Ένα script που έτρεχε πάνω από έντεκα ώρες χωρίς να ελέγξει ούτε μία φορά αν προχωράει. Έτσι περιγράφεται η επιμονή του Gemini 4 Carbon της Google, του μοντέλου που πήρε την πρώτη θέση στο MathArena, το benchmark για μαθηματικά προβλήματα. Σύμφωνα με το The Decoder, είναι το πρώτο μοντέλο που δεν ανήκει στην OpenAI και φτάνει στην κορυφή μετά από αρκετό καιρό.
Το Carbon έριξε από την πρώτη θέση το GPT-6.1 Sol της OpenAI. Δεύτερο βγήκε το Claude Fable 5.2. Η πηγή σημειώνει ότι έτσι το Carbon είναι ίσως ένα από τα πιο ικανά μοντέλα για μαθηματικά που μπορεί να χρησιμοποιήσει οποιοσδήποτε, γιατί τα μοντέλα της OpenAI που φέρεται να έλυσαν απαιτητικές εξισώσεις, όπως οι εξισώσεις Navier-Stokes, δεν είναι ακόμη διαθέσιμα στο κοινό.
Σχεδόν ποτέ δεν τα παρατά
Η πιο συχνή αστοχία του Carbon είναι η υπέρβαση του χρονικού ορίου. Το μοντέλο σχεδόν ποτέ δεν εγκαταλείπει ένα πρόβλημα, και αυτό μπορεί να διαβαστεί και ως προσόν και ως ελάττωμα. Το σενάριο των έντεκα ωρών δείχνει το δεύτερο: το μοντέλο συνέχισε να δουλεύει χωρίς να ελέγξει την πρόοδό του.
Η λογαριασμός της πρώτης θέσης
Η επίδοση κοστίζει. Με τις ρυθμίσεις συλλογισμού που χρησιμοποιήθηκαν στις δοκιμές, το Carbon στοιχίζει περίπου 15 φορές περισσότερο από το GPT-6.1 Sol. Το Claude Fable 5.2 είναι ακριβότερο ακόμη: περίπου 40 φορές.
Το νούμερο βάζει την κατάταξη σε προοπτική. Το Sol είναι δεύτερο στη βαθμολογία, αλλά πολύ φθηνότερο για την ίδια δουλειά. Για όποιον λύνει λίγα, δύσκολα προβλήματα, η διαφορά ίσως αξίζει. Για όποιον τρέχει μεγάλο όγκο, η τιμή μετράει όσο και το σκορ. Για τις τιμές και τις ρυθμίσεις πέρα από όσα αναφέρει η πηγή, δεν υπάρχουν περισσότερα στοιχεία.
Πηγή: The Decoder



