Gemini 4 Carbon MathArena đạt 85,4% lên đầu bảng toán nhưng mỗi bài tốn 15,70 USD, gấp gần 15 lần đối thủ rẻ nhất

Carbon đạt 85,4% cộng trừ 3,0% và đứng đầu bảng MathArena ngày 13/11, nhưng mỗi bài toán trên bảng này tốn 15,70 USD. Tin Carbon lên đầu bảng là thật, có bảng độc lập đứng sau, song ngôi đầu chưa chắc chắn tuyệt đối vì khoảng tin cậy chồng lấn, và mức giá đó chỉ hợp lý khi anh em cần giải một bài toán thật khó.

Carbon 85,4% cộng trừ 3,0%, 15,70 USD mỗi bài. Fable 5.2 82,8% cộng trừ 5,3%, 40,20 USD mỗi bài. GPT-6.1 Sol 80,6% cộng trừ 2,7%, 1,07 USD mỗi bài. Kết luận nhanh, Carbon chỉ đáng tiền khi anh em cần giải một bài toán thật khó.

Ngày 13/11 đã xảy ra chuyện gì, ai công bố bảng MathArena

Tin này bắt đầu từ một bảng độc lập, người công bố là một nhà nghiên cứu ETH Zürich. Muốn hiểu con số 85,4% thì phải đi từ đầu, từ lúc Carbon ra mắt cuối tháng 10, qua ngày mở cửa chung đầu tháng 11, tới lúc bảng cập nhật giữa tháng 11. Rồi xem người công bố là ai, bảng đó đo bằng cách nào.

Từ 28/10 tới 13/11, Carbon ra mắt, mở cửa rồi mới được đo trên MathArena

28/10/2026 Google công bố Carbon, ban đầu chỉ cho nhóm nhỏ chuyên gia an ninh mạng qua chương trình Fairwind. 9/11/2026 Anthropic ra mắt Fable 5.2 giá 8 USD input và 40 USD output mỗi triệu token. 10/11/2026 Google mở cửa chung Carbon, rồi 11/11/2026 site có post 1853 viết về việc Carbon mở cửa ngày 10/11, cùng ngày Artificial Analysis cập nhật Index v5.0.1. 13/11/2026 kết quả của Carbon và Fable 5.2 được thêm vào bảng MathArena.

Jasper Dekoninck công bố bảng MathArena độc lập của ETH Zürich

Người công bố là Jasper Dekoninck, nghiên cứu sinh tiến sĩ ETH Zürich ở SRI Lab, học trò giáo sư Martin Vechev, từng nhận giải Willi Studer Prize 2024. MathArena dùng đề thi và bài nghiên cứu mới để model khó học thuộc, mỗi model làm mỗi bài 4 lần, bảng có grant từ Epoch AI và paper arXiv 2605.00674 đứng sau. Trên X, Dekoninck viết lần đầu sau rất lâu mới có một model ngoài OpenAI đứng đầu MathArena, mình dẫn lại qua ai-oriens vì x.com bị chặn.

Pichai và Hassabis chỉ repost bảng MathArena

Dekoninck đăng bài lúc 0 giờ 27 phút 44 giây ngày 14/11 giờ Nhật Bản. Hassabis repost khoảng 2 giờ 25 phút 45 giây cùng ngày, Pichai repost khoảng 2 giờ 55 phút 3 giây cùng ngày, cả hai không kèm bình luận. Google tự thân chưa công bố bảng này, nên đây chưa phải tuyên bố chính thức.

Bảng điểm MathArena ghi 85,4% cho Carbon nhưng khoảng tin cậy chồng lấn

Con số 85,4% nhìn qua thì đẹp, nhưng đọc kèm khoảng tin cậy thì câu chuyện khác hẳn. Bảng dưới đây là toàn bộ top 3 cùng model mở tốt nhất, rồi mình sẽ soi từng khoảng tin cậy để xem chênh lệch 2,6 điểm với Fable và 4,8 điểm với Sol thực ra chắc tới đâu.

