不是「它在排行榜第幾」。

實際做法不複雜。挑五個你真的會重複跑的任務,用 Carbon 跑一週,把 timeout、重試次數與 token 上限先設好,再看那張帳單。它適合你想放著讓它磨一整晚的題目,不適合掛在客服或即時查詢後面。台灣團隊如果同時用 Argon 跑日常流程,兩顆模型用同一份匯率表算,數字會誠實一點。

分享這則新聞

來源

相關 AI 新聞

終端機視窗裡有上升的獎勵曲線,旁邊是一個 27B 標章
AI 模型

DaisyRose-27B 只做強化學習,18 天把代理寫程式成績翻倍

同一個 Qwen3.8-27B,架構、分詞器、聊天模板都沒改,只換訓練方式。RadixArk 拿 1,200 個長流程任務,示範後訓練的預算可以買到什麼。

熱度:1,330
筆電輪廓裡有三張堆疊的層板,穿過一個迴圈箭頭
AI 模型

Inkling 2 Mini 把中間 12 層跑三次,26B 模型離線塞進筆電

24 層的模型,跑出 48 層的計算深度。Thinking Machines Lab 把這個迴圈架構做成 open weights,讓代理任務有機會在筆電上離線完成。

熱度:1,710
暗色背景上一道長條藍綠色聲波,其中一根橘色強調柱
AI 模型

Rumble-2-Flash 開源:0.5B 參數在客服電話上追平 30B 模型

一支 5 億參數的語音辨識模型,在 302 小時的英文客服電話上,只輸給 300 億參數的對手 0.08 個百分點。Reson8 在 11 月 18 日把這支模型連權重一起放上 Hugging Face。

熱度:560
深藍背景上三道光環繞著一顆發光的小核心
AI 模型

Gemini 4 Neon 上線:模型選單剩四項,Argon 與 3.1 Pro 退場

Google 在 11 月 18 日把 Gemini 4 Neon 推上線,同一時間,Gemini app 的模型清單從六個名字縮成四個。習慣點 Argon 的人,今天打開 app 會發現它不見了。

熱度:1,500