Google je upravo isporučio model za hakovanje. Evo razlike.

Šta ovaj video pokriva

• Google isporučuje Gemini 3.8 Flash + Flash Cyber (86,2% CyberGym, Fairwind Program)
• Meta isporučuje Muse Spark 1.3: 1,25 USD/4,25 USD, ili 0,10 USD/0,20 USD ako Meta smije trenirati na njemu
• Tri stranice su napravile 215.128 lažnih stranica "najbolji softver"; Perplexity ih citira

Prevedeni transkript

Prevedeno iz originalne engleske naracije. Dostupan zvuk i titlovi kontroliše YouTube.

0:00 Google je danas isporučio svoj treći Flash model u šest sedmica, plus verziju obučenu za hakovanje, a četiri sata kasnije Meta je isporučila model koji košta deset centi po milionu tokena ako dozvolite Zuckerbergu da čita vaš kod, tako da rat cijena AI sada ima odjel za kibernetičku sigurnost. Srijeda je, a razlika je velika. Gemini 3.8 Flash je dostigao jedanaest stotina bodova na Hacker News-u, Muse Spark 1.3 je dobio skoro sedam stotina više, a između toga, istraživačka radionica je pronašla tri web stranice koje su objavile dvjesto petnaest hiljada

0:28 lažnih stranica najboljeg softvera čisto kako bi ih Perplexity citirao. Također danas: objava koja vas moli da se držite svog Firefoxa dobila je devet stotina osamdeset i osam bodova, a Mistralova stranica za pomoć o odustajanju od treninga dobila je skoro pet stotina, uglavnom od Evropljana koji otkrivaju suverenu opciju koja trenira na vašim uputama prema zadanim postavkama. U ovom videu: koliko zapravo košta Gemini 3.8 Flash, model za hakovanje koji Google će prodati samo šesto pedeset partnera, Meta-in nivo od deset centi i šta on stvarno naplaćuje, i jedno mjerilo koje nijedna kompanija nije napisala.

0:59 Srijeda je, 2. septembar, a ovo je The Daily Diff. Gemini 3.8 Flash je sedamdeset pet centi po milionu ulaznih tokena i tri sedamdeset pet izlaznih, isto kao i 3.7 Flash od prije tri sedmice, s fusnotom koja kaže da se cijena udvostručuje 1. januara, što je besplatna proba s dodatnim koracima. Na mjerilima slajdova, koja su nepobjediva, postiže 54,9 posto na HLE-Verified, X kaže da nadmašuje Sol i Opus 5 na Terminal-Bench, a Logan Kilpatrick je objavio 73,7 na DeepSWE, jedinom dugoročnom

1:29 mjerilu kodiranja koje još nije memorisano, navodno. Simon Willison ga je zamolio da napravi nešto cool u HTML-u i dobio je simulaciju čestica za trinaest sekundi za 1,8 centi, koja radi na šezdeset sličica u sekundi, jer je šezdeset bilo fiksno kodirano u stranicu. Googleova vlastita objava objašnjava dobitke rečenicom koju bih uramio: 3.8 Flash radi više. Izvršava dodatne korake zaključivanja, iterativno poziva alate, i, citiram, možda koristi više tokena, što je korporativno za brže okretanje brojača. Nezavisni odbor DeepSWE slaže se po oba pitanja: Flash postiže sedamdeset četiri

2:02 posto, izjednačen s Opusom 5 po petini cijene po zadatku, ali mu je trebalo sto šezdeset šest koraka i sto četrdeset tri hiljade izlaznih tokena da bi to postigao, više nego dvostruko više nego što je Sol potrošio. Umjetna analiza je potrošila sto četrdeset miliona tokena i hiljadu sedamdeset osam dolara samo da ga ocijeni. Jeftin po tokenu, brbljiv po zadatku, a prvi token stiže nakon dvanaest sekundi razmišljanja. Zatim zanimljiva polovina.

2:23 Gemini 3.8 Flash Cyber je isti model s olabavljenim sigurnosnim ogradama za, citiram, pouzdane branitelje, a Sundar kaže da postiže 86,2 posto na CyberGym, mjerilu za autonomno pronalaženje ranjivosti. Također krpi: 47,2 posto na CWE-Bench u odnosu na 47,8 za vodeći granični model, tim Chromea kaže da je proizveo 2,6 puta više ispravnih zakrpa od mnogo većih komercijalnih modela, a Googleovi istraživači u oblaku su ga koristili za pronalaženje kritične ranjivosti za manje od dva sata, posao koji obično traje mjesecima, ili jedan motivirani tinejdžer.

