Gemini 4 Carbon testi: Argon, Claude Fable 5.2 ve GPT-6.1 Sol’a karşı 50’den fazla görev
Gemini 4 Carbon'u aynı ayarlarla 50'den fazla görevde rakipleriyle karşılaştırdım. Kaynak uydurmadı ve analizde güçlüydü, ancak hız ve kod güvenilirliğinde tökezledi.

👁 113 okunma
Gemini 4 Carbon’un herkesin kullanımına açıldığı gün (10 Kasım 2026), modeli 50’den fazla görevde sınadım ve aynı görevleri Claude Fable 5.2, GPT-6.1 Sol ve Gemini 4 Argon’a da verdim. Tüm çağrıları aynı ayarlarla OpenRouter üzerinden yaptım. Her yanıtı birim testleri, cevap anahtarı veya otomatik denetleyiciyle değerlendirdim; kişisel izlenimime göre puan vermedim. İşte Carbon’un yapabildikleri, maliyeti ve tökezlediği noktalar.
Önce fiyatlar
| Gemini 4 Carbon | Gemini 4 Argon | Claude Fable 5.2 | GPT-6.1 Sol | |
|---|---|---|---|---|
| 1M token başına API fiyatı (girdi / çıktı) | 30 Kasım’a kadar 2 / 10 USD, sonra 4 / 20 | 30 Kasım’a kadar 2 / 10 USD, sonra 4 / 20 | 8 / 40 USD | 2 / 10 USD |
| Bağlam penceresi | 1,048,576 | 1,048,576 | 1,000,000 | 1,050,000 |
Aynı görevlerde sonuçlar
| Görev | Carbon | Argon | Fable 5.2 | GPT-6.1 Sol |
|---|---|---|---|---|
| 23 pratik görev (düşük akıl yürütme düzeyi) | %99,5*, 0,23 USD, 264 sn | %99,5*, 0,22 USD, 135 sn | %100, 1,37 USD, 190 sn | %100, 0,22 USD, 180 sn |
| Ajan: tuzak içeren 6 belge, tablo, Python ile kontrol | 10/10, 54 sn | 10/10, 38 sn | 10/10, 31 sn | 10/10, 20 sn |
| Sıfırdan hesap tablosu motoru, 34 birim testi | 34/34, 0,47 USD, 518 sn | 34/34, 0,05 USD, 64 sn | 34/34, 0,82 USD, 201 sn | 34/34, 0,05 USD, 77 sn |
| Flask uygulamasında güvenlik incelemesi, kasıtlı eklenmiş 8 açık | 8/8 | 8/8 | 8/8 | 8/8 |
| Sızma sonrası web sunucusu günlüğü (SOC analizi) | 7/7 | 7/7 | 7/7 | 7/7 |
| Açık içeren modülü yamalama, 14 test (orta düzey) | 0/14 (girinti hatası) | 14/14 | 14/14 | 3/14 (yalnızca Windows’ta görülen sorun) |
| 6 kodlama görevi, 76 birim testi (orta düzey) | 63/76 | 76/76 | 76/76 | 76/76 |
| Uydurma kaynak kontrolü: 16 bilimsel makale | 0 uydurma, 2 küçük hata | 2 uydurma | 0 uydurma, 0 hata | 0 uydurma, 1 hata |
| Görsel anlama: grafik, tablo ve fiş üzerine 10 soru | 10/10 | 10/10 | 10/10 | 10/10 |
* Değerlendirici, doğru bir dilbilgisi biçimi için bir puan kesti. Hata değerlendiricideydi ve iki Gemini modelini de aynı şekilde etkiledi.
Carbon neleri iyi yaptı?
Kaynak uydurmadı. İki konuda, DOI bilgileriyle birlikte 8’er hakemli yayın istedim. Carbon’un verdiği 16 makalenin tamamı gerçek; hepsini Crossref, OpenAlex ve kütüphane kataloglarında kontrol ettim. Bir DOI bağlantısı açılmadı, bir raporun da yılı yanlıştı. Argon, ekim ayında aynı istemde 16 kaynaktan 2’sini uydurmuştu.