Top 3 MathArena toàn model đóng, Kimi K3.1 Pro là model mở tốt nhất

Bảng tổng MathArena đọc trực tiếp ngày 14/11/2026, Kimi K3.1 Pro là model mở tốt nhất nhưng vẫn cách top đóng khoảng 31 điểm.

Khoảng tin cậy Carbon 82,4 tới 88,4 chồng gần hết khoảng Fable 77,5 tới 88,1

Khoảng tin cậy của Carbon là 82,4 tới 88,4, của Fable là 77,5 tới 88,1, hai khoảng chồng nhau, nên chênh lệch 2,6 điểm nằm gọn trong biên độ sai số, chính bài ai-oriens cũng nêu điều này. Khoảng của Sol là 77,9 tới 83,3, chồng nhẹ đầu dưới của Carbon ở đoạn 82,4 tới 83,3, nên khoảng cách 4,8 điểm với Sol cũng chưa tách hẳn. Đề còn nhỏ, bản ArXivMath tháng 8/2026 chỉ có 57 câu, một câu trị giá khoảng 1,75 điểm, nên nói Carbon dẫn đầu thì đúng theo bảng, còn nói Carbon chắc chắn giỏi toán hơn Fable thì chưa đủ căn cứ.

85,4% là hiệu năng kỳ vọng, một phần điểm Carbon là ước lượng IRT

Con số 85,4% là hiệu năng kỳ vọng, tức trung bình điểm chuẩn hoá trên các cuộc thi đang dùng. Các bài Carbon chưa chạy được vì đắt sẽ được ước lượng bằng mô hình IRT hai tham số, dựa trên kết quả của model khác. Vì chi phí nên nhóm chỉ chạy Carbon trên ArXivLean, hiệu năng ở đó rất ấn tượng nhưng không đưa con số. Model cần ít nhất 42 câu đã trả lời mới vào biểu đồ, và nhóm sẽ thêm Carbon vào LeanLean sau.

Carbon tốn 15,70 USD một bài, gấp gần 15 lần Sol

Điểm số chỉ là một nửa câu chuyện, nửa còn lại nằm ở hoá đơn. Nhìn bảng chi phí dưới đây thì thấy ngay, Carbon hơn Sol chưa tới 5 điểm mà mỗi bài tốn gấp gần 15 lần, còn Fable thì đắt hơn nữa. Đáng tiền hay không, cứ tính bằng tiền cho từng bài chứ đừng nhìn thứ hạng trên bảng.

Mỗi bài toán, Carbon tốn 15,70 USD, Fable tốn 40,20 USD còn Sol chỉ tốn 1,07 USD

Mỗi bài toán, Carbon tốn 15,70 USD, gấp khoảng 14,7 lần Sol với 1,07 USD trong khi chỉ hơn Sol 4,8 điểm. Fable tốn 40,20 USD mỗi bài, gấp khoảng 2,6 lần Carbon và gấp khoảng 37,6 lần Sol. Dekoninck cảnh báo hiệu năng tăng thêm đi kèm chi phí cao hơn đáng kể, thấy rõ nhất ở bài BrokenArXiv, mình dẫn lại ý này qua ai-oriens.

Một bài toán khó thì đáng tò mò, một trăm bài thì phải hỏi bài nào đáng trả tiền

Tác giả bài Medium trên AI in Plain English ngày 14/11/2026 đưa ra một khung thực dụng. Nếu chỉ có một bài toán khó cần giải thì hàng đầu bảng rất đáng tò mò, còn nếu có một trăm bài thì phải hỏi bài nào đáng trả tiền. Tác giả cho rằng ngôi đầu này gần như vô dụng với đa số người dùng nếu phải trả tiền cho hàng trăm bài, và khung này khớp với số liệu chi phí ở mục trên. Nhưng bài Medium còn nêu 93,62% cho Carbon và Fable cùng 90,43% cho Sol mà không nói rõ đó là bảng con nào, nên mình không dùng hai con số này làm điểm tổng.

