谷歌的 Gemini 4 Carbon 在 MathArena 數學基準測試中登頂,成為近期首個打破 OpenAI 模型壟斷榜首的非 OpenAI 模型。根據測試資料,Gemini 4 Carbon(高推理設定)的預期表現為 85.4%,Anthropic 的 Claude Fable 5.2(最大推理設定)以 82.8% 位居第二,而此前領先的 OpenAI GPT-6.1 Sol(最大推理設定)以 80.6% 退居第三。

MathArena 是一個評估 AI 模型數學推理能力的公開基準。此次排名變化意味著,在數學任務這一關鍵能力維度上,谷歌和 Anthropic 的模型已具備與 OpenAI 頂尖模型正面競爭的實力。不過,OpenAI 近期據稱能求解納維-斯托克斯方程等複雜方程的模型尚未公開可用,因此本次對比僅限於已公開的模型版本。

效能提升的代價是顯著更高的成本。在測試所用的推理設定下,Gemini 4 Carbon 的單次任務成本約為 15.70 美元,Claude Fable 5.2 約為 40.20 美元,而 GPT-6.1 Sol 僅需 1.07 美元。這意味著 Gemini 4 Carbon 的成本約為 GPT-6.1 Sol 的 15 倍,Fable 5.2 則高達約 40 倍。對於需要大規模呼叫數學推理能力的應用而言,這一成本差異可能直接影響模型選型。

測試還揭示了 Gemini 4 Carbon 的行為特徵。其最常見的失敗模式是超出時間限制,但該模型幾乎從不主動放棄任務。這種特性具有兩面性:一方面體現了較強的任務堅持性,另一方面也可能導致資源浪費。例如在一次測試中,模型啟動了一個指令碼並執行超過 11 小時,期間未檢查進度。

從釋出時間看,Gemini 4 Carbon 於 2026 年 11 月 10 日 釋出,Claude Fable 5.2 於 11 月 9 日 釋出,GPT-6.1 Sol 則於 9 月 29 日 釋出。在開源模型方面,Moonshot AI 的 Kimi K3.1 Pro(最大推理設定)以 54.3% 的預期表現成為最佳開源模型,成本為 3.70 美元,與閉源頂尖模型仍有明顯差距。

此次排名變動反映出大模型數學能力競賽的持續升溫,但效能與成本之間的權衡正成為越來越重要的考量因素。對於關注 AI 數學推理進展的觀察者而言,未來值得留意的是:OpenAI 尚未公開的模型能否重新奪回榜首,以及各廠商能否在保持效能的同時最佳化推理成本。