在 11 月 14 日公布的数学基准 MathArena 榜单上，Google 的 Gemini 4 Carbon 拿下第一名，把此前的榜首 GPT-6.1 Sol 挤到第二，Claude Fable 5.2 排第三。这是有一段时间以来第一个把 OpenAI 模型拉下数学基准头名的非 OpenAI 模型，公开可用模型在数学任务上的能力上限被重新抬高了一档。
榜单成绩好看了，成本也上来了。Gemini 4 Carbon 在 MathArena 上跑完的花费，大约是 GPT-6.1 Sol 的 15 倍。这个差距意味着它在这类需要长链条推演的数学任务上，把更多算力换成了准确率，把预算压力留给了调用方。对做数学能力评测、题目求解和自动证明的团队来说，能不能用得起和能不能用得准现在是两个独立问题。同系列的Gemini 4 Carbon 让 iPhone 跑 Win11走的是本地部署路线，与这里的云端榜单成本是两种完全不同的账。
主要失败模式是超时，而不是算错
和很多模型在数学题上算出一个错误答案不同，Gemini 4 Carbon 最常见的失败模式是超过时间限制。它还有一个很显眼的习惯，就是几乎不放弃任务。这个特性可以往两个方向解读，往好的一边看是不轻易认输，往坏的一边看就是会把成本越推越高。
一个被记录下来的案例很有代表性：在某次评测中，模型启动了一个脚本，跑超过 11 个小时都没有回头检查进度。多花出去的算力换来了什么，取决于那次任务到底有没有产出可用结果。评测集里的超时判定只记失败，不记这种额外消耗，所以榜单分数和真实账单之间会出现明显落差。
15 倍成本差该怎么算
评估这类模型，实际账单通常由输入长度、输出长度、采样次数和重试轮数共同决定，其中重试往往是最大的变量。一个会反复重算到超时的模型，实际消耗可能远高于 15 倍的名义差距，反过来如果不开启重试，成功率又会明显下滑。
可行的做法是先按题目类型分层。短链路的整数与代数题用低成本模型兜底，只有需要多步证明和构造的部分才路由到 Carbon。同时把超时和重试次数都纳入监控指标，而不是只看一次通过率。对数学推理这类任务，这套分层策略带来的成本节省，通常比单次换模型更明显。
延伸阅读
- Gemini 4 Argon深度解读：35%代码提效、$2/M输入定价1 月前
- AI 榜单 710 个基准中 105 个已饱和：新考卷只剩 41.7%3 周前
- 谷歌 Gemini 4 Carbon 发布：AA 指数 59 分登顶3 周前
- 谷歌内测Gemini 4 Carbon：代码能力堪比Opus 5.5，Argon命名史曝光1 月前
继续读
往下这几篇值得接着看：
- Gemini 4 Carbon 重回世界第一：Alphabet 股价跌 10%2026-11-05
- 谷歌 Gemini 4 Carbon 发布：AA 指数 59 分登顶2026-10-29
- MKA 多模态知识智能体基准：200 任务实测 4 模型成本差 16 倍深度2026-11-11