第三方评测团队跑完整套 MathArena 数学基准脚本，全程连续运行超过 11 小时，最终结果出炉，谷歌 Gemini 4 Carbon 拿下榜单第一，把之前长期霸榜的 GPT-6.1 Sol 挤到第三名，不过它的代价非常明显，单题测试成本大约是 GPT-6.1 Sol 的 15 倍。之所以这次测试耗时这么久，是因为 MathArena 现在不再只用简单竞赛题，大量题目来自最新数学论文，需要模型做多轮推理、写 Lean 证明、反复校验推导过程，Gemini 4 Carbon 本身推理 token 用量很大，每一题的思考链路更长；评测流程是自动化脚本批量投喂题库、自动校验证明正确性、统计耗时和 token 消耗，跑完整套测试脚本就花了 11 个多小时。想要复现这套测试，需要接入各家大模型 API、部署 Lean 证明校验环境，按照 MathArena 公开题库顺序批量调用，记录每一题的花费、输出 token、重试次数，最后汇总算出准确率与单位成本。这次榜单更新也很有代表性，说明前沿数学能力已经能做到突破，但算力、费用成本会跟着大幅上涨，不是追求性价比的选择。
一、MathArena 本次榜单前三数据
| 模型名称 | 准确率 | 排名 | 相对测试成本 |
|---|---|---|---|
| Gemini 4 Carbon | 85.4% | 1 | 约为 GPT-6.1 Sol 的 15 倍 |
| Claude-Fable-5.2 | 82.8% | 2 | 约为 GPT-6.1 Sol 的 40 倍 |
| GPT-6.1 Sol | 80.6% | 3 | 基准 1 倍 |
二、本次评测脚本关键信息清单
- 脚本总运行时长：超过 11 小时，自动化批量测试，无人值守
- 题目来源：近期 ArXiv 上新的数学研究类难题，要求可机器验证的形式化证明
- 校验方式：Lean 自动校验证明，不是只核对最终答案
- 统计指标：准确率、单题美元成本、输入输出 token、平均重试次数
- 评测限制：高配置版本（high）才能拿到这个分数，普通版本成绩更低
三、Gemini 4 Carbon 适合和不适合的场景
✅ 适合：前沿数学猜想推导、科研级证明、复杂科学问题、漏洞研究、长链路多步骤推理
❌ 不适合：日常刷题、简单计算题、大规模批量调用、对预算敏感的业务
【常见问题】
问题 1：脚本连跑超 11 小时的 MathArena 测试里，Gemini 4 Carbon 在数学榜拿到什么名次？
回答 1：脚本连跑超 11 小时完成 MathArena 测试后，Gemini 4 Carbon 登顶数学榜，拿到第一名，超越 Claude-Fable-5.2 以及原来榜首的 GPT-6.1 Sol。
问题 2：Gemini 4 Carbon 登顶数学榜，测试成本和 Sol 对比是什么水平？
回答 2：Gemini 4 Carbon 登顶数学榜，它的单题测试成本大约是 GPT-6.1 Sol 的 15 倍，Claude-Fable-5.2 成本更高，大约达到 Sol 的 40 倍。
问题 3：为什么 Gemini 4 Carbon 这套数学榜评测脚本要连续跑超 11 小时？
回答 3：Gemini 4 Carbon 的这套数学榜评测脚本连续跑超 11 小时，是因为题库是论文级难题，需要模型长推理、生成 Lean 证明，每一题推理 token 消耗多，加上自动校验环节耗时，整体周期很长。
问题 4：Gemini 4 Carbon 登顶的 MathArena 数学榜，评判标准是不是只看答案对错？
回答 4：不是，Gemini 4 Carbon 登顶的 MathArena 数学榜现在不靠单纯答案判分，需要模型输出可被 Lean 验证的形式化数学证明，校验逻辑比普通数学基准严格很多。
【参考资料】
[2026-11-15]（Gemini 4 Carbon Tops MathArena, Costs 15x GPT-6.1 Sol）TPS
[2026-11-15]（Gemini 4 Carbon 登顶 MathArena 数学基准，成本是 GPT-6.1 Sol 的 15 倍）腾讯云开发者社区
[2026-11-14]（Gemini 4 Carbon tops MathArena maths benchmark）Tbreak UAE
[2026-11-14]（数学榜的王座换人了！谷歌 Carbon 登顶，OpenAI 丢了第一）新智元
【免责声明】
本内容数据来自第三方 MathArena 基准评测结果，不是谷歌、OpenAI 官方性能报告；测试成本为本次脚本实测统计值，API 定价、token 消耗会随版本、参数配置变动；评测结果只代表该基准下的表现，不代表模型全部能力，内容仅作行业资讯参考，不构成采购、开发选型建议。