Vì sao Carbon đắt, giá token 2/10 USD và model viết dài, chạy chậm

Giá token Carbon là 2 USD input và 10 USD output mỗi triệu token tới 30/11 rồi tăng gấp đôi từ 1/12, Fable là 8 USD và 40 USD mỗi triệu token, rẻ hơn 20% so với Fable 5.1. Carbon viết nhiều token hơn để kiểm tra lại chính mình, Artificial Analysis đo Carbon khoảng 80 output token mỗi giây, hạng 70 trên 73 về độ dài dòng, và mất 67 giây trước token trả lời đầu tiên ở mức High. Tỉ lệ hallucination của Carbon là 11%, cao hơn Argon với 4%, nhưng vẫn thấp thứ hai trong các model mà Artificial Analysis từng đo.

Đặt cạnh AA Index, Vals và ARC-AGI-3 thì Carbon không dẫn đầu mọi mặt

Một bảng toán không nói hết về một model. Đặt Carbon cạnh AA Index, Vals, ARC-AGI-3 và Arena text thì bức tranh đổi hẳn, có thước đo Carbon vẫn dẫn đầu, có thước đo Carbon thua rõ, nên mục này mình soi từng bảng một để xem ngôi đầu MathArena nặng tới đâu.

AA Index v5.0.1 xếp Fable 65 điểm, Carbon 60 điểm và hạng 4

Trên AA Index v5.0.1 cập nhật 11/11/2026, Fable 5.2 ở mức max đạt 65 điểm với 26,54 USD mỗi task, Carbon ở mức high đạt 60 điểm với 7,76 USD mỗi task, Carbon đứng hạng 4 sau ba mức setting của Fable 5.2. Lúc ra mắt 28/10 Carbon từng đứng đầu AA Index với 59 điểm, đó chính là nội dung bài Carbon đứng đầu AA Index lúc ra mắt nhưng khóa cửa, nhưng con số đó nay đã lỗi thời. AA Index đo 9 bài đánh giá do Artificial Analysis tự chạy, khác hẳn MathArena chỉ đo toán, nên hai bảng không thay thế nhau.

Carbon thua Fable 16 điểm ở ARC-AGI-3, xếp sau ở Vals và chỉ hơn Argon 4 điểm trên Arena text

Trên Vals Index, Fable 71,31% hạng 1 và Carbon 70,45% hạng 3. Ở ARC-AGI-3, Carbon thua Fable 16 điểm với 65,1% so với 81,2%, ở ARC-AGI-2 Carbon nhỉnh hơn với 94,2% so với 93,8%. Trên Arena text, Carbon hạng 1 với 1.526 Elo nhưng chỉ hơn Argon 4 điểm trong khoảng tin cậy cộng trừ 10. Qua llmbenchmark.ai, Carbon đạt 100,0% OTIS Mock AIME hạng 1 trên 115, đạt 95,1% FrontierMath tier 4 hạng 4 trên 66, đạt 90,5% FrontierMath tiers 1-3 hạng 6 trên 80 với Astra 93,7% dẫn đầu. Riêng ở LMArena Text coding, Carbon đạt 1.564 Elo, hạng 1 trên 151. Arena đo cảm tình người dùng, MathArena đo đúng sai.

Số hãng tự đo của Google về Carbon mạnh ở an ninh mạng, đừng lẫn với điểm MathArena

Số hãng tự đo của Google mạnh nhất ở mảng an ninh mạng, đúng thế mạnh thiết kế của Carbon, với SEC-bench Pro 88,2% so với Argon 83,4%, ExploitGym 54,8% so với Argon 42,0%, CWE-bench v1 71,0% so với Argon 68,0%. Google nói Carbon hạng 1 ở CursorBench 4.0, Perplexity WANDR và Zapier AutomationBench với chi phí mỗi task thấp hơn một nửa so với model ngoài tốt thứ hai, nhưng hãng không công bố điểm CursorBench và WANDR nên chưa kiểm chứng được. Còn Zapier công bố AutomationBench, Carbon đạt 53,9% ở mức High với khoảng 2,12 USD mỗi task, và đây là số hãng tự đo, khác với điểm MathArena.

