Gemini 4 Carbon 在 MathArena 上拿到 85.4% 登顶,这个成绩很硬。但对企业来说,更要紧的是另一个数字:它的成本大约是 GPT-6.1 Sol 的 15 倍。这一条直接决定了它能不能进预算。
为什么贵这么多?
贵在推理深度。Carbon 走的是长链条推理路线,同样一个问题,它内部展开的步骤多得多。步骤多,token 就多,成本自然上去。
这不是设计失误,是取舍。要拿数学竞赛级别的准确率,就得付出这个代价。问题是绝大多数企业任务不需要这个级别的准确率。
哪些场景值得这个价?
三类。第一,高价值决策辅助,比如定价模型复核、复杂合同条款推演,错一次的损失远大于调用成本。第二,科研与工程计算,答案错整个项目报废。第三,需要可解释链条的审计场景。
除了这三类,多数场景用便宜一档的模型就够了。拿 Carbon 写商品文案,是拿卡车送快递。
企业预算该怎么算?
别按 token 单价算,按任务成本算。一个任务要几轮调用、每轮多少 token、失败重试几次,三项乘起来才是真实成本。
Carbon 的隐藏成本在重试率低。它一次答对的概率高,重试少。所以真实差距可能没有 15 倍那么夸张,但也不会低于 5 倍。这个量级仍然要求它必须被用在刀刃上。
混合路由是不是更现实?
是。把任务分成三档:简单查询走便宜模型,常规生成走中档,硬推理走 Carbon。路由判据用任务类型加置信度,不用价格。
这套做法已经在不少团队跑通。难点不在技术,在评测:你得知道哪一档模型在你的任务上够用。没有本地评测集,路由就是拍脑袋。
只有 AI Ultra 能用意味着什么?
意味着它暂时不是企业可采购的选项,而是订阅层的旗舰能力。企业想用,只能通过个人席位或者等待 API 开放。
这会产生一种奇怪的局面:最强的能力先给个人用户体验,企业反而拿不到。对采购方来说,这意味着短期不要把关键流程建在它上面,避免可用性风险。
该怎么看这次登顶?
把它当成一个方向标,不是一个采购建议。它证明了长链条推理还有很大提升空间,也证明了准确率的边际成本正在急剧上升。
对多数企业,正确的动作是:先用便宜模型把流程跑通,把评测集建起来,等 Carbon 这类能力降价或者开放 API 时,再按评测结果局部替换。现在 all in,预算撑不住。
跑分决定谁上头条,成本决定谁能活下来。这两件事在企业里从来不是一回事。
去论坛讨论
前往 ziyuanagi.com 论坛 参与讨论