Gemini 4 Carbon de la Google reduce costul de rulare per sarcină la puțin peste 16 dolari, adică mai puțin de o treime din costul Claude Opus 5.5 de la Anthropic, estimat la aproximativ 51 de dolari per sarcină, potrivit benchmark-ului GDPx realizat de SemiAnalysis.
Clasamentul GDPx plasează Opus 5.5 pe primul loc, iar Gemini 4 Carbon îl urmează la mică distanță în ceea ce privește scorul brut. Deși nu ocupă prima poziție, Gemini 4 Carbon combină o performanță apropiată de cea a liderului pieței cu un cost per sarcină considerabil mai mic, ceea ce îi oferă noului model Google un avantaj clar din perspectiva raportului calitate-preț.
GDPx compară modele de frontieră de la Google, OpenAI, Anthropic și Meta, evaluând atât scorul obținut, cât și costul de rulare per sarcină. Benchmark-ul include 206 sarcini din finanțe, știința materialelor, securitate cibernetică, inginerie software, drept și biologie, astfel încât rezultatele nu se rezumă la generarea de text sau la răspunsuri la întrebări uzuale.
În clasamentul complet GDPx, Opus 5.5 obține cel mai mare scor general, iar Gemini 4 Carbon îl urmează cu un decalaj relativ redus. Diferența de cost este însă mult mai mare: SemiAnalysis raportează aproximativ 51 de dolari per sarcină pentru Opus 5.5, față de puțin peste 16 dolari pentru Gemini 4 Carbon. GPT-6 Astra de la OpenAI apare imediat după acestea, însă a obținut un scor mai mic decât Gemini 4 Carbon și un cost mediu mai ridicat, de aproximativ 54 de dolari per sarcină, potrivit raportului.
Comparația dintre cele trei modele evidențiază diferența dintre liderul la performanță și cel mai avantajos din punct de vedere economic: Opus 5.5 conduce la scorul brut, Gemini 4 Carbon se apropie de această performanță la un cost semnificativ mai mic, iar GPT-6 Astra rămâne în urma ambelor modele, deși costă mai mult per sarcină.
Clasament ajustat și filtre de siguranță
SemiAnalysis a publicat și un clasament ajustat, care exclude sarcinile din securitate cibernetică, biologie și aliniere. Eliminarea acestor trei domenii a schimbat ordinea din vârf și a plasat GPT-6 Astra pe primul loc. GPT 6.1 Sol și Opus 5.5 s-au clasat, de asemenea, înaintea lui Gemini 4 Carbon în lista ajustată. Cercetătorii spun că această a doua ierarhie se potrivește mai bine cu impresiile lor subiective privind capabilitățile modelelor.
Raportul notează că măsurile de siguranță aplicate unor modele precum Claude și anumitor variante GPT pot împiedica finalizarea unor sarcini de securitate cibernetică, biologie sau aliniere. Aceste protecții pot influența scorurile brute GDPx, astfel că rezultatul unui model reflectă uneori atât capacitatea sa tehnică, cât și măsura în care i se permite să răspundă la solicitări sensibile.
Modelul de frontieră anterior al Google, Gemini 4 Argon, s-a clasat pe locul opt atât în clasamentul complet, cât și în cel ajustat, situându-se peste Muse Wonder de la Meta și sub Wonder Full. Costul per sarcină al lui Argon în GDPx a fost doar puțin mai mic decât cel al Gemini 4 Carbon. Acest decalaj redus de cost, coroborat cu poziția superioară a lui Carbon, indică un raport scor-cost îmbunătățit pentru noul model Google.
Analiza dedicată exclusiv sarcinilor de securitate cibernetică schimbă ierarhia: ambele modele Google au obținut scoruri mai mari decât cele de la OpenAI și Anthropic în acest domeniu, însă au rămas în urma familiei Muse de la Meta, pe care GDPx o indică drept cea mai performantă în securitate cibernetică, cu un avans semnificativ. SemiAnalysis adaugă că diferențele de cost raportate ar putea avea un impact financiar substanțial în testări repetate, la volum mare, și în implementări enterprise.
Lasă un comentariu
Comentarii
Niciun comentariu încă. Fii primul.