به گزارش آی سی تی نیوز؛ مؤسسه Artificial Analysis در ۲۸ اکتبر ۲۰۲۶ (۶ آبان ۱۴۰۵) گزارش خود را منتشر کرد که نشان می‌داد مدل جدید گوگل با نام Gemini 4 Carbon با کسب امتیاز ۵۹ در شاخص Intelligence Index v5، رتبه نخست جهان را تصاحب کرده است. این مدل در ۴ آزمون از ۹ آزمون اصلی—شامل استدلال پیچیده، دانش تخصصی، حل مسائل علمی و اتوماسیون—بهترین عملکرد را داشته است .
جهش ۹ امتیازی از نسل قبل
پیش از این، Claude Opus 5.5 با ۵۸ امتیاز و GPT-6 Astra با ۵۷ امتیاز در صدر جدول بودند. Gemini 4 Argon (نسل قبلی گوگل) تنها ۵۰ امتیاز داشت—یعنی Carbon نسبت به نسل قبل خود ۹ امتیاز جهش کرده است. در Coding Agent Index نیز Carbon با ۵۹ امتیاز در رتبه دوم قرار گرفت و تنها ۳ امتیاز از Claude Opus 5.5 (۶۲ امتیاز) عقب‌تر است .
نرخ توهم ۱۱ درصد در مقابل ۵۰ درصد رقبا
یکی از چشمگیرترین ویژگی‌های این مدل، کاهش شدید نرخ توهم است. Gemini 4 Carbon در آزمون دانش و صحت پاسخ‌ها امتیاز ۵۴ را کسب کرد و از Claude Opus 5.5 با امتیاز ۴۸ پیشی گرفت. نرخ توهم آن تنها ۱۱ درصد گزارش شده، در حالی که این نرخ برای Claude Opus 5.5 و GPT-6 Astra حدود ۵۰ درصد بوده است .
با این حال، یک نکته حساس: اگرچه نرخ توهم ۱۱ درصد بسیار کمتر از رقباست، اما نسبت به Gemini 4 Argon (نسل قبل) که ۴ درصد بود، افزایش یافته است. هم‌زمان دقت پاسخ‌ها از ۴۸ درصد به ۵۸ درصد رسیده—یعنی مدل هم دقیق‌تر شده و هم در موارد بیشتری (نسبت به نسل قبل) اشتباه می‌کند .
نقاط ضعف؛ برتری کامل نیست
برخلاف تصور «صدرنشینی مطلق»، Carbon در چند حوزه کلیدی پیشتاز نیست:
- در FrontierSWE 2 (وظایف مهندسی نرم‌افزار): GPT-6 Astra با ۶۵.۵ درصد از Carbon با ۶۱.۲ درصد جلوتر است .
- در OSWorld 2.1 (کنترل کامپیوتر): Claude Opus 5.5 با ۸۷.۲ درصد از Carbon با ۸۱.۵ درصد جلوتر است .
- در FrontierCode 2.0 (بنچمارک Cognition): Carbon با ۴۰ درصد از Claude Opus 5.5 با ۴۵.۵ درصد و GPT-6 Astra با ۴۲.۸ درصد عقب‌تر است .
- در AA-Briefcase (کارهای دانشی): Carbon رتبه اول را ندارد و Grok 4.7، Muse Wonder و Kimi K3.1 Pro از آن جلوترند .
اقتصاد هزینه: ۲۳ درصد ارزان‌تر از Opus 5.5
از نظر اقتصادی، هزینه انجام هر وظیفه با Gemini 4 Carbon حدود ۷.۷۶ دلار است—حدود ۲۳ درصد کمتر از Claude Opus 5.5 با ۱۰.۰۴ دلار، اما همچنان از GPT-6 Astra گران‌تر . بخشی از این صرفه‌جویی ناشی از بهره‌وری توکن است: Carbon برای هر وظیفه به‌طور میانگین ۱۲۳ هزار توکن خروجی مصرف می‌کند، در حالی که Opus 5.5 به ۱۷۳ هزار توکن نیاز دارد—یعنی ۲۹ درصد کمتر .
قیمت استاندارد ۴ دلار ورودی / ۲۰ دلار خروجی به ازای هر میلیون توکن است. قیمت عرضه اولیه ۲ دلار / ۱۰ دلار با تخفیف ۵۰ درصدی است و توکن‌های ورودی کش‌شده ۹۵ درصد تخفیف دارند (۰.۲۰ دلار). هیچ تاریخ پایانی برای تخفیف اعلام نشده است .
پنجره زمینه یک میلیون توکن و قابلیت چندرسانه‌ای
این مدل با پنجره زمینه ۱ میلیون توکن، قابلیت پردازش متن، تصویر، صوت و ویدئو را دارد. دسترسی فعلی اما محدود است: گوگل آن را از طریق Fairwind Program و صرفاً برای گروهی از «مدافعان سایبری» عرضه کرده است . گوگل ادعا می‌کند Carbon در SEC-bench Pro (شناسایی آسیب‌پذیری) امتیاز ۸۸.۲ درصد و در ExploitGym رتبه اول را کسب کرده است .
عملکرد طولانی‌مدت
گوگل ادعا می‌کند Carbon می‌تواند «بدون توقف و بدون میان‌بر، چندین روز» روی وظایف پیچیده کار کند. همچنین نرخ «تقلب موفق» در Terminal-Bench 4.0 به ۰.۰ درصد کاهش یافته و هشدارهای ناهم‌ترازی شدید در محیط‌های کدنویسی داخلی گوگل حدود ۸۰ درصد کاهش یافته است. این ادعاها در منابع مستقل تأیید نشده‌اند .
تحلیل ICTNews
صدرنشینی Gemini 4 Carbon در Intelligence Index v5 یک دستاورد واقعی برای گوگل است، اما نباید آن را به معنای «برتری مطلق» تفسیر کرد. این مدل در ۴ آزمون از ۹ آزمون اول است، اما در حوزه‌های مهمی مانند مهندسی نرم‌افزار (FrontierSWE 2) و کنترل کامپیوتر (OSWorld 2.1) از رقبا عقب‌تر است. به عبارت دیگر، گوگل در «هوش عمومی» پیشتاز شده، اما در «کاربرد عملی» هنوز رقبا جلوترند.
نکته دوم، کاهش نرخ توهم است. تفاوت ۱۱ درصد در مقابل ۵۰ درصد رقبا، عدد بزرگی است—به‌ویژه برای کاربران سازمانی که به دقت خروجی مدل وابسته‌اند. اما افزایش نرخ توهم نسبت به نسل قبل (۴ درصد به ۱۱ درصد) نشان می‌دهد که این بهبود نسبی است، نه مطلق.
نکته سوم، اقتصاد هزینه است. کاهش ۲۳ درصدی هزینه هر وظیفه، عمدتاً ناشی از بهره‌وری توکن است، نه کاهش قیمت هر توکن. این یعنی Carbon نه‌تنها ارزان‌تر، بلکه «کارآمدتر» است—و این برای کسب‌وکارهایی که روزانه هزاران وظیفه AI اجرا می‌کنند، اهمیت زیادی دارد.
در مجموع، رقابت بر سر «هوشمندترین مدل جهان» اکنون بیش از هر زمان دیگری بر دقت استدلال، کاهش خطا و هزینه انجام کارهای واقعی متمرکز شده است. Carbon گوگل در این رقابت یک گام بزرگ به جلو برداشته، اما رقبا در حوزه‌های تخصصی همچنان جایگاه خود را حفظ کرده‌اند.
