Gemini 4 Carbon wygrywa jeden test AI, inne rankingi wskazują innych liderów

Google zgarnia główny wynik

Gemini 4 Carbon, wydany w zeszłym tygodniu, zajmuje pierwsze miejsce w czterech z dziewięciu testów w zestawie Artificial Analysis Intelligence Index V5. Kosztuje 7,76 dol. na zadanie, wobec 12,99 dol. dla Claude Fable 5.1. Wyprzedza GPT-6 Astra o dwa punkty. Tom's Hardware opisał ten wynik jako powrót Google. Firma przez większość roku borykała się z nieregularnymi premierami.

Wyniki testów porównawczych kształtują to, które modele przedsiębiorstwa i rządy sprawdzają i ile płacą za zadanie. Artificial Analysis, Semi Analysis GDPx, CloudOpsBench i testy podatności wskazują różnych liderów. Żaden pojedynczy wynik nie rozstrzyga decyzji zakupowej. Wciąż nie wiadomo, jak którykolwiek z tych rezultatów przekłada się na pracę produkcyjną.

W AA-Omniscience v1.1, który mierzy halucynacje i odtwarzanie informacji, Gemini 4 Carbon zdobył 54 punkty w skali od -100 do +100. To najlepszy wynik w zestawieniu. Do stałej niezawodności wciąż daleko, zauważa Tom's Hardware. Model osiąga to przy niższym koszcie na zadanie niż inne wysoko notowane modele, w tym Claude Opus 5.5.

Drugi test wskazuje innego zwycięzcę

OfficeChai poinformował 2 listopada, że Claude Opus 5.5 wygrał test GDPx przygotowany przez Semi Analysis, a Gemini 4 Carbon zajął drugie miejsce. Różne rankingi mierzą różną pracę, więc oba wyniki mogą się utrzymać. Dla kupującego korona zależy od tego, który ranking zostanie przytoczony.

The Hacker News relacjonował testy podatności. Gemini 4 Carbon prowadził w testach znajdowania, wykorzystywania i łatania luk.

W rankingu CloudOpsBench pierwszy jest Claude Fable 5.1 z 60,6% skuteczności rozwiązywania zadań. Za nim GPT-6 Astra z 58,9%, Gemini 4 Argon, nie Carbon, z 57,5%, a Grok 4.7 (high) na cursor-cli czwarty z 56,5%. Claude Opus 5.5 jest siódmy z 47,8% na terminus-2.

Wybór narzędzia testowego znaczy tyle samo co sam model. Claude Fable 5.1 spada do 43,8% na terminus-2. Claude Opus 5.5 osiąga 46,7% na claude-code.

Ten sam ranking wycenia pracę. Najlepszy wpis działał 38,6 godziny za 404,30 dol., wobec 34,2 godziny i 100,50 dol. dla Gemini 4 Argon.

Wyniki w konkretnych zadaniach dzielą stawkę

Tom's Hardware podał, że Gemini 4 Carbon nie dorównuje Claude Code z Claude Opus 5.5 w programowaniu. Odstaje od Grok 4.7, Muse Wonder i Kimi K3.1 Pro w pracy z wiedzą. Jego koszt na zadanie jest nieco niższy niż Gemini 3.8 Flash (high). Jest około sześć razy droższy niż GPT 6.1 Sol (max).

Porównanie z modelami otwartymi wypada surowiej. Gemini 4 Carbon jest około 13 razy droższy na zadanie niż DeepSeek V4.1 Flash, który zdobywa 32 punkty w Intelligence Index.

Na wykresie Pareto Frontier w Arena.ai Gemini 4 Carbon jest na szczycie, ale na drogim końcu widma. Przy niższych cenach przejmują GLM 5.3-Flash i DeepSeek V4 Pro. CloudOpsBench pokazuje tę samą lukę niżej w tabeli: Qwen3.8-Max z 33,7%, DeepSeek V4.1 Flash z 21,8% i Kimi K3.1 Pro z 19,1%.

Na razie, pisze Tom's Hardware, Gemini 4 Carbon może być najlepszy w większości wysokich przedziałów cenowych. To może się szybko zmienić.

Czego kupujący wciąż nie mogą sprawdzić

Google udostępnia Gemini 4 Carbon najpierw obrońcom cyberbezpieczeństwa w ramach programu Fairwind. Szersza dostępność ma przyjść później. Firma nie podała daty.

W ogłoszeniu Google mówiło o współpracy z rządem USA. Wymieniło screening modeli i testy przed premierą.

Każde pierwsze miejsce w pojedynczym indeksie to twierdzenie, nie ustalony fakt. Tak pozostaje, dopóki nie pojawią się niezależne testy na rzeczywistych obciążeniach.

Tom's Hardware zauważa, że rankingi modeli AI zmieniają się regularnie w 2026 roku.