Google acaba de llançar un model de hacking. Aquí teniu la diferència.

Què cobreix aquest vídeo

• Google llança Gemini 3.8 Flash + Flash Cyber (86,2% CyberGym, programa Fairwind)
• Meta llança Muse Spark 1.3: 1,25 $/4,25 $, o 0,10 $/0,20 $ si Meta pot entrenar-hi
• Tres llocs van crear 215.128 pàgines falses de "millor programari"; Perplexity les cita

Transcripció traduïda

Traduït de la narració original en anglès. L'àudio i els subtítols disponibles estan controlats per YouTube.

0:00 Google va llançar avui el seu tercer model Flash en sis setmanes, més una versió entrenada per hackejar, i quatre hores més tard, Meta va llançar un model que costa deu cèntims per milió de tokens si deixes que Zuckerberg llegeixi el teu codi, de manera que la guerra de preus de la IA ara té una divisió de ciberseguretat. És dimecres, i la diferència és llarga. Gemini 3.8 Flash va assolir mil cent punts a Hacker News, Muse Spark 1.3 va obtenir gairebé set-cents més, i entremig, una botiga de recerca va trobar tres llocs web que van publicar dos-cents quinze mil

0:28 pàgines falses del millor programari purament perquè Perplexity les cités. També avui: una publicació que et suplicava que mantinguessis el teu Firefox va obtenir nou-cents vuitanta-vuit punts, i la pàgina d'ajuda de Mistral per desactivar l'entrenament va obtenir gairebé cinc-cents, majoritàriament d'europeus que descobrien que l'opció sobirana entrena amb les teves indicacions per defecte. En aquest vídeo: el que realment costa Gemini 3.8 Flash, el model de hacking que Google només vendrà a sis-cents cinquanta socis, el nivell de deu cèntims de Meta i el que realment cobra, i l'únic benchmark que cap de les dues empreses va escriure.

0:59 És dimecres, 2 de setembre, i això és The Daily Diff. Gemini 3.8 Flash té un cost de setanta-cinc cèntims per milió de tokens d'entrada i tres setanta-cinc de sortida, igual que 3.7 Flash de fa tres setmanes, amb una nota a peu de pàgina que diu que el preu es duplica l'1 de gener, que és una prova gratuïta amb passos addicionals. En els benchmarks de presentació, que són invictes, obté un 54,9% a HLE-Verified, X diu que supera Sol i Opus 5 a Terminal-Bench, i Logan Kilpatrick va publicar un 73,7 a DeepSWE, l'únic benchmark de codificació de llarg abast

1:29 que encara no s'ha memoritzat, suposadament. Simon Willison li va demanar que fes una cosa genial en HTML i va obtenir una simulació de partícules en tretze segons per 1,8 cèntims, funcionant a seixanta fotogrames per segon, perquè el seixanta estava codificat a la pàgina. La pròpia publicació de Google explica els guanys amb una frase que emmarcaria: 3.8 Flash treballa més. Executa passos de raonament addicionals, crida eines de forma iterativa, i, cito, podria utilitzar més tokens, que és la manera corporativa de dir que el comptador corre més ràpid. La junta independent de DeepSWE està d'acord en ambdós aspectes: Flash obté un setanta-quatre

2:02 per cent, empatat amb Opus 5 a una cinquena part del cost per tasca, però va necessitar cent seixanta-sis passos i cent quaranta-tres mil tokens de sortida per arribar-hi, més del doble del que va gastar Sol. Artificial Analysis va cremar cent quaranta milions de tokens i mil setanta-vuit dòlars només per qualificar-lo. Barat per token, xerraire per tasca, i el primer token arriba després de dotze segons de pensar. Després, la meitat interessant.

2:23 Gemini 3.8 Flash Cyber és el mateix model amb les barres de seguretat afluixades per a, cito, defensors de confiança, i Sundar diu que arriba al 86,2% a CyberGym, el benchmark per trobar vulnerabilitats de forma autònoma. També parcheja: 47,2% a CWE-Bench contra 47,8 per a un model de frontera líder, l'equip de Chrome diu que va produir 2,6 vegades més pegats correctes que models comercials molt més grans, i els investigadors del núvol de Google el van utilitzar per trobar una vulnerabilitat crítica en menys de dues hores, una feina que normalment triga mesos, o un adolescent motivat.

2:54 Google insisteix que va prioritzar la correcció sobre l'explotació, que és la forma educada de dir que el model pot travessar els forats, només li van demanar que no ho fes. Així que no el pots tenir. L'accés es fa a través d'un nou programa Fairwind: governs, infraestructures crítiques i sis-cents cinquanta socis verificats amb obligació doble factor. Cada laboratori de la frontera posseeix ara un model de hacking que no et vendrà, i aquesta setmana és un de barat.

3:16 Quatre hores més tard, Meta va llançar Muse Spark 1.3, i Zuck el va anomenar rendiment de frontera gairebé massa barat per mesurar, cosa que és cert, amb un asterisc de la mida de Menlo Park. El punt final normal és d'un dòlar vint-i-cinc d'entrada i quatre vint-i-cinc de sortida, més que Gemini. El punt final del contribuent és de deu cèntims d'entrada, vint cèntims de sortida, lectures de memòria cau a un cinquè de cèntim, fins a vint vegades més barat, i l'única diferència és una columna que diu utilitzat per millorar els nostres productes.

3:40 Així que el descompte és la transcripció de la teva sessió, i per una vegada ningú ha de llegir la llicència, perquè Meta va escriure la llicència com una llista de preus. Comentari principal: ara és completament obvi quant val robar els meus tokens. El segon comentari es pregunta quant trigarà algú a extreure una clau d'AWS d'un model entrenat amb indicacions de contribuïdors. En la pròpia taula de resultats de Meta, Spark 1.3 obté un 75.4 en DeepSWE, per sobre de Sol i Opus 5, i Meta diu que utilitza un vint per cent menys de trucades d'eina

4:06 i un vint-i-cinc per cent menys de tokens que l'1.2, la aposta exactament oposada a la de Google, així que avui les dues empreses de publicitat més grans del món discrepen sobre si parlar més és bo. Mentrestant, Trellner Research va preguntar a Perplexity quin era el millor programari en tres-centes vuitanta categories i va llegir cada citació: el 59.8 per cent provenia de llocs fora dels cent mil primers, Viquipèdia va ser citada tres vegades de set mil cinc-cents, i tres llocs germans amb dos-cents quinze mil guies de compra generades titulen les seves pàgines d'inici Facts and Grounding Page,

4:34 adreçades al rastrejador, no a tu. La guerra de l'SEO amb IA ha començat, i la seva primera arma és l'expressió regular amb un pressupost de màrqueting. Això són molts preus per a un dimecres; si prefereixes llegir això en lloc de sentir-m'ho dir, el diff arriba a la teva safata d'entrada cada matí — gratuït a the daily diff dot dev, enllaç a continuació. Així doncs, el veredicte d'avui: SHIP IT. Gemini 3.8 Flash empata amb Opus 5 en l'únic tauler que Google no va escriure, per un cinquè del preu.

5:00 Només cal llegir la factura dels tokens i els encapçalaments de columna de Meta. Aquesta és la diferència d'avui. Sóc Niko d'Axrisi. Fusiona amb responsabilitat. Mergeix amb responsabilitat.

Fonts

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