Если в Intelligence Index v5.0.1 от Artificial Analysis ограничить расход выходных токенов на весь индекс диапазоном 110–124 млн, модели Gemini 4 выстраиваются так: Argon (high) — 50, Hydrogen (high) — 51, Carbon (medium) — 58, Neon (high) — 60. У всех четырёх одна дата среза знаний — март 2026 года. Согласно карточкам моделей Google, Carbon построен на Argon, а Hydrogen и Neon получены адаптацией Carbon. В стандартной среде ARC‑AGI‑3 при одинаковом уровне low Carbon опережает Argon на 15,3 процентного пункта; на FrontierMath Tier 4 Epoch AI фиксирует разрыв в 17 пунктов. Семь недель, четыре релиза, один срез знаний: серия Gemini 4 почти превратилась в публичный эксперимент о дообучении и бюджете рассуждений. Она же напоминает, что сравнение при равном бюджете и сравнение при одинаковом названии уровня дают два разных рейтинга. Оценка Neon при запуске от Artificial Analysis · Проверенные результаты Carbon от ARC Prize · Данные Epoch по Carbon
Google анонсировала Argon 30 сентября и Carbon 28 октября; 10 ноября Carbon стал общедоступным, затем 12 ноября вышел Hydrogen, а 18 ноября — Neon. Статья опирается на публичные результаты, доступные на 19 ноября, и является вторичным анализом Folkbench. Баллы из карточек моделей и анонсов сообщает Google; часть баллов моделей сравнения в этих таблицах получена самой Google, часть помечена как результаты сторонних запусков. Результаты Artificial Analysis, Epoch AI, ARC Prize и Terminal-Bench принадлежат соответствующим оценщикам. Folkbench не перезапускала модели для этой статьи. Проценты следуют определениям каждого рейтинга, и любой вывод, зависящий от уровня рассуждений, среды выполнения или того, кто проводил оценку, верен только в этих условиях. Анонс Argon · Google: Carbon общедоступен · Анонс Neon
Одна основа, четыре раунда дообучения
| Модель | Анонс | Официальное позиционирование | Происхождение по карточке | Цена API (вход / выход за 1 млн токенов) | Лучший AA Index v5.0.1 |
|---|---|---|---|---|---|
| Gemini 4 Argon | 30 сент. | Программирование, корпоративная работа со знаниями, киберзащита | Заново обученная разреженная MoE-модель | 2 / 10 $ на старте, затем 4 / 20 $ | 50 (high) |
| Gemini 4 Carbon | 28 окт., общедоступен с 10 нояб. | Долгие задачи и кибербезопасность | На основе Argon | 2 / 10 $ до 30 нояб., затем 4 / 20 $ | 60 (high) |
| Gemini 4 Hydrogen | 12 нояб. | Быстрое выполнение повседневных задач | Адаптирован из Carbon | 1,50 / 7,50 $ | 54 (xhigh) |
| Gemini 4 Neon | 18 нояб. | Баланс глубины и эффективности | Адаптирован из Carbon | 3 / 15 $ | 61 (xhigh) |
Карточка Argon · Карточка Carbon · Карточка Hydrogen · Карточка Neon
Единственное описание архитектуры в этом поколении содержится в карточке Argon: крупный разреженный Transformer со смесью экспертов (MoE), с нативным вводом текста, изображений и звука, обученный как новая модель, а не дообученный из прежней. Обучение шло на TPU с JAX и ML Pathways; дообучение включало настройку на инструкциях, данные о человеческих предпочтениях и обучение с подкреплением на данных многошагового рассуждения, решения задач и доказательства теорем. Карточка Carbon отсылает за архитектурой, данными и оборудованием к Argon. Карточки Hydrogen и Neon сообщают, что обе модели адаптированы из Carbon (adapted from), и, в свою очередь, отсылают к Carbon. Все четыре поддерживают контекст до 1 млн токенов на вход и выход вместе. Карточка Argon
Эта структура определяет, как читать прогресс внутри семейства. Раз срез знаний не менялся, рост от Argon к Carbon не может объясняться новыми знаниями о мире; вероятнее, его дали изменения в данных дообучения, обучении с подкреплением и настройках инференса. Google не раскрыла число параметров и не пояснила, означает ли «адаптация» дистилляцию, продолженное обучение или иной метод, поэтому размер и путь обучения Hydrogen и Neon по открытым материалам не восстановить. Ясно одно: большая часть различий в возможностях внутри поколения возникает после предобучения.
