BenchLeader

Gemini 3 Pro vs Gemini 4 Carbon

完整资料:Gemini 3 Pro(Google)和 Gemini 4 Carbon(Google),包括全部基准测试、价格和排名。

更新于 · 数据来自 18 个来源

截至 2026年11月16日,质量上 Gemini 4 Carbon 领先 Gemini 3 Pro(BenchLeader Index 68.9 比 60.0)。两者价格相近(每百万 token 混合价格 $4.50 比 $4.00)。在两者都有成绩的所有类别中,Gemini 4 Carbon 均领先。

要点(截至 2026年11月16日)

  • Gemini 3 Pro 的 BenchLeader Index 为 60.0,Gemini 4 Carbon 为 68.9(BenchLeader,2026年11月16日)。
  • Gemini 3 Pro 每百万 token 混合价格为 $4.50(标价,2026年11月16日)。
  • Gemini 4 Carbon 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • 在两者都有结果的 13 项基准测试中,Gemini 4 Carbon 领先 12 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 3 Pro 的评分为 1441,Gemini 4 Carbon 为 1768(LMArena,截至 2026年11月16日 的公布数据)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程Gemini 4 Carbon类别得分 74 比 58;Arena WebDev 1768 比 1441高
智能体与工具调用Gemini 4 Carbon类别得分 70 比 62;Terminal-Bench 64.5% 比 69.4%高
数学Gemini 4 Carbon类别得分 72 比 54;OTIS Mock AIME 100.0% 比 91.4%高
推理Gemini 4 Carbon类别得分 73 比 63;GPQA Diamond 96.5% 比 92.6%高
知识Gemini 4 Carbon类别得分 76 比 56高
对话质量(人类偏好)Gemini 4 CarbonArena 投票 73 比 68中
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • 质量上 Gemini 4 Carbon (high) 领先:68.9 比 60.0。
  • Gemini 4 Carbon (high) 在智能体与工具、编程、人类偏好、知识、数学、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $4.00)。

概览

规格Gemini 3 ProGemini 4 Carbon
提供商GoogleGoogle
发布日期2025年11月18日2026年10月28日
上下文窗口(token)–1,048,576
对比时的配置Gemini 3 ProGemini 4 Carbon (high)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)–$2.00 / $10.00 / $0.100

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Gemini 3 ProGemini 4 Carbon (high)领先者
推理62.673.2Gemini 4 Carbon
编程57.874.1Gemini 4 Carbon
智能体与工具61.770.3Gemini 4 Carbon
数学54.071.9Gemini 4 Carbon
知识55.976.1Gemini 4 Carbon
指令遵循61.1–无法比较
人类偏好67.772.6Gemini 4 Carbon
多模态65.6–无法比较
长上下文–64.3无法比较
综合–70.3无法比较

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学知识人类偏好Gemini 3 Pro, 推理: 62.6Gemini 3 Pro, 编程: 57.8Gemini 3 Pro, 智能体与工具: 61.7Gemini 3 Pro, 数学: 54.0Gemini 3 Pro, 知识: 55.9Gemini 3 Pro, 人类偏好: 67.7Gemini 4 Carbon, 推理: 73.2Gemini 4 Carbon, 编程: 74.1Gemini 4 Carbon, 智能体与工具: 70.3Gemini 4 Carbon, 数学: 71.9Gemini 4 Carbon, 知识: 76.1Gemini 4 Carbon, 人类偏好: 72.6

未绘制(测得的模型少于两个):指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 13 项基准测试中,Gemini 3 Pro 领先 1 项,Gemini 4 Carbon 领先 12 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。

综合 IndexGemini 3 ProGemini 4 Carbon (high)领先者
BenchLeader Index60.068.9Gemini 4 Carbon
Arena Text14861526Gemini 4 Carbon