Carbon dùng được chưa, dùng qua kênh nào và giá token bao nhiêu

Biết điểm và biết giá rồi thì câu hỏi còn lại rất thực tế, là hôm nay anh em có dùng được Carbon không, dùng ở đâu, và tiền tính thế nào từ tháng sau. Mục này mình đi thẳng vào kênh dùng, giá token từ 1/12 và mấy lưu ý khi dùng thật, để anh em tính được ngân sách trước khi bật API.

Dùng Carbon qua API trả phí trong AI Studio, gói Ultra thì có trong app Gemini

Carbon mở cửa chung từ 10/11/2026 qua API trả phí trong Google AI Studio và Gemini for business, model ID gemini-4-carbon, context tối đa 1 triệu token gộp input và output, knowledge cutoff tháng 3/2026. Thuê bao Google AI Ultra dùng Carbon trong Antigravity, app Gemini và AI Mode. Carbon không có free tier, gói Pro chỉ có Argon, đường ngắn nhất là API trả phí trong AI Studio với billing đã bật, hoặc gói Ultra nếu dùng app Gemini. Google chưa công bố vùng áp dụng, giới hạn tốc độ hay ngày lên Vertex AI tính tới 11/11.

Giá token Carbon 2/10 USD rồi tăng gấp đôi từ 1/12

Mốc 1/12 cần nhớ khi tính ngân sách. Giá 2 USD input và 10 USD output mỗi triệu token chỉ giữ tới 30/11/2026, từ 1/12/2026 giá thành 4 USD và 20 USD, tức tăng gấp đôi, trong khi input đã cache rẻ hơn 95%. Ngân sách tính theo giá tháng 11 sẽ lệch gấp đôi sang tháng 12, và Simon Willison thử Carbon ngày 10/11 lưu ý mốc tăng giá này. Google tự nhận Argon vẫn phù hợp cho đa số công việc phần mềm và tri thức, còn Carbon dành cho task khó và dài hơi.

Lưu ý khi dùng thật, Carbon chậm và dài dòng

Carbon mất 67 giây trước token trả lời đầu tiên ở mức High, không hợp task cần trả lời nhanh. Tỉ lệ hallucination 11% nên task phạt đáp án sai tự tin như pháp lý, y tế hay tài chính cần tự đo trước khi chuyển sang Carbon. Về an toàn, Google đánh giá Carbon chưa đủ bước nhảy so với Argon nên phần lớn bằng chứng là kế thừa từ Argon, cộng thêm red-team có mục tiêu. Trajectory Labs red-team 132 giờ và hơn 13.000 request, không tìm thấy jailbreak phổ quát mới, chặn 99% quỹ đạo tấn công trong test mô phỏng. Google thừa nhận không loại trừ khả năng Carbon chạm ngưỡng nguy hiểm về uplift tấn công mạng và thông tin sinh học nếu không có safeguard ngoài, và chống prompt injection vẫn cần cải thiện.

Phản ứng cộng đồng về ngôi đầu ngày 13/11 mỏng tới mức nào

Tin lên đầu bảng thường kéo theo một đợt bàn tán, nhưng lần này thì không. Mình đã rà các bài viết, bản tin và thread quanh ngày 13/11 để xem cộng đồng nói gì. Những gì tìm được chỉ gói gọn trong vài tường thuật ngắn cùng bối cảnh từ ngày ra mắt 10/11, không có đợt bàn tán riêng nào cho sự kiện này.

