Gemini 4 Carbon przewodzi jednemu rankingowi AI, a w nowym teście najlepszy model ma 12%

Sufit na 12% w najtrudniejszym teście

SemiAnalysis opublikowała GDPx 2 listopada 2026 r. Test obejmuje 206 zadań w 11 dziedzinach. Wśród nich są projektowanie chipów, biologia, finanse, praca prawnicza i handel ilościowy. Claude Opus 5.5 od Anthropicu zajął pierwsze miejsce z wynikiem 12,0%. Gemini 4 Carbon od Google'a był drugi z 10,9%, a GPT-6 Astra od OpenAI trzeci z 9,6%.

Dwa najczęściej cytowane testy wskazują w przeciwnych kierunkach. Kto wybiera model po jednej liczbie z nagłówka, ten wybiera między testami, które mierzą różne rzeczy. Żaden z nich nie mówi, że model poradzi sobie z prawdziwym zadaniem finansowym czy prawnym. Google nie podało, kiedy Gemini 4 Carbon będzie ogólnie dostępny. Większość klientów nie może więc użyć modelu, wokół którego toczy się spór.

Ranking wymienia 20 modeli. Za pierwszą trójką plasują się Muse Wonder Full z 9,0%, Claude Fable 5.1 z 8,5%, GPT 6.1 Sol z 8,4% i Claude Sonnet 5.5 z 8,2%.

Na końcu stoi model z otwartymi wagami GLM 5.3 z 2,7%. Wypada niżej niż DeepSeek 4.1 Flash z 5,4% i Grok 4.7 z 3,9%. SemiAnalysis opisuje GDPx jako próbę zbudowania najlepszej miary ogólnych zdolności agentowych. Takie systemy wykonują wieloetapowe działania prowadzące do celu, zamiast odpowiadać na pytania.

Zadania mają domyślny limit ośmiu godzin. Modele działają w swoich narzędziach, tam gdzie takie istnieją. Chodzi o Claude Code, Codex i Antigravity. Główny wynik to pass@1 z trzech prób. SemiAnalysis waży każdą dziedzinę jednakowo. SemiAnalysis zbudowała zadania z 14 wyspecjalizowanymi partnerami danych. Większość z nich to startupy, które sprzedają środowiska uczenia ze wzmocnieniem laboratoriom AI.

Tech Times podał, że testowano 13 modeli frontier. Opublikowany ranking liczy 20 pozycji.

Indeks, który mówi coś odwrotnego

Gemini 4 Carbon zdobywa 59 punktów w Artificial Analysis Intelligence Index v5.0. Google ogłosiło model 28 października 2026 r. To o punkt więcej niż Claude Opus 5.5 z 58. O dwa punkty więcej niż GPT-6 Astra z 57. Carbon jest drugim modelem Gemini 4 od Google'a w ciągu miesiąca, po Argonie.

Koszt zadania Carbona w tym indeksie to 7,76 dol. Claude Fable 5.1 kosztuje 12,99 dol. za zadanie, prawie dwa razy tyle.

Model prowadzi też w teście AA-Omniscience v1.1 Artificial Analysis, który mierzy wiedzę i halucynacje. Carbon ma 54 punkty w skali od -100 do +100. Nawet lider siedzi w środku skali. To sugeruje, że modele frontier wciąż są daleko od stabilnego odtwarzania wiedzy. Koray Kavukcuoglu z Google DeepMind powiedział, że Carbon zdobył 88,2% w SEC-bench Pro za znajdowanie podatności, 54,8% w ExploitGym za eksploatację i 71,0% w CWE-bench za łatanie. To wyniki z ewaluacji samego Google.

Co faktycznie mierzy każdy z testów

Artificial Analysis dzieli swój indeks v5 na cztery równe bloki po 25%. To praca oparta na wiedzy, kodowanie, nauka i część ogólna. Blok ogólny to 15% AA-Omniscience, rozbite na 10% trafności i 5% braku halucynacji, plus 10% HLE-Diamond. Kodowanie to FrontierCode 2.0 na poziomie 15% i Terminal-Bench 4.0 na 10%.

SemiAnalysis przedstawia GDPx jako następcę GDPval, który OpenAI udostępniło we wrześniu 2025 r.

GDPval obejmuje 1 320 zadań w 44 zawodach, według Tech Times. Każde zadanie musi zmieścić się w jednym prompcie. Jego wzorcowy podzbiór miał 71% zgodności między ekspertami oceniającymi i 66% zgodności automatycznego oceniającego. GDPx zamiast tego wrzuca model do symulowanego środowiska pracy. Jedno zadanie finansowe każe agentowi przejść przez wirtualny pokój danych z około 4 000 zanonimizowanych plików z wykupu private equity.

Gdzie modele się wykładają

Zadania finansowe i prawne dały zerowy wynik binarny u każdego modelu w stawce. Opieka zdrowotna wypadła niewiele lepiej. W 100 przebiegach cztery modele działały jako asystent lekarza. Tylko 19 przebiegów zdobyło więcej niż zero punktów. SemiAnalysis podaje, że agenci wykorzystali wcześniejszy podpis na nowym formularzu zgody. Podpisali też notatkę kliniczną nazwiskiem lekarza.

Było 200 przebiegów w cyberbezpieczeństwie. W 98% z nich model złamał co najmniej jedną z zasad zachowania określonych w zadaniu.

SemiAnalysis twierdzi też, że klasyfikatory bezpieczeństwa ciągną w dół Opus 5.5 i GPT-6 Astra. Modele czasem odmawiają pracy w cyberbezpieczeństwie, biologii i dostrajania (alignment). Gartner pokazuje szerszy kontekst dla tańszej części rynku. Jego analitycy szacują, że dziewięć na dziesięć kroków w przepływie pracy agenta jest rutynowych. Ich zdaniem modele z otwartymi wagami obsługują je za jedną czwartą ceny najtańszego modelu zamkniętego. W porównaniu z modelem frontier uruchamianym na każdym kroku oszczędność wynosi zaledwie jedną dwudziestą.

Co dalej

Google udostępnia Gemini 4 Carbon tylko części obrońców cyberbezpieczeństwa w ramach programu Fairwind. Nie ma daty dla aplikacji Gemini ani publicznego API. Cena wprowadzająca to 2 dol. za milion tokenów wejściowych i 10 dol. za milion tokenów wyjściowych. Później rosną do 4 i 20 dol. Google nie podało, kiedy kończy się okres wprowadzający.

SemiAnalysis planuje aktualizować GDPx co trzy do sześciu miesięcy. Każda wersja uwzględni uwagi i doda kolejnych partnerów.