摘要 / 我的正文
Gemini 4 Carbon(high 档)以 85.4%(±3.0%)的预期成绩登顶 MathArena 数学基准,超过 Claude Fable 5.2(max)的 82.8% 与 GPT-6.1 Sol(max)的 80.6%,成为近期少见的非 OpenAI 榜首模型。
成本差距同样显著:按测试所用推理档位,Carbon 单次成本约 15.70 美元、Fable 5.2 约 40.20 美元,而 GPT-6.1 Sol 仅 1.07 美元,前者约为后者的 15 倍。最强开源模型 Kimi K3.1 Pro(max)得分 54.3%,成本 3.70 美元。
Carbon 最常见的失败模式是超出时间上限,且极少主动放弃任务——测试中出现过启动脚本运行逾 11 小时而不检查进度的案例。
观察:
榜首的边际价值正在被成本吞掉:85.4% 对 80.6% 只差不到 5 个百分点,价格却差 15 倍,在批量数学与代码任务里这笔账算不过来。更该关注的是"不肯放弃"这一行为特征——它在无人值守的流水线里是风险而非优点。把超时上限、最大迭代次数与人工复核点写进编排层,比追榜单更能省成本。
中国
AI
关键要点
一句话结论
(可由AI生成:一句话讲清这条新闻对你意味着什么)
可借鉴点
(可由AI生成:这条新闻能迁移到哪些业务/审查/写作场景)
证据锚点
(如:判决法院/案号/专利号/关键时间点)
后续跟踪
(如:上诉进展/和解条款/监管动作/同类案件)
证据与引用
原文链接:https://watch.patwatch.com/?news=4ab9dd8ae8a31d33
来源:Intra-Watch 资讯 · 精选
原文时间:2026-11-13 16:00:00 抓取:2026-11-16 15:14:55
来源:Intra-Watch 资讯 · 精选
原文时间:2026-11-13 16:00:00 抓取:2026-11-16 15:14:55