AI Aulis

AI-UUTISET SUOMEKSI · 15.11.2026

Tekoälyalan tärkeimmät uutiset joka aamu. Tekoäly kirjoittaa ja tarkastaa jutut alkuperäisiä lähteitä vasten – tarkista tärkeät tiedot lähteistä.

26 juttua · seuraava numero huomenna aamulla · Miten lehti tehdään →

← Numero 15.11.2026Lehti

Gemini 4 Carbon johtaa MathArenaa, mutta ajo maksaa noin 15 kertaa GPT-6.1 Solin verran

Tekoälyn tuottama sisältöTekoälyn kirjoittama

the-decoder.com, tbreak.com, dailyaibrief.com, oossa.com · 4 lähdettä · Lähteet julkaistu: 14.11.2026

Googlen Gemini 4 Carbon sai MathArena-matematiikkavertailussa parhaan tuloksen, mutta ero Claude Fable 5.2:een ja GPT-6.1 Soliin mahtuu virhemarginaaleihin. Carbonin testiajo maksoi noin 15 kertaa GPT-6.1 Solin ajon verran.

The Decoder kertoi 14. marraskuuta MathArenan uusista tuloksista Jasper Dekoninckin X-päivityksen perusteella. AI Brief -sivusto viittaa samoihin MathArenan tulostaulukon lukuihin. Sivuston mukaan MathArena on riippumaton vertailutesti, jossa tekoälymallit ratkaisevat matematiikkakilpailujen uusia tehtäviä.

Tbreakin ja AI Briefin mukaan MathArena lisäsi Anthropicin Claude Fable 5.2:n ja Googlen Gemini 4 Carbonin vertailuun 13. marraskuuta. The Decoderin mukaan Carbon on ensimmäinen muu kuin OpenAI:n malli, joka on pitkään aikaan noussut kärkeen. Se ohitti OpenAI:n GPT-6.1 Solin, ja Fable 5.2 sijoittui toiseksi.

Kärkikolmikon erot mahtuvat virhemarginaaleihin

Taulukossa ovat MathArenan odotettu tulos ja odotettu kustannus niillä päättelytasoilla, joilla mallit testattiin.

Malli (päättelytaso) Yhtiö Odotettu tulos Odotettu kustannus
Gemini 4 Carbon (high) Google 85,4 % (±3,0) 15,70 $ (±1,33 $)
Claude Fable 5.2 (max) Anthropic 82,8 % (±5,3) 40,20 $ (±2,59 $)
GPT-6.1 Sol (max) OpenAI 80,6 % (±2,7) 1,07 $ (±0,018 $)
Kimi K3.1 Pro (max) Moonshot AI 54,3 % (±5,8) 3,70 $ (±0,27 $)

Lähde: MathArena The Decoderin ja Tbreakin mukaan. Tuloksen vaihteluväli on prosenttiyksikköinä.

Kolmen kärkimallin vaihteluvälit menevät päällekkäin. Siksi Tbreakin ja AI Briefin mukaan kilpailu on tasaisempi kuin taulukon järjestys antaa ymmärtää. Fable 5.2:n vaihteluväli on kolmikon laajin. Paras avointen painojen malli Kimi K3.1 Pro jäi Carbonista noin 31 prosenttiyksikköä.

The Decoder huomauttaa, etteivät ne OpenAI:n mallit, joiden väitetään hiljattain ratkaisseen vaativia yhtälöitä kuten Navier–Stokesin yhtälöt, ole vielä julkisesti saatavilla.

Kustannus koskee koko ajoa, ei tokenin hintaa

Tbreakin mukaan 15-kertainen ero koskee koko vertailuajon kustannusta testissä käytetyillä päättelytasoilla, ei hintaa tokenia kohden. Oossa-sivusto esitti samat luvut hintoina tuhatta tokenia kohden, mikä on ristiriidassa Tbreakin selityksen kanssa. Fable 5.2:n ajo maksoi The Decoderin mukaan noin 40 ja Tbreakin mukaan noin 38 kertaa GPT-6.1 Solin ajon verran (taulukon luvuista laskettuna noin 38).

Tbreak selittää kustannuseroa The Decoderin havainnoilla siitä, kuinka paljon työtä Carbon tekee. Carbonin tavallisin virhe oli aikarajan ylittäminen, eikä malli juuri koskaan luovuttanut. Yhdessä tapauksessa se käynnisti skriptin ja jätti sen pyörimään yli 11 tunniksi tarkistamatta sen etenemistä. The Decoderin mukaan sitkeyden voi nähdä sekä hyvänä että huonona piirteenä.

Google avasi Carbonin käyttöön Gemini API:n kautta 10. marraskuuta. Tbreakin mukaan yhtiö suuntaa mallin lähinnä kyberturvallisuuteen ja pitkäkestoisiin tehtäviin. Tbreakin referoiman Yahoon mukaan julkaisuhinta on 2 dollaria miljoonalta syötetokenilta ja 10 dollaria miljoonalta tulostetokenilta. Esittelyjakson jälkeen hinnat nousevat 4 ja 20 dollariin.

Aiemmin aiheesta

Ilmoita virheestä tässä jutussa