Все новости

Gemini 4 Carbon возглавила MathArena, но решение задачи в 15 раз дороже, чем у GPT-6.1 Sol

Материал подготовлен Sintelligent с помощью ИИ. Опубликовано в SI: . Обновлено: .

Новый лидер по математике показывает, что прирост качества всё ещё можно получить за счёт долгого рассуждения, но цена такого ответа различается в десятки раз.

Gemini 4 Carbon с высоким уровнем рассуждения набрала 85,4% ±3,0% в MathArena и обошла Claude Fable 5.2 с 82,8% ±5,3% и GPT-6.1 Sol с 80,6% ±2,7%. Средняя стоимость решения задачи у Carbon составила 15,70 $ против 1,07 $ у GPT-6.1 Sol; Fable 5.2 оказалась ещё дороже — 40,20 $. Лучшей открытой моделью в таблице стала Kimi K3.1 Pro с 54,3% ±5,8%; у Carbon типичной ошибкой стало превышение лимита времени, включая один запуск скрипта более чем на 11 часов.

Источники 1

История

Выпуск моделей Gemini 4: Argon и Carbon

11 событий
  1. Gemini 4 Carbon возглавила MathArena, но решение задачи в 15 раз дороже, чем у GPT-6.1 SolОткрыто сейчас
  2. Google выпустила Gemini 4 Hydrogen для быстрых агентов и обновила поиск
  3. Google DeepMind выпустила Gemini Robotics 2.5 и открытый бенчмарк безопасности ASIMOV-Jailbreak
  4. Google открыла Gemini 4 Carbon всем и показала режим /swarm — команду агентов из одного запроса
  5. Google представила Gemini 4 Carbon — свою самую сильную модель — и открыла её сначала специалистам по киберзащите
  6. Четыре агента Gemini 4 Argon прошли Minecraft до победы над Драконом Края за 27 часов 14 минут, сообщают авторы статьи
  7. В отчёте о безопасности Gemini 4 Argon: модель обдумала взлом компилятора для обхода обнаружения и отказалась от него
  8. Gemini 4 Argon научили управлять роботами: в тесте Google успех операций «взять и положить» вырос с 56% до 75%
  9. Google выпустила Gemini 4 Argon — новую флагманскую модель с окном в 1 млн токенов
  10. Google тестирует Gemini 4 Carbon: сотрудник сравнил его в программировании с лучшей моделью Anthropic Opus 5.5
  11. Google выпустила Gemini 4 Argon: ответ до миллиона токенов и первые места в тестах по коду и корпоративным задачам