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

МодельАнонсОфициальное позиционированиеПроисхождение по карточкеЦена API (вход / выход за 1 млн токенов)Лучший AA Index v5.0.1
Gemini 4 Argon30 сент.Программирование, корпоративная работа со знаниями, киберзащитаЗаново обученная разреженная MoE-модель2 / 10 $ на старте, затем 4 / 20 $50 (high)
Gemini 4 Carbon28 окт., общедоступен с 10 нояб.Долгие задачи и кибербезопасностьНа основе Argon2 / 10 $ до 30 нояб., затем 4 / 20 $60 (high)
Gemini 4 Hydrogen12 нояб.Быстрое выполнение повседневных задачАдаптирован из Carbon1,50 / 7,50 $54 (xhigh)
Gemini 4 Neon18 нояб.Баланс глубины и эффективностиАдаптирован из Carbon3 / 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 v5.0.1NeonHydrogenCarbonArgon
low44 (28,3 млн)27 (20,3 млн)54 (83,9 млн)не опубликовано
medium55 (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)
xhigh61 (283 млн)54 (304 млн)нет такого уровнянет 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 PrizeGemini 4 ArgonGemini 4 Carbon
ARC‑AGI‑2, low / medium / high42,1% / 87,1% / 91,3%49,6% / 94,2% / 92,1%
ARC‑AGI‑3, стандартная среда, low / medium49,8% / 46,3%65,1% / 63,9%
ARC‑AGI‑3, стандартная среда, highне засчитано (завершено 19 из 55 игр)не засчитано (завершено 30 из 55 игр)
ARC‑AGI‑3, Provider Adapter, low / medium / high97,5% / 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 AIGemini 4 ArgonGemini 4 CarbonGemini 4 HydrogenGPT‑6 AstraClaude Fable 5.2
GPQA Diamond96%97%97%96%96%
SimpleQA Verified76%78%71%76%94%
FrontierMath Tiers 1–3 (v2)86%91%88%94%95%
FrontierMath Tier 4 (v2)78%95%88%98%100%
FrontierMath Erdős1%3%не тестировался3%не тестировался
Chess Puzzles59%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‑SWEСобственная среда каждого поставщика
Gemini 4 Neon12,8%39,0%
Claude Opus 5.53,6%10,1%
GPT‑6.2 Sol11,6%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.