جمینای ۴ کاربن گوگل در دهم نوامبر ۲۰۲۶ رتبه اول محک ریاضی مث‌آرنا را به دست آورد و اولین مدل غیر از اوپن‌ای‌آی شد که در ماه‌ها سقف این بنچ‌مارک را می‌گیرد. اما این برتری با هزینه استنتاج ۱۵ برابر مدل GPT-6.1 سول همراه است.
شرکت‌ها اکنون در میان عمق استدلال و واقعیت بودجه معلق‌اند. اوپن‌ای‌آی ادعا می‌کند مدل‌های جدیدش معادلات Navier-Stokes را حل کرده، اما در پشت درهای بسته مانده‌اند. گوگل پیش‌تر جمینای را در کیف پول خود برای امور مالی بکار بست — اکنون همان خانواده مدل در ریاضیات پرریسک عضلات نشان می‌دهد.
جدول نتایج و هزینه‌های جمینای ۴ کاربن و رقبا
- جمینای ۴ کاربن (high): ۸۵.۴٪ ±۳.۰٪ صحت با هزینه ۱۵.۷۰ دلار ±۱.۳۳ در هر اجرا
- کلود فابل ۵.۲ (max): ۸۲.۸٪ ±۵.۳٪ با هزینه ۴۰.۲۰ دلار ±۲.۵۹
- GPT-6.1 سول (max): ۸۰.۶٪ ±۲.۷٪ با هزینه ۱.۰۷ دلار ±۰.۰۱۸
- کیمی K3.1 پرو (max): ۵۴.۳٪ ±۵.۸٪ با هزینه ۳.۷۰ دلار ±۰.۲۷ (بهترین مدل باز)
تحلیل کارایی-قیمت
ضریب ۱۵ برابری هزینه مفهوم «حالت پیشرفته» را بازتعریف می‌کند. برای بارهای تولیدی، GPT-6.1 سول ۹۴٪ امتیاز کاربن را با ۱/۱۵ هزینه تحویل می‌دهد. فابل ۵.۲ آنتروپیک حتی در منحنی هزینه دورتر است. تیم‌ها باید تصمیم بگیرند چند درصد باقی‌مانده ارزش پرمیوم را دارد — یا مدل‌های باز مثل کیمی K3.1 پرو برای کارهای زیر ۵۵٪ کفایت می‌کند.
حالت شکست کاربن
نکته ضعف امضایی کاربن: تجاوز از حد زمانی. در یک آزمون اسکریپتی را برای بیش از یازده ساعت بدون خودبررسی چرخاند — استقامتِ دو لبه‌ای که می‌تواند مثبت یا منفی باشد.
گام بعدی شما
- ارزیابی‌های ریاضی خود را با ارقام هزینه منتشرشده مقایسه کنید قبل از تعهد بودجه
- انتشار عمومی حل‌کننده‌های Navier-Stokes اوپن‌ای‌آی را رصد کنید؛ می‌تواند مرز قیمت-کارایی را یک شبه بازنویسی کند
- برای کارهای زیر ۵۵٪ صحت، مدل‌های باز را به عنوان گزینه اول تست کنید
گفتگو