一句话：第一名换了人，分数只差2.6个百分点，账单差了15倍。据The Decoder报道，Google的Gemini 4 Carbon（high思考档）以85.4%登顶MathArena数学基准，取代GPT-6.1 Sol。数学榜的第一，不是只拼“解得对”，还要看账单。
我每次看到新榜单都干同一件事：不急着欢呼，也不急着唱衰，先看三样——数字是多少、误差棒多大、要花多少钱。这期的MathArena也一样，三样看完，结论就出来了。
榜单第一换了人
先摆榜单。MathArena是一个数学能力基准，模型要在开放题目上给出正确解答来排名。这次Gemini 4 Carbon排第一，得分85.4%，报道口径是±3.0%的置信区间；第二名Claude Fable 5.2，82.8%；上一任第一GPT-6.1 Sol被挤下榜首。
说白了，题型没变，规则没变，变的只是答题的人，而新的答题人比旧的贵了大约15倍。这个替换说明的不只是谁解得更好，还有按什么价格买解题能力。后一个问题比前一个更值得拆。
我的判断：这次登顶不是革命，是换防。旧冠军被一个分数相近、价格贵得多的新选手换掉了。值得看的不是榜单上的数字，是市场接不接受这个价格。
这和以往榜单的区别在哪：以往的榜首之争比的是分差，这次的分差旁边还多了一栏价差。一个榜单，两把尺子，这才是这期有意思的地方。
85.4%的成色如何
跟我拆过论文的都知道，第一步是看数字。85.4%对82.8%，差距2.6个百分点，听着像碾压。但口径要抠：报道给的是±3.0%的置信区间。算一笔账：2.6的差距，比3.0的误差棒还小。
差距比误差棒小，意味着什么？在误差范围内，两者可以说是打平。第一第二之间是真差距，还是这次抽题抖出来的，这份数据给不出定论。别急着说谁运气好，数据本身证明不了。我直接说：榜能登顶，但赢的幅度比测量误差还薄。
所以我的结论是：这次登顶，不够硬到算碾压，但够硬到算方向信号——最深推理的模型，在数学能力上正在追上上一代冠军。接下来要看的，是误差棒会不会收窄，还是分数先拉开。
还有个细节。85.4%和82.8%都是解对题的比例，不是推理深度。榜单只看答案对不对，不看过程是否优雅、是否可复现。所以那2.6个百分点的差距，可能来自解得更好，也可能来自别的因素，这份报道没拆开讲。
15倍账单怎么算
再说成本。据The Decoder的口径，Carbon约为GPT-6.1 Sol的15倍。说白了：同样的题，排第一的模型烧15倍的钱。榜单第一谁都能看到，但这一档价差，你不自己算，它就会被藏在账单里。对多数用模型的人来说，价格比分数更扎眼，因为它是实打实要掏的。
参考价也有。据之前发布口径，Carbon的API输入4美元、输出20美元，每百万token，11月30日前半价。半价不改性质，和家族里便宜的模型比，它依然是最贵的一档。
我就想问一句：日常题目能解对82.8%的便宜模型在旁边，凭什么为多出来的2.6%付15倍？除非你的题真的难，而且答错的代价比溢价高——那又是另一回事。
我的看法：15倍是买稀缺的价格，不是买能力的价格。溢价买的不是“能解”，是“能解更难的题”，而这种题在市场上没有第二个报价。
数学能力被做成分层商品
别光看Carbon。Gemini 4家族现在是三款模型：Carbon管最深推理，Argon管编码与分析，Hydrogen管快速日常。Hydrogen每百万token输入1.5美元、输出7.5美元，免费用户也能用。三档价，三种工作量，官方口径已经把答案写好了。
分工很清楚：最难的题一条线，工程一条线，走量一条线。谷歌卖的不是一个“数学能力”的点，而是一套分层商品，付得越多，推理越深。换个说法：数学能力被做成了三档价的商品。
说白了，这是把能力和工作量对上价：Hydrogen解不了的那部分，Carbon也许能解；Carbon能解的那部分，多数任务用不到。分层合不合理见仁见智，但至少价格把选择摆到了明面上。
对用户来说，这意味着用之前先回答一个问题：你的题是难，还是多？难题走深推理那条线，多题走便宜那条线。把多题塞进深推理线，你付的不是能力的钱，是后悔的钱。
划重点：什么时候值得烧Carbon
划重点。值得烧Carbon的场景，是真需要最深推理的少量难题：长链条证明、复杂结构搜索，或者便宜模型试错一轮已经失败的任务。量少，但单次成功价值高，溢价摊得薄。一句话：失败代价高的时候，才买贵的。
不值得烧的场景是日常批量。每天要解几百道常规题，便宜模型能解对82.8%，一年付出去的15倍溢价，比错题的损失贵得多。让顶配啃硬骨头，让便宜的跑量，这才叫把钱花在刀刃上。
提醒一句：11月30日前的半价窗口，更适合试水，不适合直接上生产。如果你的业务真要用Carbon，先在半价里测一遍答得值不值，再谈长期方案。别等优惠结束了，再回头算性价比。
再补一条边界：如果任务要求答案可审计，过程要拿给别人看，那就别只看分数，先测它的输出过程能不能被检查。科研场景里，路径比答案更要命，因为要替你答辩的是路径。
但这里有个前提
但这里有个前提：MathArena考的是“解数学题”，不是“会数学”。答对能进榜单，但过程可能是模式匹配拼出来的链条。榜单第一，和“能替你证明定理、做科研”的能力之间，还隔着验证这一步。
这个分歧之前讨论过：AI解题，人来检查。模型给出的正确答案，只能叫候选解，每一步是否成立，要有人核。这一步自动化不了，榜单第一就永远比真实可靠慢半步。
所以如果你拿这个榜单选模型，建议就加一步：模型答完，后面接验证。这一步能自动化工具化，榜单第一就值得溢价；要人眼看，溢价就得按眼数的多少打个折。
最后的判断留一句：榜第一值得看，账单更值得看。下一代冲榜的，要么把价格打下来，要么把题目变难。不然榜首还是会换人，花的钱只会更多。