Bài Medium, latent.space và Daily Fledgling chỉ tường thuật ngắn về ngôi đầu

Bài Medium trên AI in Plain English đăng lúc 12 giờ 48 phút UTC ngày 14/11/2026, góc nhìn thắng bảng nhưng đắt và gần như vô dụng với đa số người dùng nếu phải trả tiền cho hàng trăm bài. Bản tin latent.space ngày 13/11/2026 chỉ ghi một dòng rằng Carbon lên đầu bảng MathArena và đẩy GPT-6.1 Sol xuống. Còn The Daily Fledgling ngày 14/11/2026 tóm tắt bằng dòng Carbon Takes the Math Crown và nhấn mạnh bài đăng được Pichai và Hassabis repost. Cả ba đều là tường thuật ngắn.

Không có thread Hacker News hay Reddit riêng cho sự kiện 13/11

Mình đã tìm thread Hacker News, Reddit và X về MathArena ngày 13/11 trong ngày 14/11/2026. Không tìm thấy thread Hacker News riêng, kết quả chỉ trả về bài về ngày công bố Carbon 28/10 với thread 997 điểm và 792 bình luận. Cũng không tìm thấy thread Reddit riêng, kết quả chỉ trả về tin Reddit 10/11 về tin đồn mở cửa. Trên X, ngoài post của Dekoninck và 2 repost của lãnh đạo Google, chỉ có ghi nhận gián tiếp qua bài Medium và 2 bản tin tổng hợp, nên phản ứng cộng đồng riêng cho sự kiện này là mỏng.

Bối cảnh ngày 10/11, người dùng đầu tiên chê chậm và đắt

Thread Hacker News ngày ra mắt 10/11/2026 chỉ làm bối cảnh. Một dev tự đo thấy Carbon ngang Fable 5.2 về chất lượng nhưng vẫn chậm hơn và tốn kém hơn Fable 5.2. Một người dùng gói Ultra 5x viết gần như không hoàn thành nổi một project với Carbon trước khi chạm giới hạn gói. Một người khác đo time to first token khoảng 60 giây ở phân vị 75 và khoảng 10 token mỗi giây, gọi model chưa dùng được lúc này. Chiều tích cực, một người đưa Carbon một bài nghiên cứu chưa xong và thấy nó nêu ra những điểm các model khác bỏ sót. Các bình luận không nêu tên người nói, là trải nghiệm cá nhân ngày 10/11, chưa kiểm chứng độc lập.

Bảng chọn nhanh theo nhu cầu, một bài khó hay một trăm bài

Vậy Carbon có đáng dùng không, câu trả lời nằm ở việc anh em cần giải một bài khó hay một trăm bài, và bảng chốt luôn cho từng trường hợp. Carbon dẫn đầu MathArena là thật nhưng khoảng tin cậy chồng lấn, giá 15,70 USD mỗi bài chỉ đáng cho bài toán khó, còn làm nhiều bài thì Sol rẻ hơn gần 15 lần với điểm chỉ thấp hơn 4,8 điểm.

Anh em nào đã thử Carbon giải toán thật rồi thì chia sẻ trải nghiệm dưới bình luận giúp mình. Cứ kể thẳng lúc nó trả lời chậm, lúc nó tính sai hay lúc nó giải được bài khó mà model khác bó tay. Mấy trải nghiệm thật đó mới là thứ giúp người đọc sau biết có nên bỏ 15,70 USD cho một bài hay không.

Nguồn tham khảo

• MathArena
• ai-oriens
• AI in Plain English
• Blog Google
• dev.to
• LLMBenchmark.ai
• ETH SRI, Jasper Dekoninck
• klu.ai, ArXivMath
• Binmage, AA Index
• Notes Nicolas Deville, Fable 5.2
• AgentSnacks
• latent.space
• The Daily Fledgling
• LLMBenchmark.ai, GPT-6.1 Sol
• MathArena, LeanLean
• arXiv 2605.00674
• BenchLeader
• Agmazon