Интеллект: одинаковое название уровня не означает одинаковый бюджет рассуждений
При анонсе 28 октября Carbon возглавил индекс v5.0 с результатом 59. Через три недели пересчёт v5.0.1 дал ему 60, но первое место уже у Claude Fable 5.2 с 65, за ним GPT‑6.2 Astra с 62 и Neon с 61; у Claude Opus 5.5 — 59, у GPT‑6.2 Sol — 57. ECI от Epoch AI ставит Carbon примерно туда же: 170, третье место из 241 отслеживаемой модели, против 167 у Argon, 174 у Fable 5.2 и 169 у GPT‑6 Astra. Методы двух индексов различаются, но оба помещают Carbon в первую группу, чуть ниже нынешних лидеров. На 19 ноября Epoch ещё не опубликовала данных по Neon, а у Hydrogen есть отдельные результаты, но пока нет ECI. Сводные рейтинги меняются от недели к неделе, поэтому одно «первое место» весит немного. Анонс Carbon · Оценка GPT‑6.2 при запуске от Artificial Analysis · Карточка Neon · Данные Epoch по Carbon
Больше говорит кривая по уровням рассуждений. В скобках — выходные токены, потраченные на прогон всего индекса.
| AA Index v5.0.1 | Neon | Hydrogen | Carbon | Argon |
|---|---|---|---|---|
| low | 44 (28,3 млн) | 27 (20,3 млн) | 54 (83,9 млн) | не опубликовано |
| medium | 55 (62,9 млн) | 41 (54,4 млн) | 58 (124 млн) | 48 (81,7 млн) |
| high (по умолчанию) | 60 (123 млн) | 51 (110 млн) | 60 (205 млн) | 50 (113 млн) |
| xhigh | 61 (283 млн) | 54 (304 млн) | нет такого уровня | нет такого уровня |
Neon по уровням · Hydrogen по уровням · Carbon по уровням · Argon по уровням
Во-первых, отдача быстро убывает. Перевод Neon с high на xhigh увеличивает выходные токены в 2,3 раза ради одного дополнительного балла, а время на задачу растёт с 14,8 до 21,5 минуты; тот же шаг обходится Hydrogen в 2,8 раза больше токенов за три балла. Во-вторых, названия уровней — не единицы бюджета. Уровень low у Carbon тратит 83,9 млн токенов, больше, чем medium у Neon. При сопоставимом общем бюджете порядок такой: Argon 50, Hydrogen 51, Carbon 58, Neon 60, и это больше говорит об эффекте дообучения, чем сравнение всех моделей на уровне по умолчанию. У сравнения есть ограничения: токены — суммарные по индексу, без сопоставления по задачам, а скорости вывода различаются. Neon на high выдаёт около 101 токена в секунду, Carbon — 55–58, так что одинаковое число токенов означает разное время ожидания.
В-третьих, меньшая модель чувствительнее к бюджету. От low до high Hydrogen проходит 24 балла, Neon — 16, Carbon — всего 6. Для быстрой модели вроде Hydrogen неверно выбранный уровень может стоить дороже, чем смена модели.