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Gemini 3 ProGemini 4 Carbon (high)
每百万 token 混合价格–$4.00
每百万 token 输入 / 输出– / –$2.00 / $10.00
每百万 token 缓存输入–$0.100
每项任务价格:聊天回复–$0.0038
每项任务价格:总结一份 30 页的报告–$0.030
每项任务价格:代码编辑–$0.027
每项任务价格:智能体编程会话–$0.160
每项任务价格:结构化信息提取–$0.0060
智能体编程会话(输入大多命中缓存)–$0.074
每项基准测试任务成本(AA Index)–$5.48
每项任务输出 token(AA Index)–123k
其中推理部分–72k
每项任务耗时(AA Index)–32 min
输出速度–64 tok/s
首次回答时间–73.5 秒
完整回答耗时(最近一次测量 2026年11月13日)–160.6 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3 Pro 得分 60.0;Gemini 3 Pro (high) 为 60.0。Gemini 4 Carbon (high) 得分 68.9,首个回答 token 需 73 秒;Gemini 4 Carbon (medium) 为 65.8(21 秒),Gemini 4 Carbon (low) 为 60.1(11 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 170 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Gemini 3 ProGemini 4 Carbon (high)
BenchLeader IndexBenchLeader60.068.9
智能体与工具得分BenchLeader61.770.3
编程得分BenchLeader57.874.1
人类偏好得分BenchLeader67.772.6
指令遵循得分BenchLeader61.1–
知识得分BenchLeader55.976.1
数学得分BenchLeader54.071.9
多模态得分BenchLeader65.6–
推理得分BenchLeader62.673.2
综合得分BenchLeader–70.3
长上下文得分BenchLeader–64.3
混合价格(美元/百万 token)BenchLeader–$4.00
输出速度BenchLeader–64 tok/s
首次回答时间BenchLeader–73.5 秒
上下文窗口BenchLeader–1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.6%96.5%
Humanity's Last ExamScale AI / CAIS37.5%–
SimpleBenchSimpleBench76.4%92.6%†
Arena Hard PromptsArena (LMArena)15021547
LiveBench 2.0 ReasoningLiveBench–90.6%
GPQA Diamond (AA)Artificial Analysis90.8%†–
Humanity's Last Exam (AA)Artificial Analysis39.7%†–
HLE-Diamond (AA)Artificial Analysis–69.1%
GPQA Diamond (Vals)Vals AI91.7%†–
Kagi LLM BenchmarkKagi LLM Benchmark80.1%–
GPQA Diamond (HELM)HELM Capabilities80.3%–
ARC-AGI-1ARC Prize75.0%97.5%
ARC-AGI-2ARC Prize31.1%92.1%
ARC-AGI-3ARC Prize–96.9%
CritPtArtificial Analysis9.1%†–
CritPt v2 hard subset (AA)Artificial Analysis–69.0%
SciPredictScale AI SEAL25.3%–
Arena ExpertArena (LMArena)14991567
Chess PuzzlesEpoch AI Benchmarking Hub–78.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–73.0%
CL-benchEpoch AI Benchmarking Hub15.8%–
ForecastBenchForecastBench65.0%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub72.9%–
SciCodeSciCode–64.2%
WeirdMLWeirdML69.9%–
显示全部 170 项基准测试
指标发布方Gemini 3 ProGemini 4 Carbon (high)
编程
GSO-BenchGSO-Bench18.6%–
Arena CodingArena (LMArena)15171568
Arena WebDevArena (LMArena)14411768
LiveBench 2.0 CodingLiveBench–91.0%
LiveCodeBenchVals AI86.4%–
SWE-bench (Vals)Vals AI76.4%†–
SWE-Bench ProScale AI SEAL43.3%–
SWE-bench Verified (bash only)SWE-bench74.2%–
SWE-bench Multilingual (bash only)SWE-bench68.7%–
SWE-bench Verified (any scaffold)SWE-bench77.4%–
Vibe Code Bench v1.1Vals AI14.3%†89.1%
Vibe Code Bench 1-100 v1.1Vals AI–49.7%
SWE-Bench Pro (private)Scale AI SEAL17.9%–
SWE Atlas v1.1Scale AI SEAL–71.4%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL–76.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL–64.3%†
CursorBenchCursor–60.4%
ALE-BenchEpoch AI Benchmarking Hub1176.8–
AlgoTuneAlgoTune1.8–
FrontierSWEEpoch AI Benchmarking Hub–61.2%
Terminal-Bench 4.0 (AA)Artificial Analysis–65.2%
Design Arena WebsiteDesign Arena12441319†
FrontierCode 2.0 (AA)Artificial Analysis–40.6%
LiveCodeBench (AA)Artificial Analysis91.8%†–
智能体与工具
Terminal-BenchTerminal-Bench69.4%64.5%
GDPvalOpenAI40.3%–
Remote Labor IndexScale AI / CAIS1.3%–
APEX-AgentsMercor–84.2%†
Arena AgentArena (LMArena)–17
LiveBench Long AgenticLiveBench–72.7%
LiveBench BrowserLiveBench–80.0%
Terminal-Bench HardArtificial Analysis41.7%†–
τ²-Bench Telecom (AA)Artificial Analysis87.1%†–
MCP AtlasScale AI SEAL70.3%–
HiL-BenchScale AI SEAL–50.3%†
BFCL OverallBerkeley Function Calling Leaderboard72.5%–
τ²-benchτ²-bench82.5%†–
τ³-bench Bankingτ²-bench18.0%†–
GDPval-AA v2.1Artificial Analysis–1733
Finance Agent v2.1Vals AI–67.2%
