Arena 在首发公告中称 Gemini 4 Carbon (High) 当时位列 Text Arena 第 1、Agent Arena 第 2、Code Arena: WebDev 第 4;这是 2026-10-28 发布时的榜单快照,帖子没有提供足以独立复现这些名次的评测方法。
适合判断的任务:了解 Arena 公告发布时 Carbon (High) 在 Text、Agent 和 Code Arena: WebDev 中的名次、公告所列分数及 Agent Arena 社区会话规模。
不适合外推的任务:不能据此推断所有文本、网页开发或 Agent 任务的成功率,也不能将不同 Arena 榜单的名次或分数直接横向比较。
适用的模型版本:Gemini 4 Carbon (High)。帖子另将 Gemini 4 Argon (High)、GPT-6 Astra、Fable-5.1、Claude Opus 5.5 (Max) 和 Claude Sonnet 5.5 (xHigh) 作为比较对象。
测试环境或客户端:Arena 各公开榜单;具体模型接口、Agent harness、任务集版本和运行环境未注明。
推理档位和参数:Carbon 为 High;温度、采样参数及其他运行配置未注明。
这是一条结果公告,不是完整测试报告。Arena 表示 Agent Arena 的结果覆盖其全球社区的 21.9K 余次真实世界 Agent 会话,并报告 Carbon 的净改进为 +16.2%。帖子未说明会话筛选方式、任务构成、比较基线及净改进的计算公式,也未给出各模型样本量、置信区间或显著性检验。
| 榜单或指标 | 帖子公布的结果 | 对照信息 |
|---|---|---|
| Text Arena | 第 1,1528 分 | Gemini 4 Argon (High) 第 2,1520 分 |
| Agent Arena | 第 2,净改进 +16.2% | 覆盖全球社区 21.9K 余次 Agent 会话;帖子称超过 GPT-6 Astra 与 Fable-5.1 |
| Agent Arena 每任务成本 | 中位数 $1.80 | 帖子称比第 1 名 Claude Opus 5.5 (Max) 低 72% |
| Code Arena: WebDev | 第 4,1768 分 | Claude Sonnet 5.5 (xHigh) 第 3,1770 分;Gemini 4 Argon (High) 第 11,1679 分 |
| 其他类别 | Gaming and Simulations 第 3;Brand & Marketing 第 5 | 帖子未给出类别样本量或分数 |
公告还列出 Agent Arena 的三项信号:Steerability 第 1(+18.6%)、Praise vs Complaint 第 2(+37.9%)、Confirmed Success 第 3(+18.7%)。帖子没有定义这些百分比的分母、计算过程或不确定性,因此这里只记录为 Arena 公布的信号值,不将其解释为成功率或相对提升。
来源正文:原帖英文正文称 Carbon (High) 首次登上 Arena 排名,在 Text Arena 排名第 1、Agent Arena 排名第 2、Code Arena: WebDev 排名第 4;并公布上表中的分数、会话数、成本及类别名次。
时间口径:原帖时间为 2026-10-28 17:02:21 UTC。本文将所有排名视为该公告发布时的快照,不代表 2026-11-16 或之后的当前排名。
Agent 会话数:原帖写作 “+21.9K real-world agentic sessions from our global community”。这是公告给出的会话覆盖规模,不等于 21.9K 个独立任务,也不代表每个模型均运行相同数量会话。
成本说法:$1.80 是帖子称的 Carbon (High) 每任务中位成本;“低 72%”是其与当时 Agent Arena 第 1 名 Claude Opus 5.5 (Max) 的比较。帖子未给成本样本、计价假设或计算细节。
榜单分数:1528(Text Arena)和 1768(Code Arena: WebDev)来自不同榜单;帖子未给出分数定义,不能将二者解释为相同量纲的能力分数。
该帖适合作为 Carbon 首发时 Arena 官方披露的排名记录。公告显示 Carbon (High) 在文本榜领先 Gemini 4 Argon (High) 8 分,在 WebDev 榜比 Claude Sonnet 5.5 (xHigh) 低 2 分;Agent Arena 则列为第 2,并附有会话规模及成本比较。
这些数值不能单独证明跨任务的普遍优势。帖子没有披露榜单方法、具体评测数据、模型调用配置、样本分布或误差范围;Agent 会话数也不能替代独立任务数。成本和三个百分比信号只能按原帖口径转述,不能据此推算其他模型档位、任务类型或实际部署成本。此文没有检查帖子所链接的 Agent Arena 排行榜页面。
打开原帖并通过“显示原文”查看英文正文,核对作者、时间戳、榜单名次和数值。复现排名还需要 Arena 对应时点的榜单数据、评测定义、会话及任务统计、模型配置和计分方法;这些信息未包含在本帖中。动态榜单后续可能变化,应以带日期的快照引用本结果。
Gemini 4 Carbon