Абстрактное рассуждение: в ARC‑AGI‑3 думать дольше — не всегда лучше
| Проверенные результаты ARC Prize | Gemini 4 Argon | Gemini 4 Carbon |
|---|---|---|
| ARC‑AGI‑2, low / medium / high | 42,1% / 87,1% / 91,3% | 49,6% / 94,2% / 92,1% |
| ARC‑AGI‑3, стандартная среда, low / medium | 49,8% / 46,3% | 65,1% / 63,9% |
| ARC‑AGI‑3, стандартная среда, high | не засчитано (завершено 19 из 55 игр) | не засчитано (завершено 30 из 55 игр) |
| ARC‑AGI‑3, Provider Adapter, low / medium / high | 97,5% / 97,3% / 97,3% | 97,7% / 99,1% / 96,9% |
Проверенные результаты Argon от ARC Prize · Проверенные результаты Carbon от ARC Prize
Выделяются три момента. Во-первых, балл не растёт монотонно с уровнем рассуждений: в ARC‑AGI‑2 Carbon на medium набирает больше, чем на high; в стандартной среде ARC‑AGI‑3 — больше на low, чем на medium, и лучший результат Argon в ARC‑AGI‑3 тоже на low. Во-вторых, высший уровень может просто отказать в интерактивной среде. На high у Carbon паузы между действиями были настолько долгими, что игровые сессии истекали, и он завершил лишь 30 игр; Argon на high из-за проблем с API завершил только 19. В статичных вопросах долгое размышление стоит только денег, а в интерактивной среде оно расходует ещё и время среды. В-третьих, разрыв между средами выполнения намного больше разрыва между поколениями. Carbon достигает 99,1% с Provider Adapter и максимум 65,1% в стандартной среде — разница около 34 пунктов. По описанию ARC Prize, стандартная среда позволяет модели переносить только те заметки, которые она сама решила сохранить, а Provider Adapter сохраняет непрозрачное состояние рассуждения между запросами и сжимает длинные диалоги.
Если смотреть по отдельным играм, потери сосредоточены в немногих из них. В стандартной среде G50T даёт 0,0% и Argon, и Carbon на low и medium, BP35 не превышает 1,0%, а TU93 — 5,3%; с Provider Adapter эти же три игры в основном на 100%. Общий балл вырос на 15 пунктов, а эти игры почти не сдвинулись. Правдоподобное, но непроверенное объяснение: они упираются в сохранение состояния между шагами, а не в рассуждение на одном шаге, и прирост поколения пришёлся в основном на среды, которые и раньше решались частично. Для сравнения: GPT‑6.2 Astra в стандартной среде на max получает 70,3%, GPT‑6.2 Sol — 54,9%; Carbon находится между ними. Проверенные результаты GPT‑6.2 от ARC Prize
Академические способности: калибровка знаний, математика и научная работа
| Данные Epoch AI | Gemini 4 Argon | Gemini 4 Carbon | Gemini 4 Hydrogen | GPT‑6 Astra | Claude Fable 5.2 |
|---|---|---|---|---|---|
| GPQA Diamond | 96% | 97% | 97% | 96% | 96% |
| SimpleQA Verified | 76% | 78% | 71% | 76% | 94% |
| FrontierMath Tiers 1–3 (v2) | 86% | 91% | 88% | 94% | 95% |
| FrontierMath Tier 4 (v2) | 78% | 95% | 88% | 98% | 100% |
| FrontierMath Erdős | 1% | 3% | не тестировался | 3% | не тестировался |
| Chess Puzzles | 59% | 78% | 60% | 76% | 79% |
| EBR‑bench (Earthborne Rangers) | 65% | 88% | 70% | 76% | 90% |
Данные Epoch по Carbon · Данные Epoch по Hydrogen