Harvey's Legal Agent Benchmark v1.1Vals AI–17.5%
Legal Research BenchVals AI–55.8%
Poker AgentVals AI1078.9%–
Tax Agent BenchVals AI–51.8%
Terminal-Bench 2.0 (Vals)Vals AI55.1%†–
Terminal-Bench 4.0 (Vals)Vals AI–63.1%
Arena SearchArena (LMArena)1201–
Arena Agent Task CompletionArena (LMArena)–18.4
BALROGBALROG58.1%–
DeepResearch BenchDeepResearch Bench46.3%†–
METR Time HorizonsMETR71.0%–
Vending-Bench 2Andon Labs5478.216484.2†
AutomationBenchArtificial Analysis–77.8%
GDP.pdf (AA)Artificial Analysis–28.4%
AA-Briefcase v1.1Artificial Analysis–1611
GDPxGDPx by SemiAnalysis–10.9%
Design Arena AgenticDesign Arena10801305†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–64.8%
MKA (AA)Artificial Analysis–54.3%
FACTS SearchGoogle–94.4%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–90.5%
FrontierMath Tier 4Epoch AI Benchmarking Hub–95.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub91.4%100.0%
ProofBenchVals AI20.0%–
AIME (Vals)Vals AI96.7%†–
MGSMVals AI93.9%†–
AIME 2026MathArena91.7%–
HMMT February 2026MathArena86.4%–
MathArena ApexMathArena23.4%–
ArXivMathMathArena–94.3%
BrokenArXivMathArena–84.4%
Omni-MATH (HELM)HELM Capabilities55.6%–
MATH 500Vals AI96.4%†–
Arena MathsArena (LMArena)1475–
FrontierMath ErdősEpoch AI Benchmarking Hub–2.9%
AIME 2025 (AA)Artificial Analysis95.7%†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–77.7%
LiveBench 2.0 Data AnalysisLiveBench–86.5%
LiveBench ResearchLiveBench–92.5%
AA-Omniscience v1.1Artificial Analysis–53.5
MMLU-ProVals AI90.1%–
LegalBenchVals AI87.0%†–
CorpFinVals AI63.7%†–
TaxEvalVals AI72.6%†–
MedQAVals AI96.0%†–
PRBench FinanceScale AI SEAL39.2%–
PRBench LegalScale AI SEAL40.6%53.4%†
MultiNRCScale AI SEAL59.0%–
MMLU-Pro (HELM)HELM Capabilities90.3%–
CaseLaw v2Vals AI53.1%†–
Excel Modeling Benchmark v1.1Vals AI–76.5%
MedCodeVals AI52.2%†–
MedScribeVals AI72.0%†–
DrugDiscoveryBenchScale AI SEAL–71.5%
EBR-benchEpoch AI Benchmarking Hub–87.6%
AA-Omniscience v1.1: accuracyArtificial Analysis–58.3%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–88.6%
Global-MMLU-Lite (AA)Artificial Analysis92.2%†–
FACTS ParametricGoogle–81.6%†
指令遵循
IFBenchArtificial Analysis70.4%†–
MultiChallengeScale AI SEAL65.7%–
TutorBenchScale AI SEAL53.7%–
IFEval (HELM)HELM Capabilities87.6%–
WildBench (HELM)HELM Capabilities85.9%–
Arena Instruction FollowingArena (LMArena)14731525
人类偏好
Arena TextArena (LMArena)14861526
EQ-Bench Creative Writing v3EQ-Bench1524–
Arena Creative WritingArena (LMArena)14841516
Arena Multi-turnArena (LMArena)14951564
Arena Longer QueriesArena (LMArena)14911538
多模态
Arena VisionArena (LMArena)1305–
LiveBench DesignLiveBench–80.2%
MMMU-ProArtificial Analysis80.2%†89.3%†
VISTAScale AI SEAL51.5%–
MMMU-Pro (Vals)Vals AI87.5%†–
MortgageTaxVals AI69.1%†–
AudioMCScale AI SEAL54.6%†–
AudioMC (text output)Scale AI SEAL54.6%†–
Humanity's Sixth SenseScale AI SEAL–71.1%
VTBScale AI SEAL26.9%–
GeoBenchGeoBench84.0%–
VPCTEpoch AI Benchmarking Hub91.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–58.6%†
Furniture AssemblyEpoch AI Benchmarking Hub–77.5%
VIALS-AAHandshake AI–64.0%
FACTS MultimodalGoogle–60.2%†
长上下文
AA-LCR v1.1Artificial Analysis76.0%†79.3%
Arena DocumentArena (LMArena)1451–
MLCRArtificial Analysis–19.4%
FACTS GroundingGoogle–77.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.0169.8†
LiveBench 2.0LiveBench–83.5%
AA Intelligence Index v5.0.1Artificial Analysis–60.0
AA Intelligence Index v4.3.2Artificial Analysis28.0†–
AA Progress Index v1Artificial Analysis290.7†350.8
Vals IndexVals AI–70.5
HELM Capabilities meanHELM Capabilities79.9%–
Vals Finance IndexVals AI–67.0%
Vals RSI IndexVals AI–27.7%
Vals Legal IndexVals AI–75.9%
安全与诚实
FORTRESSScale AI SEAL41.7%16.4%†
MASKScale AI SEAL42.6%–
PropensityBenchScale AI SEAL52.9%–
元数据
AA Openness IndexArtificial Analysis5.6†–

