AREX Feed Article
Gemini 4 Carbon 超越 GPT-6.1 Sol 登顶 MathArena，Fable 5.2 居第二，作者称这是很长时间以来首个非 OpenAI 榜首
2026 年 11 月 13 日 23 时 27 分（北京时间），数学评测基准 MathArena 的作者 Jasper Dekoninck 在 ：Google 的 Gemini 4 Carbon 超越 OpenAI 的 GPT-6.1 Sol，登上 MathArena 榜首，Anthropic 的 Fable 5.2 位列第二。他在推文中写道：「很长时间以来，第一次有非 OpenAI 模型登上 MathArena 第一！Gemini 4 Carbon 从 GPT-6.1 Sol 手中接过第一，Fable 5.2 位列第二。」这条附有榜单截图的推文已获得超过 1,100 次点赞和约 8.9 万次浏览。
官网数据与之吻合：目前把 Gemini 4 Carbon（high）排在第一，预期成绩 85.4%（±3.0%）；Claude-Fable-5.2（max）以 82.8%（±5.3%）居第二；9 月 29 日发布的 GPT-6.1 Sol（max）以 80.6%（±2.7%）退居第三。按官网收录信息，Carbon 发布于 11 月 10 日，Fable 5.2 发布于 11 月 9 日，榜首易主发生在两款模型发布后几天之内。
分赛项成绩：Carbon 拿下两个整体第一，但没赢下每一期
首页的「预期成绩」是一个汇总指标；进入单个模型页面，还能看到每个赛项的整体成绩。在 BrokenArXiv 和 ArXivMath 两个赛项上， 都排到 8 个模型之首：BrokenArXiv 整体 84.40%（±5.57%），ArXivMath 整体 94.28%（±3.64%）；在这两项均为第二，分别是 83.09% 和 92.81%。
但 Carbon 并没有赢下每一期。9 月版（09/2026）BrokenArXiv 的头名至今是 GPT-6.1 Sol，82.70% 在 15 个模型中排第一，Carbon 以 82.39% 居次；到 10 月版才轮到 Carbon 领先，82.72% 对 80.25%。目前只跑了 9 月和 10 月两期，BrokenArXiv 上分别得 80.50% 和 73.46%，它的页面上还没有整体行。榜单上最好的开放模型是 Moonshot AI 的 Kimi K3.1 Pro（max），预期成绩 54.3%（±5.8%），与榜首相差约 31 个百分点。
每月换新题、每题四跑：一块难以押题的榜
MathArena 官网写明了它的做法：用新的数学竞赛、奥林匹克和研究型题目测模型，题目是模型训练时没有见过的；每个模型在每道题上运行四次，榜单展示平均分和单次运行一道题的平均成本（美元）。项目由 Epoch AI 资助，方法论文（）由 Dekoninck 等七人署名。
赛题按月轮换。11 月 9 日，Dekoninck 把 BrokenArXiv 和 ArXivMath 的 10 月版本加入评测，当时的排名还是「GPT-6.1 Sol 在两个基准上都领先」。官网把「预期成绩」定义为模型在未退役（non-deprecated）赛项上的汇总表现，新赛期加入、旧赛期退役，这个数字本身也会随之变动。
单题成本 15.70 美元对 1.07 美元：登顶的代价
宣布推文发出一秒后，Dekoninck 在里补上了成本这一面：「在相应推理设置下，额外的成绩确实伴随着显著更高的成本，这一点在 BrokenArXiv 上尤其明显。」
官网数字与他的说法一致。按汇总口径，Carbon 单次运行一道题的预期成本为 15.70 美元（±1.33），Fable 5.2（max）为 40.20 美元（±2.59），Sol（max）为 1.07 美元（±0.018），登顶的单题成本约为原榜首的 15 倍，第二名约为 38 倍。分赛项看，BrokenArXiv 整体上 Carbon 为 16.35 美元一道题，Sol 为 1.14 美元，相差约 14 倍；ArXivMath 整体是 5.08 美元对 0.96 美元，约 5 倍——成本差距确实在 BrokenArXiv 上最明显。
成本差异也和三款模型在评测中的运行设置有关：Carbon（high）通过「gravity」agent harness（运行框架）在容器中运行（4 核 CPU、12 GB 内存，单题超时 1,200 秒），推理力度档位（reasoning effort）为 high，输入/输出单价为每百万 tokens（词元）2 美元/10 美元，与 Sol 相同；Fable 5.2（max）跑在 Claude Code harness 中，推理力度档位为 max，单价 8/40 美元；Sol（max）用 codex harness。同分不同价的例子也在这次数据里：10 月版 ArXivMath 上，Carbon 与 Fable 5.2 都得 93.62%，单次成本分别是 5.29 美元和 22.28 美元，相差约 4 倍。
发布者是基准作者，此前刚质疑过 Google 的发布时机
自述为 ETH Zurich 博士生，研究方向是大语言模型（LLM）的数学评测，参与 MathArena、IMproofBench、BrokenMath 等项目；MathArena 官网的联系邮箱也使用 ETH Zurich 域名，方法论文的第一作者同样是他。
他对 Google 的评测动作并不格外客气。10 月 28 日他指出：如果 Gemini 4 Carbon 提前一天发布，「它在 Artificial Analysis 上就不会是第一」，在 AA v4.3.2 上 Carbon 得 57 分，低于 Opus 5.5 的 58 分，v5 上才是 59 对 58，帖子结尾写着「时机耐人寻味？:)」。同日他还了 Gemini 4 Argon 若用 Carbon 发布时所选基准会取得的成绩，称「这显示了基准选择能为你做什么」。
时间线上还有一个事实：11 月 12 日，也就是宣布 Carbon 登顶的前一天，他宣布自己入选 Google PhD Fellowship（NLP 方向）。
Google 侧成员致意，榜首仍是快照
回复区里也有 Google 自己的人。在 Gemini 团队工作的 Logan Kilpatrick 在回复中圈了 @demishassabis，「不错 :)」，获得 126 次点赞；Google DeepMind 成员 Evan Otero ：「我也喜欢这个成本的样子。」HuggingFace 联合创始人 Thomas Wolf 「有意思！」。
结果本身还带着未定之处：这是一份快照，分数会随后续提交变化；Fable 5.2 尚未跑完全部已收录赛期，页面上暂无整体行；Carbon 也没有赢下每一期。榜首能否坐稳，要等下一期新题和下一次提交。