Знания и калибровка. GPQA Diamond уже не различает передовые модели: все пять в таблице находятся в диапазоне 96–97%. Сильнее их разделяют фактическая память и поведение модели, когда она не знает ответа. В SimpleQA Verified от Epoch Carbon получает 78%, на 16 пунктов меньше, чем Fable 5.2. При этом в AA‑Omniscience v1.1 от Artificial Analysis у Carbon (medium) и Argon (high) доля галлюцинаций составляет 4%, и у Carbon это минимум в рейтинге. Знаменатель этой метрики — все ответы, не являющиеся полностью верными, числитель — явно ошибочные из них; для сравнения, у GPT‑6.2 Astra и Sol на max — 59% и 55%. Эти результаты получены на разных наборах вопросов и не складываются, но указывают в одну сторону: Gemini 4 не обязательно помнит больше всех, однако, не зная ответа, чаще воздерживается или отвечает частично, а не выдумывает. По крайней мере в таких вопросах на знания её уверенные ответы ошибочны реже; для обзоров литературы полноту по-прежнему приходится обеспечивать поиском. Определения и рейтинг AA‑Omniscience
HLE‑Diamond — одна из четырёх оценок индекса v5.0, в которых Carbon занял первое место. Google сообщает о 71,3% у Neon, 67,9% у Opus 5.5, 64,0% у GPT‑6.2 Sol и 58,8% у Hydrogen; все эти цифры взяты из карточек моделей Google. Обзор результатов v5.0 от DeepLearning.AI · Карточка Neon
Математика. От Argon к Carbon результат FrontierMath Tier 4 вырос на 17 пунктов — это самый большой скачок между поколениями в этих данных, и Carbon вплотную подошёл к GPT‑6 Astra и Fable 5.2. Однако FrontierMath Erdős вырос лишь с 1% до 3%. Его 68 задач были открытыми на момент создания бенчмарка, а присланные доказательства или опровержения проверяются в Lean; лучший текущий результат — 10% у GPT‑6.2 Astra. Задачи исследовательского уровня с известным ответом насыщаются, а открытые проблемы остаются почти нетронутыми. Собственный RiemannBench от Google растёт с 76,0% у Argon и 80,0% у Carbon до 84,0% у Neon — в ту же сторону, но это замер самого поставщика. Головоломки Epoch показывают похожий эффект дообучения: шахматные задачи выросли с 59% до 78%, EBR‑bench — с 65% до 88%. Это задачи на многошаговый поиск в рамках правил, что согласуется с ростом в стандартной среде ARC‑AGI‑3. Быстрый Hydrogen набирает на Tier 4 88%, на 10 пунктов больше Argon, но в головоломках близок к Argon, а фактическая память в SimpleQA Verified у него лишь 71%. Возможное объяснение: способности с автоматически проверяемыми ответами, как в математике, лучше сохраняются при адаптации модели в быструю, а заученные знания сильнее зависят от ёмкости модели; открытых материалов недостаточно, чтобы это подтвердить. Методология FrontierMath Erdős
Научная работа. Terminal‑Bench‑Science 0.1 требует от модели выдать в терминале исследовательские результаты, которые можно проверить тестами. В карточке Carbon, по запускам Artificial Analysis, Carbon получает 64,8%, Argon — 52,9%, GPT‑6 Astra — 63,3%, Opus 5.5 — 59,0%. Карточка Neon сообщает о 70,5% у Neon, выше GPT‑6.2 Sol (68,0%) и Opus 5.5 (63,3%). Google называет Neon лучшим в своём классе, и это верно в рамках выбранной ею группы сравнения; в полном рейтинге Artificial Analysis GPT‑6.2 Astra на xhigh получает 78,6%, то есть всё ещё на 8,1 пункта больше. Hydrogen набирает 51,4%, ниже своей модели сравнения Claude Sonnet 5.5 (59,9%). Рейтинг Terminal‑Bench‑Science · Карточка Carbon
Инженерные задачи и агенты: половину ответа определяет среда выполнения