2:54 Google insistira da je prioritet dao popravljanju umjesto eksploataciji, što je pristojan način da se kaže da model apsolutno može proći kroz rupe, samo su ga zamolili da to ne radi. Tako da ga ne možete imati. Pristup ide kroz novi Fairwind Program: vlade, kritična infrastruktura i šesto pedeset provjerenih partnera s obaveznim dvofaktorska. Svaka laboratorija na granici sada posjeduje hakerski model koji vam neće prodati, a ove sedmice je to jeftin model.

3:16 Četiri sata kasnije, Meta je objavila Muse Spark 1.3, a Zuck ga je nazvao graničnim performansama skoro prejeftinim za mjerenje, što je istina, sa jednom zvjezdicom veličine Menlo Parka. Normalna krajnja tačka je dolar dvadeset pet ulaznih i četiri dvadeset pet izlaznih, više od Gemini. Krajnja tačka saradnika je deset centi ulaznih, dvadeset centi izlaznih, čitanje keša za petinu centa, do dvadeset puta jeftinije, a jedina razlika je kolona koja kaže 'koristi se za poboljšanje naših proizvoda'.

3:40 Dakle, popust je vaš transkript sesije, i za promjenu niko ne mora čitati licencu, jer je Meta napisala licencu kao cjenovnik. Gornji komentar: sada je potpuno očigledno koliko vrijedi krađa mojih tokena. Drugi komentar se pita koliko dugo dok neko ne izvuče AWS ključ iz modela obučenog na upitima saradnika. Na Metinoj vlastitoj ocjenjivačkoj kartici, Spark 1.3 dobija 75,4 na DeepSWE, iznad Sol i Opus 5, i Meta kaže da koristi dvadeset posto manje poziva alata

4:06 i dvadeset pet posto manje tokena od 1.2, potpuno suprotna opklada od Googlea, pa se danas dvije najveće reklamne kompanije na Zemlji ne slažu oko toga da li je više razgovora dobro. U međuvremenu, Trellner Research je pitao Perplexity za najbolji softver u tri stotine osamdeset kategorija i pročitao svaku citiranu referencu: 59,8 posto je došlo sa sajtova izvan top sto hiljada, Wikipedia je citirana tri puta od sedam i po hiljada, i tri sestrinska sajta sa dvije stotine petnaest hiljada

4:34 generiranih vodiča za kupovinu naslovljavaju svoje početne stranice 'Činjenice i stranica osnova', adresirano na indeksator, ne na vas. AI SEO rat je počeo, i njegovo prvo oružje je regex sa budžetom za marketing. To je mnogo cjenovnika za jednu srijedu; ako biste radije pročitali ovo nego čuli me kako to govorim, The Daily Diff stiže u vaš inbox svako jutro — besplatno na daily diff dot dev, link ispod. Dakle, današnja presuda: SHIP IT. Gemini 3.8 Flash se izjednačava s Opusom 5 na jednoj ploči koju Google nije napisao,

5:00 za petinu cijene. Samo pročitajte račun za tokene i pročitajte zaglavlja Metinih kolona. To je današnji The Daily Diff. Ja sam Niko iz Axrisi. Spajajte odgovorno.

Izvori

1. Introducing Gemini 3.8 Flash and 3.8 Flash Cyberblog.google
2. Fairwind Programblog.google
3. DeepSWE v1.1 leaderboarddeepswe.datacurve.ai
4. Artificial Analysis: Gemini 3.8 Flashartificialanalysis.ai
5. Muse Spark 1.3 pricingdeveloper.meta.com
6. Introducing Muse Spark 1.3research.meta.ai
7. Hang on to Your Firefoxwww.newsonaut.com
8. Mistral: opting out of traininghelp.mistral.ai
9. HN: Gemini 3.8 Flashnews.ycombinator.com
10. HN: Muse Spark 1.3news.ycombinator.com
11. HN: 215,128 "best software" pagesnews.ycombinator.com