Gemini 4 Carbon возглавил рейтинг ИИ-моделей Artificial Analysis с 59 баллами

Artificial Analysis — независимая лаборатория, которая гоняет языковые модели через одинаковые тесты и публикует сводные рейтинги. Главный из них — Intelligence Index: девять оценок, из которых складывается один балл. 28 октября 2026 года вышла пятая версия индекса, и на первое место в ней встал Gemini 4 Carbon от Google с результатом 59. Сразу оговорка: модель пока доступна лишь выбранным пользователям, широкого релиза нет. Google даёт на запуск скидку 50% без объявленной даты окончания, но во всех графиках лаборатория использует обычные цены.

Где Carbon выигрывает, а где нет

Из девяти оценок индекса Carbon занял первое место в четырёх:

• HLE-Diamond — самый трудный набор экспертных вопросов по науке и знаниям;
• Terminal-Bench-Science — научные задачи, которые модель решает прямо в командной строке;
• AA-Omniscience — проверка фактических знаний и того, умеет ли модель не врать;
• AutomationBench-AA — автоматизация рабочих процессов, где нужно связать несколько сервисов.

В остальных пяти оценках Carbon сильно подрос, но не лидирует. Это касается кодинга и офисной работы.

Кодинг-агенты: Google впервые рядом с лидером

Отдельный рейтинг, Coding Agent Index, измеряет не саму модель, а связку «модель плюс программа-агент». Carbon работал через Antigravity CLI, собственный консольный агент Google, и набрал 59. Лидер — Claude Code с Claude Opus 5.5 в максимальном режиме рассуждений, 62 балла. Разрыв в три пункта.

Второе место Carbon занял и в двух частных тестах:

• Terminal-Bench 4.0 — задачи в терминале, у Carbon 64%;
• FrontierCode v1.1 — сложные программистские задания, у Carbon 51%.

В обоих Claude Opus 5.5 впереди. Для Google это заметный сдвиг: в кодинге компания исторически отставала.

Офисные задачи: рост есть, лидерства нет

AA-Briefcase оценивает, как агент справляется с работой «в офисе»: аналитика, документы, презентации. Результат выражается в рейтинге Elo, как в шахматах. Carbon набрал 1609, на 126 пунктов больше, чем Gemini 4 Argon (1483). Сильнее всего выросли презентации: +293 до 1598. Качество анализа прибавило 120 пунктов и достигло 1671.

Этого хватает не для первого места. Впереди три модели:

• Kimi K3.1 Pro — 1678;
• Muse Wonder (max) — 1659;
• Grok 4.7 (xhigh) — 1638.

Цена задачи и честность ответов

Лаборатория считает, сколько стоит прогон одной задачи индекса. Стоимость зависит от цены токена и от того, сколько токенов модель «наговорила» по ходу рассуждений.

• Gemini 4 Carbon: $7,76 за задачу, 123 тыс. выходных токенов;
• Claude Opus 5.5 (max): $10,04 и 173 тыс. токенов. Carbon дешевле примерно на 23% и пишет на 29% меньше;
• GPT-6 Astra (max): $6,25. Он дешевле Carbon, который обходится примерно в 1,2 раза дороже;
• Gemini 4 Argon: $7,68 при той же цене $4/$20 за миллион входных/выходных токенов. Carbon стоит почти столько же, но набирает на 9 баллов больше.

На обновлённом тесте AA-Omniscience v1.1 Carbon получил 54. У Claude Opus 5.5 — 48, у Argon — 46. Точность ответов выросла на 10 пунктов до 58%. Расплата — доля выдуманных ответов, то есть случаев, когда модель уверенно отвечает вместо признания незнания: она поднялась с 4% до 11%. Это всё ещё второй лучший показатель среди протестированных моделей, лучше только у Argon. У Claude Opus 5.5 и GPT-6 Astra этот показатель равен 50%.

Технические параметры

• Контекстное окно — 1 млн токенов.
• На входе принимает текст, изображения, видео и речь, на выходе выдаёт только текст.
• Цена: $4 за миллион входных и $20 за миллион выходных токенов. Кэшированные входные токены дешевле на 95%, то есть $0,20 за миллион.

Что это даёт командам

Если вы строите кодинг-агентов, Carbon стоит поставить в список для тестов, как только он станет доступен: он близок к Opus 5.5 по качеству и заметно дешевле по стоимости задачи. Для проектов, где важны факты и мало выдумок, важна и динамика: у Carbon точность выше, но врёт он втрое чаще, чем Argon. Для презентаций и офисной автоматизации Kimi K3.1 Pro и Muse Wonder пока выглядят сильнее. Не забывайте и про скидку 50%: она временная, а считать бюджет лучше по обычным ценам.