В официальном рейтинге Terminal‑Bench 4.1 Carbon (high, Antigravity CLI) набирает 64,5% ± 3,2% при стоимости полного прогона около 1400 $; Claude Opus 5.5 и Fable 5.2 делят первое место с 65,8%, GPT‑6.2 Astra — 62,1%. Отставание Carbon от лидеров укладывается в доверительный интервал. Интереснее сравнение внутри семейства: Hydrogen получает 56,4% ± 3,0% примерно за 800 $, Argon — 55,5% ± 2,8% примерно за 1100 $, то есть быстрая модель догоняет флагман шестинедельной давности примерно за три четверти стоимости. Результат Neon 65,2% взят из карточки Google и на 19 ноября в официальном рейтинге ещё не появился. Рейтинг Terminal‑Bench 4.1
Сравнивая карточки между собой, сначала нужно выяснить, кто проводил оценку. Строка Terminal‑bench 4.0 в карточке Argon даёт Argon 57,4%, а Opus 5.5 — 66,4%; через две недели карточка Carbon переходит на Terminal‑Bench 4.0 в исполнении Artificial Analysis и даёт Argon 57,1%, а Opus 5.5 — 59,6%. Одна и та же модель сравнения расходится на 6,8 пункта в одноимённом бенчмарке, тогда как балл самого Argon почти не меняется. Если взять 66,4% Opus из карточки Argon, 65,2% Carbon не были бы лидирующими, и в официальном рейтинге 4.1 Carbon тоже чуть ниже Opus. В Terminal‑Bench‑Science та же картина: у GPT‑6 Astra 68,1% в карточке Argon и 63,3% по данным AA в карточке Carbon. Карточка Argon · Карточка Carbon
| SWE‑sweep (карточка Neon) | Нейтральная среда mini‑SWE | Собственная среда каждого поставщика |
|---|---|---|
| Gemini 4 Neon | 12,8% | 39,0% |
| Claude Opus 5.5 | 3,6% | 10,1% |
| GPT‑6.2 Sol | 11,6% | 8,3% |
В нейтральной среде mini‑SWE Neon опережает GPT‑6.2 Sol всего на 1,2 пункта; в собственных средах поставщиков разрыв увеличивается до 30,7 пункта. В Antigravity результат Neon примерно втрое выше, чем в mini‑SWE, Opus 5.5 в своей среде растёт примерно в 2,8 раза, а Sol даже опускается. Среда поставщика — часть продукта, поэтому эти цифры измеряют связку «модель плюс инструменты», а не модель саму по себе. Строка SWE‑sweep в карточке Carbon содержит один столбец без указания среды (Carbon 9,6%, Argon 4,3%). Указанные в ней 3,6% у Opus 5.5 совпадают со значением mini‑SWE из карточки Neon, что указывает на ту же конфигурацию; если так, серия в mini‑SWE проходит путь 4,3%, 9,6%, 12,8%. Карточка Neon
Другие оценки программирования рисуют более сдержанную картину. В FrontierSWE 2 у Carbon 61,2%, ниже, чем у GPT‑6 Astra (65,5%) и Opus 5.5 (62,3%); в FrontierCode 2.0 у Neon 46,2%, чуть ниже, чем у Opus 5.5 (47,3%). В Coding Agent Index от Artificial Analysis Neon (xhigh, Antigravity CLI) лидирует с 59, у Fable 5.2 (xhigh) и Opus 5.5 (max) по 58 при средней стоимости задачи 6,86 $, 15,47 $ и 12,61 $; преимущество Neon в основном в цене. Работа с компьютером — устойчивая слабость серии: в офлайн-подмножестве OSWorld‑2.1 Carbon с 81,5% уступает Opus 5.5 (87,2%), а Hydrogen с 77,6% — Claude Sonnet 5.5 (83,9%). Оценка Neon при запуске от Artificial Analysis · Карточка Hydrogen
В работе со знаниями AutomationBench от Zapier растёт с 51,3% у Argon и 53,9% у Carbon до 56,3% у Neon, а баланс симулированного бизнеса в Vending‑Bench 2 — с 13 718 $ до 16 843 $. Argon получает 19,6% в бенчмарке юридических агентов Harvey, тогда как ни одна модель сравнения не превышает 6,7%; отрыв велик, но абсолютный уровень показывает, что такие юридические задачи ещё далеки от готового результата. Следите и за названиями: AutomationBench‑AA в карточке Hydrogen (76,1%) — версия Artificial Analysis, и с версией Zapier её сравнивать нельзя.
