Am 14. November 2026 hat der unabhängige Mathe-Benchmark MathArena seine Bestenliste aktualisiert: Googles Gemini 4 Carbon übernahm mit 85,4 % erwarteter Leistung den ersten Platz, verdrängte OpenAIs GPT-6.1 Sol (80,6 %) auf Rang drei, während Anthropics Claude Fable 5.2 (82,8 %) Zweiter wurde. Es ist das erste Mal seit Langem, dass ein Modell, das nicht von OpenAI stammt, diese Liste anführt — doch der Preis ist hoch: Carbon kostet 15,70 US-Dollar pro Aufgabe, etwa das 15-Fache von Sol.
Was dieser Benchmark eigentlich misst
MathArena wird von Jasper Dekoninck betrieben, einem Forscher an der ETH Zürich. Sein Markenzeichen: Es werden nur neu veröffentlichte Mathematik-Wettbewerbs- und Forschungsaufgaben verwendet, damit Modelle nicht durch Auswendiglernen punkten können; jedes Modell löst jede Aufgabe viermal, der Durchschnitt zählt. Carbons Ergebnis wurde mit der Reasoning-Stufe „high" erzielt, Sols mit „max". Die Bestenliste nahm am 13. November die Ergebnisse von Carbon und Fable 5.2 gleichzeitig auf: Carbon ist erst seit dem 10. November allgemein verfügbar, Fable 5.2 erschien am 9. November, während Sol seit seiner Veröffentlichung am 29. September die Spitze gehalten hatte. Ein Vorbehalt bleibt: Carbons 85,4 % haben ein Konfidenzintervall von plus/minus 3,0 Prozentpunkten — und Fable 5.2, das noch höher punktete, ist mit 40,20 Dollar pro Aufgabe noch teurer.
Ist der teuer erkaufte Vorsprung sein Geld wert?
Für alle, die Modelle für Mathematik einsetzen, stehen die nützlichsten Zahlen in der Kostenspalte: Sol kostet 1,07 Dollar pro Aufgabe, Kimi K3.1 Pro 3,70 Dollar — gegenüber 15,70 Dollar für Carbon und 40,20 Dollar für Fable. Dekoninck selbst mahnt zur Vorsicht: Wegen der Kosten wurde Carbon nur in der ArXivLean-Auswertung vollständig durchlaufen; einige seiner Werte sind statistische Schätzungen, keine Messungen. Google hat zur Spitzenplatzierung nichts veröffentlicht; Sundar Pichai und Demis Hassabis haben lediglich den Beitrag des Benchmark-Betreibers geteilt, ohne Kommentar. Der erste Platz ist also echt — aber er wurde mit einer hohen Reasoning-Stufe und einer hohen Inferenzrechnung erkauft.
Wie man diese Liste bei der Modellauswahl lesen sollte
Die Liste ist eher eine Momentaufnahme als ein Urteil: Sie beweist, dass Carbon bei reiner mathematischer Schlussfolgerung tatsächlich zur Spitze gehört. Ob die zusätzlichen 4,8 Punkte im Alltag das 15-Fache wert sind, hängt davon ab, wie schwer die Aufgaben sind und wie groß das Budget ist. Googles schnelles Modell Hydrogen geht einen anderen Weg und setzt auf Preis-Leistung, während die Einstiegshürde und die Preise von Fable 5.2 eine ganz andere Rechnung sind. Sobald Carbon auf mehr Auswertungen gemessene Ergebnisse vorlegt und sich die Preise stabilisiert haben, lohnt sich ein zweiter Blick auf die Rangliste.
