Google 的 Gemini 4 Carbon 在 MathArena 数学基准测试中登上榜首,成为近期首个在该榜单上超越 OpenAI 模型的非 OpenAI 模型。根据测试结果,Gemini 4 Carbon(high 设置)的预期得分为 85.4%,Anthropic 的 Claude Fable 5.2(max 设置)以 82.8% 位列第二,OpenAI 的 GPT-6.1 Sol(max 设置)以 80.6% 退居第三。

这一排名变化打破了 OpenAI 模型在 MathArena 上的长期领先。值得注意的是,OpenAI 近期据称已能求解 Navier-Stokes 方程等 demanding 方程,但相关模型尚未公开可用,因此未进入本次公开榜单的比较范围。

性能提升伴随着显著的成本差异。在测试所用的推理设置下,Gemini 4 Carbon 的预期成本为 15.70 美元,约为 GPT-6.1 Sol(1.07 美元)的 15 倍;Claude Fable 5.2 的成本更高,达到 40.20 美元,约为 GPT-6.1 Sol 的 40 倍。这意味着榜首位置是以更高的推理开销换来的。

从行为特征看,Gemini 4 Carbon 最常见的失败模式是超出时间限制,但它几乎从不主动放弃任务。这种“坚持”可以被解读为正面特质,也可能带来副作用:在一次测试中,该模型启动的脚本运行了超过 11 小时,期间没有检查运行进度。这提示高推理投入并不总等于高效,任务管理与超时控制仍是实际部署中需要权衡的环节。

榜单还提供了开源模型的参照。Moonshot AI 的 Kimi K3.1 Pro(max 设置)以 54.3% 的得分成为最佳开源模型,预期成本为 3.70 美元。与头部闭源模型相比,开源模型在得分上仍有明显差距,但成本处于中间水平。

整体来看,MathArena 的这次排名更新反映出前沿模型竞争的一个新侧面:数学推理能力的提升越来越依赖更高的推理预算,模型之间的比较不再只是分数高低,还包括达到该分数所需的成本。对关注 AI 产业的读者而言,这为评估模型的实际可用性与经济性提供了更完整的维度。