Gemini 4 Carbon 登顶数学评测 MathArena

第三方数学评测 MathArena 更新了总榜:Gemini 4 Carbon(high 推理档)以 85.4% 的预期得分排第一,把 GPT-6.1 Sol 挤了下去。据 The Decoder 11 月 14 日报道,这是一段时间以来首次由非 OpenAI 模型登顶。
MathArena 的模型页显示,Carbon 在 ArXivMath 总分 94.28%、BrokenArXiv 总分 84.40%,都排第一;在 9 月的 ArXivLean(要求给出 Lean 形式化证明)上是 62.26%,同样第一,但这一项单次跑下来花了 45.11 美元、输出 100 多万 token。测试用的是 Antigravity 的 agy 容器,每题限时 1200 秒。
据 The Decoder 报道,Carbon 最常见的失败是超时,它几乎从不放弃,有一次启动了一个脚本跑了 11 个多小时都没回头查看进度。前三名里有两个是本月新模型:Fable 5.2 是 11 月 9 日发布的,Carbon 是 11 月 10 日全面开放的,GPT-6.1 Sol 则是 9 月底的模型。Carbon 的发布与定价见站内 Gemini 4 Carbon 全面开放快讯。
注意:各模型推理档不同(Carbon 用 high,Fable 和 Sol 用 max),误差区间也有 ±3 到 ±5 个百分点,前三名差距并不大。OpenAI 内部更强的数学模型没有公开,不在榜上。