Длинный контекст и мультимодальность: лидерство на синтетике, реальные материалы нужно проверять отдельно
GraphWalks (от 256K до 1 млн токенов, поиск в ширину, F1), по данным Google, — область самого большого отрыва серии: Argon 84,2%, Carbon 96,2%, Neon 95,2% против 66,8% у Opus 5.5, 71,8% у GPT‑6 Astra и 80,1% у GPT‑6.2 Sol; до 128K Argon уже достигает 99,7%. GraphWalks разбрасывает рёбра графа по длинному входу и просит модель пройти по ним, измеряя умение находить и связывать далеко разнесённые сведения. Отрыв говорит об очень сильном поиске и связывании на сверхдлинных входах, но в синтетической задаче на графах нет смысловых противоречий, версий документов и скрытых предпосылок; для проверки договоров или обобщения нескольких статей нужно тестировать на собственных материалах. Это собственные результаты Google, пока не воспроизведённые независимо. Neon и Hydrogen по умолчанию синхронно выдают до 64K токенов, а через фоновое длинное декодирование — до 1 млн. Карточка Argon · Карточка Neon
В мультимодальности есть один откат. В LVBench, где проверяется понимание длинных видео, Argon набирает 91,7%, а адаптированный из Carbon Neon — 89,0%: всё ещё выше Opus 5.5 (83,7%) и GPT‑6.2 Sol (87,6%), но на 2,7 пункта ниже собственного предшественника. В Chartography Neon с 73,5% уступает Sol (75,1%). Оценка визуального рассуждения GDP.pdf от Artificial Analysis снова немонотонна по уровням: Neon на high получает 33,4%, а на xhigh опускается до 28,0%; у Carbon на high — 28,4%. Оценка Neon при запуске от Artificial Analysis
Безопасность и согласование: чем сильнее киберспособности, тем поэтапнее выпуск
Кибербезопасность — способность, которую Google подчёркивает сильнее всего, и причина поэтапных релизов. В SEC‑bench Pro, где проверяется поиск уязвимостей, результаты растут с 83,4% у Argon и 88,2% у Carbon до 90,5% у Neon; в ExploitGym, где проверяется эксплуатация, Carbon получает 54,8% против 42,0% у Argon. Argon и Carbon сначала были переданы доверенным киберзащитникам через программу Fairwind, и Google также предоставляет этим защитникам и своим внутренним командам версии без киберограничений. Анонс Argon · Анонс Carbon
Карточка Argon приводит оценки по Frontier Safety Framework версии апреля 2026 года: критические уровни возможностей (CCL) первого уровня в биологии и кибербезопасности исключить нельзя, поэтому Google подготовила обоснования безопасности и оценила модель как находящуюся ниже CCL при наличии защитных мер; химическая, радиологическая и ядерная области не достигли порога отслеживания, а ни ускорение, ни автоматизация исследований и разработок в машинном обучении не достигли своих CCL. После целевого тестирования Hydrogen не достиг CCL ни по CBRN, ни по киберугрозам, но достиг порогов предупреждения в обеих областях. Карточка Neon сообщает, что прирост общих возможностей относительно Argon оказался ниже порога «существенного изменения возможностей», поэтому полная оценка критических возможностей не повторялась и действуют выводы для Argon. Примечательно, что в индексе Artificial Analysis Neon опережает Argon на 11 баллов; как Google устанавливает этот порог, по открытым материалам проверить нельзя. Карточка Argon · Карточка Hydrogen · Карточка Neon
