Gemini 4 Carbon vượt GPT-6.1 Sol để đứng đầu bảng xếp hạng toán MathArena, nhưng chi phí chạy thử nghiệm cao gấp khoảng 15 lần so với đối thủ.
- Gemini 4 Carbon của Google đứng đầu MathArena, đẩy GPT-6.1 Sol xuống khỏi vị trí số một.
- Claude Fable 5.2 xếp thứ hai, nằm trong nhóm mô hình công khai mạnh nhất về toán.
- Lỗi phổ biến nhất của Carbon là vượt giới hạn thời gian và mô hình gần như không bao giờ bỏ cuộc.
- Với cấu hình reasoning trong thử nghiệm, Carbon và Fable 5.2 đắt gấp khoảng 15 lần và 40 lần GPT-6.1 Sol.
Nội dung bài viết
Gemini 4 Carbon vươn lên đầu bảng MathArena
Gemini 4 Carbon của Google vừa trở thành mô hình đầu tiên không thuộc OpenAI chiếm vị trí số một trên bảng xếp hạng toán MathArena sau một thời gian dài. Kết quả này đã đẩy GPT-6.1 Sol xuống khỏi vị trí dẫn đầu.
Claude Fable 5.2 xếp ngay sau ở vị trí thứ hai. Với thứ hạng này, cả hai có thể xem là thuộc nhóm mô hình mạnh nhất về tác vụ toán trong số những mô hình đang phát hành công khai. Các mô hình của OpenAI, được cho là mới giải được những phương trình hóc búa như Navier-Stokes, hiện vẫn chưa mở cho người dùng bên ngoài.
Cách Carbon làm việc và điểm yếu
Lỗi thường gặp nhất của Gemini 4 Carbon là vượt giới hạn thời gian. Mô hình này cũng gần như không bao giờ bỏ cuộc giữa chừng. Đặc điểm đó có thể đánh giá là ưu điểm hoặc nhược điểm, tùy cách nhìn.
Có một trường hợp cho thấy rõ điều này: Carbon khởi chạy một script chạy hơn 11 giờ mà không hề kiểm tra tiến độ. Kiểu làm việc bền bỉ như vậy giúp mô hình theo đuổi bài toán đến cùng, nhưng cũng dễ tốn thời gian và tài nguyên.
Chi phí cao hơn đáng kể
Hiệu năng vượt trội đi kèm một cái giá không nhỏ. Với cấu hình reasoning (suy luận) dùng trong thử nghiệm, Carbon đắt gấp khoảng 15 lần so với GPT-6.1 Sol.
Claude Fable 5.2 còn đắt hơn, ở mức gấp khoảng 40 lần GPT-6.1 Sol. Như vậy, vị trí dẫn đầu của Carbon chưa phải lựa chọn tiết kiệm nhất nếu xét theo chi phí.
Thứ hạng cao trên MathArena cho thấy các mô hình công khai đang tiến khá nhanh ở mảng toán. Tuy vậy, con số chênh lệch chi phí đáng để cân nhắc kỹ. Với những tác vụ cần tính toán nhiều, người dùng nên đặt giới hạn thời gian chạy rõ ràng và so sánh độ chính xác với ngân sách trước khi chọn mô hình. Bảng xếp hạng này cũng chưa bao gồm các mô hình OpenAI chưa phát hành, nên vị trí dẫn đầu có thể còn thay đổi.
Nguồn: The Decoder (AI)
Kiểm duyệt bởi: Hero Association