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

变化

  • Gemini 3 Pro:1 项分数修订。
  • Gemini 4 Carbon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Gemini 4 Carbon (high):BenchLeader Index 69.9 → 68.9。
  • Gemini 4 Carbon (high):1 项新结果(Terminal-Bench)。
  • Gemini 4 Carbon (high):1 项新结果(DrugDiscoveryBench);输入价格 $4.00/M → $2.00/M;输出价格 $20.00/M → $10.00/M;价格 $7.76/M → $5.48/M。
  • Gemini 4 Carbon (high):BenchLeader Index 68.5 → 69.9。
  • Gemini 4 Carbon (high):13 项新结果(GPQA Diamond, FrontierMath Tiers 1–3, FrontierMath Tier 4…)。
  • Gemini 4 Carbon (high):2 项新结果(FrontierSWE, Vals RSI Index)。
  • Gemini 4 Carbon (high):BenchLeader Index 69.3 → 68.5。
  • Gemini 4 Carbon (high):BenchLeader Index 68.8 → 69.3。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Gemini 3 Pro vs Gemini 4 Carbon:常见问题

Gemini 4 Carbon 比 Gemini 3 Pro 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 60.0。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 4 Carbon (high) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3 Pro 和 Gemini 4 Carbon 哪个更便宜?价格会变吗?
目前 Gemini 4 Carbon 更便宜:每百万 token $4.00 比 $4.50(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Gemini 3 Pro 还是 Gemini 4 Carbon 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 58,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Gemini 3 Pro 为 1441,Gemini 4 Carbon 为 1768。
智能体和工具调用用 Gemini 3 Pro 还是 Gemini 4 Carbon 更好?
Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 比 62,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,Gemini 3 Pro 为 69.4%,Gemini 4 Carbon 为 64.5%。
第三方基准测试对 Gemini 3 Pro 和 Gemini 4 Carbon 的看法一致吗?
在两者都有结果的 13 项基准测试中,Gemini 3 Pro 领先 1 项,Gemini 4 Carbon 领先 12 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。
更多问题(1)
Gemini 4 Carbon 是什么时候发布的?
Gemini 4 Carbon 于 2026年10月28日 发布。