По поведению у Carbon и Neon доля успешного жульничества в Terminal‑Bench 4.0 — 0,0%, а доля успешных атак в тесте Gray Swan на непрямую инъекцию промптов — 0,0% (Neon на высшем уровне рассуждений) против 0,7% у Argon. В оценке честности агентов от Google Carbon проходит 92% задач, Argon — 70%; Neon и Hydrogen сообщают о 99,2% и 94%, но в анонсах не сказано, тот же ли это набор задач. Карточка Hydrogen раскрывает и цену: по сравнению с Gemini 3.8 Flash доля необоснованных отказов выросла на 5,57 пункта, особенно на мультимодальных запросах. Google: Carbon общедоступен · Анонс Neon · Анонс Hydrogen
Стоимость и выбор: считать цену задач, прошедших приёмку
Hydrogen стоит 1,50 $ за миллион входных токенов и 7,50 $ за миллион выходных, с единым тарифом во всём окне в 1 млн; Neon — 3 / 15 $, кэшированный вход — 0,15 $; стартовая цена Carbon 2 / 10 $ действует до 30 ноября, затем — 4 / 20 $. Кэшированный вход у Argon, Carbon и Neon стоит 5% от цены входа. По стоимости одной задачи у Artificial Analysis Hydrogen на xhigh получает 54 балла за 3,16 $, Argon на high — 50 за 4,97 $ (по стартовой цене), Neon на xhigh — 61 за 6,44 $, Carbon на high — 60 за 7,76 $ (по стандартной цене). Neon на high набирает те же 60 баллов, что и Carbon на high, менее чем за половину стоимости задачи. Анонс Hydrogen · Оценка Neon при запуске от Artificial Analysis
Пример, который можно пересчитать: один запрос со 100 000 некэшированных входных токенов и 10 000 выходных без платы за инструменты стоит 0,225 $ на Hydrogen, 0,45 $ на Neon и 0,30 $ на Carbon в стартовый период или 0,60 $ по стандартной цене. Теперь рассмотрим маршрутизацию, при которой задача сначала идёт к Hydrogen, а неудачи передаются Neon. При фиксированном соотношении стоимости вызова 1:2 чистые затраты на модели остаются ниже прямого использования Neon, пока эскалируется менее 50% задач; по стоимости задачи на xhigh у Artificial Analysis (3,16 $ против 6,44 $) точка безубыточности — около 51%. В реальном сравнении нужно учитывать также повторы, задержку и итоговую долю прошедших задач. Пример лишь иллюстрирует структуру затрат; эти цифры не являются измерениями Folkbench.
Для пакетных задач с автоматической приёмкой первым стоит проверить Hydrogen: он не уступает Argon или превосходит его и в индексе AA, и в Terminal‑Bench при более низкой цене. Для повседневного программирования и работы со знаниями Neon в большинстве оценок, общих для двух карточек, равен Carbon или чуть выше (немного ниже в Agents' Last Exam и GraphWalks), а после 30 ноября и его цена за токен ниже, чем у Carbon. Для долгих инженерных задач, кибербезопасности и интерактивных задач вроде ARC‑AGI‑3 у Carbon по-прежнему больше всего подтверждений. Какую бы модель вы ни выбрали, уровни рассуждений стоит замерять на своих задачах: в ARC‑AGI и GDP.pdf высший уровень оказывался лучшим не всегда.
Ценность Gemini 4 на старте — не в отдельном первом месте. За семь недель и на одном срезе знаний серия показывает, как далеко дообучение и настройки инференса могут продвинуть возможности: на 11 баллов в индексе AA, на 15 пунктов в стандартной среде ARC‑AGI‑3 и на 17 пунктов в FrontierMath Tier 4. Она же обозначает, что на этом пути пока не сдвинулось: открытые математические задачи остаются в пределах однозначных процентов, работа с компьютером уступает Claude, а несколько игр ARC‑AGI‑3 в стандартной среде по-прежнему на нуле. Карточки поставщиков сами выбирают, с кем сравнивать и кто проводит тесты, а независимые рейтинги пересчитывают результаты и меняют версии. Принесут ли эти баллы пользу, в итоге зависит от того, как принимаются ваши собственные задачи.



