Gemini 4 Carbon گوگل در معیار MathArena صدرنشین شد

گوگل در ۱۰ نوامبر ۲۰۲۶ اعلام کرد مدل Gemini 4 Carbon بالاترین امتیاز را در معیار ریاضی MathArena کسب کرده است. این آزمون توانایی مدل‌های زبانی بزرگ را در حل مسائل ریاضی، از جبر پایه تا معادلات پیشرفته فیزیک، می‌سنجد. دقت کلی Gemini 4 Carbon به ۸۵.۴٪ با حاشیه خطای ±۳.۰٪ رسید. این مدل OpenAI GPT-6.1 Sol را که با دقت ۸۰.۶٪ صدرنشین جدول بود، به جایگاه سوم فرستاد. Claude-Fable 5.2 از Anthropic با دقت ۸۲.۸٪ دوم شد. این رتبه‌بندی بر اساس حالت استدلال «بالا» انجام شده؛ حالتی که به مدل اجازه می‌دهد برای رسیدن به پاسخ، گام‌های بیشتری بردارد.

Gemini 4 Carbon چه تفاوتی با رقبا دارد؟

به‌گفته معیار، Gemini 4 Carbon به‌ندرت از حل مسئله‌ای دست می‌کشد. در یکی از آزمون‌ها، این مدل بیش از یازده ساعت بی‌وقفه یک اسکریپت را اجرا کرد و از محدودیت زمانی ارزیابی فراتر رفت. این پشتکار برای پرسش‌های بسیار دشوار می‌تواند مفید باشد، اما ممکن است باعث هدررفت منابع محاسباتی هم بشود. در مقابل، GPT-6.1 Sol بیشتر کارها را در زمان تعیین‌شده به پایان رساند، اما گاهی زودتر از ادامه حل مسئله منصرف شد. زمان محاسباتی بیشتر به هزینه بالاتر منجر می‌شود. با تنظیمات یکسان استدلال، هزینه Gemini 4 Carbon حدود $15.70 به‌ازای هر 1,000 توکن است؛ درحالی‌که Claude-Fable 5.2 حدود $40.20 و GPT-6.1 Sol فقط $1.07 هزینه دارد. اختلاف قیمت Gemini 4 Carbon و GPT-6.1 Sol حدود پانزده برابر است.

این موضوع برای کاربران چه معنایی دارد؟

مدل گوگل در حال حاضر فقط از طریق API پولی در دسترس است؛ بنابراین توسعه‌دهندگانی که به بالاترین عملکرد ریاضی نیاز دارند، در صورت داشتن بودجه می‌توانند Gemini 4 Carbon را انتخاب کنند. برای بیشتر کاربردهای روزمره، مانند اپلیکیشن‌های آموزش خصوصی، دستیارهای صفحه‌گسترده یا ابزارهای ساده کمک‌درسی، GPT-6.1 Sol ارزان‌تر ممکن است کافی باشد. هزینه بالا همچنین پرسش‌هایی درباره امکان گسترش استفاده از این مدل در سرویس‌های بزرگ‌مقیاس ایجاد می‌کند؛ سرویس‌هایی که باید روزانه هزاران درخواست را پردازش کنند. تا زمانی که گوگل بسته‌های قیمتی یا گزینه‌های ارزان‌تری برای اجرای مدل ارائه نکند، تصمیم‌گیری بر پایه موازنه میان دقت و هزینه خواهد بود.