MathArena és una classificació que posa els models d'IA davant de problemes de competicions de matemàtiques i en mesura tant l'encert com el que costa fer-los funcionar. Des de feia temps la liderava un model d'OpenAI. Google va obrir Gemini 4 Carbon, el seu model més potent, a tots els desenvolupadors i abonats el 10 de novembre, i Anthropic havia presentat Claude Fable 5.2 el 9.
Segons la taula que recull The Decoder a partir de les dades publicades per Jasper Dekoninck, un dels responsables de MathArena, Gemini 4 Carbon, amb el raonament al nivell alt, se situa primer amb un rendiment esperat del 85,4% (amb un marge de ±3 punts) i un cost esperat de 15,70 dòlars. El segueixen Claude Fable 5.2, amb el raonament al màxim, amb un 82,8% (±5,3) i 40,20 dòlars, i GPT-6.1 Sol, d'OpenAI, amb un 80,6% (±2,7) i només 1,07 dòlars. Això vol dir que Carbon costa unes quinze vegades més que el model d'OpenAI i Fable 5.2, gairebé quaranta. El millor model obert és Kimi K3.1 Pro, de la xinesa Moonshot AI, amb un 54,3% i 3,70 dòlars.
La classificació il·lustra una tendència que es repeteix: les diferències d'encert entre els models punters s'escurcen, mentre que les de preu creixen. Per a qui els fa servir de manera intensiva, el cost per problema resolt pot pesar més que tres o quatre punts de diferència. També es veu la distància que encara separa els models oberts dels comercials en aquest tipus de raonament. The Decoder destaca que l'error més freqüent de Carbon és passar-se del temps límit: rarament abandona un problema, i en un cas va tenir un programa en marxa més d'onze hores sense comprovar com anava.
Les xifres s'han de llegir amb prudència. Els marges d'error se solapen: amb ±5,3 punts, Fable 5.2 podria estar empatat amb Carbon, i la diferència amb GPT-6.1 Sol tampoc no és concloent. Els costos depenen del nivell de raonament triat en cada cas, i amb una altra configuració podrien canviar. A més, la prova mesura un tipus molt concret de matemàtiques de competició, que no equival a la capacitat de fer recerca matemàtica ni a l'utilitat en altres tasques.