أعلنت Google في 10 نوفمبر 2026 أن نموذج Gemini 4 Carbon حقق أعلى نتيجة في اختبار MathArena المخصص للرياضيات. ويقيس الاختبار مدى قدرة نماذج اللغة الكبيرة على حل المسائل الرياضية، من الجبر الأساسي إلى معادلات الفيزياء المتقدمة. وسجل Gemini 4 Carbon دقة إجمالية بلغت 85.4%، بهامش خطأ ±3.0%. ودفع نموذج GPT-6.1 Sol من OpenAI، الذي تصدر الترتيب بدقة بلغت 80.6%، إلى المركز الثالث. وجاء Claude-Fable 5.2 من Anthropic في المركز الثاني بدقة بلغت 82.8%. ويستند الترتيب إلى إعداد استدلال «مرتفع» يتيح للنموذج اتخاذ خطوات إضافية للوصول إلى الحل.
ما الذي يميز Gemini 4 Carbon عن منافسيه؟
يشير الاختبار إلى أن Gemini 4 Carbon نادرًا ما يستسلم أمام المسائل. ففي أحد الاختبارات، شغّل نصًا برمجيًا لأكثر من إحدى عشرة ساعة من دون توقف، متجاوزًا الحد الزمني الذي حدده التقييم. وقد يفيد هذا الإصرار في التعامل مع المسائل شديدة الصعوبة، لكنه يعني أيضًا أن النموذج قد يهدر موارد الحوسبة. في المقابل، أنجز GPT-6.1 Sol معظم المهام ضمن الوقت المحدد، لكنه تخلّى أحيانًا عن حل المسألة مبكرًا. ويؤدي وقت الحوسبة الإضافي إلى ارتفاع التكلفة. ففي ظل إعدادات الاستدلال نفسها، تبلغ تكلفة Gemini 4 Carbon نحو $15.70 لكل 1,000 رمز، مقابل نحو $40.20 لـClaude-Fable 5.2، و$1.07 فقط لـGPT-6.1 Sol. ويبلغ فارق السعر بين Gemini 4 Carbon وGPT-6.1 Sol نحو خمسة عشر ضعفًا.
ماذا يعني ذلك للمستخدمين؟
لا يتوفر نموذج Google حاليًا إلا عبر واجهته البرمجية المدفوعة، لذا يمكن للمطورين الذين يحتاجون إلى أقوى أداء في الرياضيات اختيار Gemini 4 Carbon إذا سمحت ميزانيتهم. أما في معظم الاستخدامات اليومية، مثل تطبيقات التدريس ومساعدي جداول البيانات أو أدوات المساعدة البسيطة في الواجبات المنزلية، فقد يكون GPT-6.1 Sol الأرخص كافيًا. وتثير التكلفة المرتفعة أيضًا تساؤلات بشأن قابلية التوسع في الخدمات الكبيرة التي تحتاج إلى تنفيذ آلاف الاستعلامات يوميًا. وإلى أن تطرح Google فئات تسعير أو خيارات استدلال أقل تكلفة، سيظل التوازن بين الدقة والنفقات عاملًا حاسمًا في تبني النموذج.
لماذا يهم
بالنسبة إلى المطورين الذين يبنون أدوات ذكاء اصطناعي كثيفة الاستخدام للرياضيات، يقدم Gemini 4 Carbon أفضل دقة متاحة حاليًا، لكن سعره المرتفع قد يقصر استخدامه على تطبيقات متخصصة وعالية القيمة. ومن المرجح أن يواصل معظم المستخدمين الاعتماد على نماذج أرخص مثل GPT-6.1 Sol، ما لم يحتاجوا إلى الدقة الإضافية في المسائل العلمية المعقدة.