Belgeleri seçerek okuyor. Ajan görevinde Carbon’a üç araç (belgeleri listeleme, belge okuma, Python çalıştırma) ve biri güncelliğini yitirmiş 2025 fiyat listesi olmak üzere altı belge verdim. Eski dosyayı yalnızca başlığına bakarak atladı, güncel dört belgeyi okudu, bir maliyet fonksiyonu yazıp bir kez çalıştırdı ve tam istediğim biçimde yanıt verdi. 54 saniye, 0,03 USD.
Bir analist gibi düşünüyor. 92 satırlık erişim günlüğünden kaba kuvvet saldırısının IP adresini, ele geçirilen hesabı, başarılı girişin gerçekleştiği tam saniyeyi, 20 saniye sonraki CSV dışa aktarımını ve URL kodlamalı ..%2f üzerinden başarılı olan dizin geçişi saldırısını buldu. Engellenen /etc/shadow girişimini veri sızıntısıyla karıştırmadı. Parolasını yazarken tek bir yazım hatası yapan sıradan kullanıcıyı da yanlış alarm olarak işaretledi.
Özenli kod yazıyor. Hesap tablosu motoru; formüller, aralıklar, SUM/MIN/MAX/AVG/IF, beş hata kodu, döngü tespiti ve Python’ın özyineleme sınırına takılmayan 900 hücrelik bir zinciri kapsıyordu. Ortaya kendi ayrıştırıcısı olan, özyineleme yerine üreteç tabanlı değerlendirme kullanan 639 satırlık kod çıktı. 34 testin tamamını geçti.
Nerelerde tökezliyor?
Token sınırının tamamını düşünmeye harcayabiliyor. Orta akıl yürütme düzeyindeki bir düzenli ifade görevinde Carbon, 16,000 token’ın tamamını akıl yürütmeye harcadı ve hiç kod döndürmedi (0,16 USD). Sınırı 64,000 yaptığımda görevi 248 saniyede, 0,17 USD karşılığında çözdü. Düşük düzeyde ise aynı görevi 13 saniyede, 0,007 USD karşılığında çözdü. Sonuç yine 13/13, maliyet 25 kat daha düşüktü. Hesap tablosu görevinde yüksek düzeyde 47,997 token’ı düşünmeye harcadı ve hiçbir çıktı vermedi.
Yalın API kullanımında kendi çıktısını kontrol etmiyor. Açık içeren modülü orta düzeyde yamalarken doğru düzeltmeleri yaptı: parametreli SQL, 600,000 yinelemeli PBKDF2, rastgele salt ve sabit zamanlı karşılaştırma. Ancak bir satırdaki fazladan boşluk yüzünden Python dosyayı kabul etmedi ve 14 testin tamamı başarısız oldu. Yüksek düzeyde ise 308 saniyede, 0,31 USD karşılığında 14/14 sonucuna ulaştı.
Yavaş. Aynı görevlerde Argon, benzer doğrulukla 1,4 ile 8 kat daha hızlıydı.
Google · KaynaklarınızParıldak'ı Google'ınızda üst sıralara taşıyın - tek tıklaTercih ettiğiniz kaynaklara ekleyin →Hangisini seçmeli?
- Gemini 4 Carbon: Hatanın zamandan daha pahalıya mal olduğu işler için: güvenlik incelemeleri, kaynak gösterilmesi gereken araştırmalar, zor bir hatayı bulma ve diğer ajanları koordine etme. Düşük veya orta düzeyde başlayın, çıktı sınırını yüksek tutun.
- Gemini 4 Argon: Günlük yazı işleri, özetler ve rutin kodlama için. Token başına fiyatı aynı, çok daha hızlı.
- GPT-6.1 Sol: Maliyete dikkat ediyorsanız. Pratikte en ucuzu ve hızlı.
- Claude Fable 5.2: Kontrol etmeden çalışan koda ihtiyacınız varsa. Hiçbir görevde hata yapmadı, ancak token başına fiyatı dört kat yüksek.
Fiyatlar, erişim bilgileri ve Google’ın kendi karşılaştırmalı testleri Gemini 4 Carbon rehberimde.
Parıldak'taki benzer konular
haberler·Teknoloji patronlarına honey trap: mahkeme kayıtları gerçekte ne gösteriyor?Mahkeme kayıtlarında bir teknoloji şirketi yöneticisini ayartan istihbarat servisine ait tek bir mahkûmiyet bulamadım. Casusluk başka kapılardan giriyor.

