谷歌的 Gemini 4 Carbon 在 MathArena 数学基准测试中登顶,成为近期首个打破 OpenAI 模型垄断榜首的非 OpenAI 模型。根据测试数据,Gemini 4 Carbon(高推理设置)的预期表现为 85.4%,Anthropic 的 Claude Fable 5.2(最大推理设置)以 82.8% 位居第二,而此前领先的 OpenAI GPT-6.1 Sol(最大推理设置)以 80.6% 退居第三。

MathArena 是一个评估 AI 模型数学推理能力的公开基准。此次排名变化意味着,在数学任务这一关键能力维度上,谷歌和 Anthropic 的模型已具备与 OpenAI 顶尖模型正面竞争的实力。不过,OpenAI 近期据称能求解纳维-斯托克斯方程等复杂方程的模型尚未公开可用,因此本次对比仅限于已公开的模型版本。

性能提升的代价是显著更高的成本。在测试所用的推理设置下,Gemini 4 Carbon 的单次任务成本约为 15.70 美元,Claude Fable 5.2 约为 40.20 美元,而 GPT-6.1 Sol 仅需 1.07 美元。这意味着 Gemini 4 Carbon 的成本约为 GPT-6.1 Sol 的 15 倍,Fable 5.2 则高达约 40 倍。对于需要大规模调用数学推理能力的应用而言,这一成本差异可能直接影响模型选型。

测试还揭示了 Gemini 4 Carbon 的行为特征。其最常见的失败模式是超出时间限制,但该模型几乎从不主动放弃任务。这种特性具有两面性:一方面体现了较强的任务坚持性,另一方面也可能导致资源浪费。例如在一次测试中,模型启动了一个脚本并运行超过 11 小时,期间未检查进度。

从发布时间看,Gemini 4 Carbon 于 2026 年 11 月 10 日 发布,Claude Fable 5.2 于 11 月 9 日 发布,GPT-6.1 Sol 则于 9 月 29 日 发布。在开源模型方面,Moonshot AI 的 Kimi K3.1 Pro(最大推理设置)以 54.3% 的预期表现成为最佳开源模型,成本为 3.70 美元,与闭源顶尖模型仍有明显差距。

此次排名变动反映出大模型数学能力竞赛的持续升温,但性能与成本之间的权衡正成为越来越重要的考量因素。对于关注 AI 数学推理进展的观察者而言,未来值得留意的是:OpenAI 尚未公开的模型能否重新夺回榜首,以及各厂商能否在保持性能的同时优化推理成本。