Googlek hacking eredu bat kaleratu du. Hona hemen desberdintasuna.

Bideo honek zer jorratzen duen

• Googlek Gemini 3.8 Flash + Flash Cyber kaleratu ditu (86.2% CyberGym, Fairwind Programa)
• Metak Muse Spark 1.3 kaleratu du: $1.25/$4.25, edo $0.10/$0.20 Metak horrekin entrenatu dezakeen kasuan
• Hiru gunek 215.128 "software onena" faltsu orrialde sortu zituzten; Perplexity-k horiek aipatzen ditu

Itzulitako transkripzioa

Jatorrizko ingelesezko narraziotik itzulia. Eskuragarri dauden audioa eta azpitituluak YouTube-k kontrolatzen ditu.

0:00 Googlek bere hirugarren Flash eredua kaleratu zuen gaur sei astetan, gainera, hackeatzeko entrenatutako bertsio bat, eta lau ordura Metak eredu bat kaleratu zuen milioi bakoitzeko hamar zentimo balio duena, Zuckerberg-i zure kodea irakurtzen uzten badiozu, beraz, AI prezio-gerrak zibersegurtasun dibisio bat du orain. Asteazkena da, eta desberdintasuna luzea da. Gemini 3.8 Flash-ek mila ehun puntu lortu zituen Hacker News-en, Muse Spark 1.3-k ia zazpiehun gehiago, eta bien artean, ikerketa-denda batek berrehun eta hamabost mila argitaratu zituzten hiru webgune aurkitu zituen

0:28 software onenaren orrialde faltsuak, Perplexity-k horiek aipa zitzan soilik. Gaur ere: Firefox-ari eusteko eskatzen zuen mezu batek bederatziehun lortu zituen laurogeita zortzi puntu, eta Mistralen entrenamendutik kanpo geratzeko laguntza-orriak ia bostehun, gehienak europarrek aurkitu zutelako aukera subiranoak zure eskaerekin entrenatzen duela lehenetsita. Bideo honetan: Gemini 3.8 Flash-en benetako kostua, Googlek salduko duen hacking eredua hirurehun eta berrogeita hamar bazkideri soilik, Metaren hamar zentimoko maila eta benetan zenbat kobratzen duen, eta bi konpainiek idatzi ez duten erreferentzia-puntu bakarra.

0:59 Asteazkena da, irailak 2, eta hau The Daily Diff da. Gemini 3.8 Flash milioi bakoitzeko hirurogeita hamabost zentimo sarreran eta hiru hirurogeita hamabost irteeran, duela hiru asteko 3.7 Flash-en berdina, oin-ohar batekin, prezioa urtarrilaren 1ean bikoiztu egingo dela esanez, hau da, doako proba bat urrats gehigarriekin. Diapositiba-sortaren erreferentzia-puntuetan, garaitu gabeak direnak, 54.9 ehuneko puntu lortzen ditu HLE-Verified-en, X-k dio Sol eta Opus 5 gainditzen dituela Terminal-Bench-en, eta Logan Kilpatrick-ek 73.7 bat argitaratu zuen DeepSWE-n, oraindik memorizatu gabeko

1:29 epe luzeko kodeketa erreferentzia-puntu bakarrean, uste denez. Simon Willison-ek gauza polit bat egiteko eskatu zion HTMLn eta lortu zuen partikula simulazio bat hamahiru segundotan 1.8 zentimo truke, hirurogei fotograma segundoko martxan, hirurogeia orrialdean gogor kodetuta zegoelako. Googlek berak argitaratutako mezuak irabaziak azaltzen ditu enkoadratuko nukeen esaldi batekin: 3.8 Flash gogorrago lan egiten du. Arrazoiketa urrats gehigarriak exekutatzen ditu, tresnak iteratiboki deitzen ditu, eta, aipatzen den bezala, token gehiago erabil ditzake, hau da, kontagailuak azkarrago funtzionatzen duela esan nahi du korporatibo hizkuntzan. DeepSWE batzorde independenteak bi puntutan ados dago: Flash-ek hirurogeita hamalau puntu lortzen ditu

2:02 ehuneko, Opus 5-ekin berdinduta zeregin bakoitzeko kostuaren bosten batean, baina ehun eta hirurogeita sei urrats eta ehun eta berrogeita hiru mila irteera token behar izan zituen bertara iristeko, Sol-ek gastatu zuenaren bikoitza baino gehiago. Artificial Analysis-ek ehun eta berrogei milioi token eta mila hirurogeita hemezortzi dolar erre zituen hura kalifikatzeko soilik. Merke token bakoitzeko, hitz-jarioa zeregin bakoitzeko, eta lehen tokena hamabi segundoko pentsamenduaren ondoren iristen da. Gero, zati interesgarria.

2:23 Gemini 3.8 Flash Cyber eredu bera da, segurtasun-barandak lasaituta, aipatzen den bezala, defendatzaile fidagarrientzat, eta Sundar-ek dio 86.2 ehuneko lortzen duela CyberGym-en, ahultasunak autonomoki aurkitzeko erreferentzia-puntuan. Adabakiak ere egiten ditu: 47.2 ehuneko CWE-Bench-en, 47.8 ehuneko aldean puntako eredu mugazale batentzat, Chrome taldeak dio 2.6 aldiz adabaki zuzen gehiago sortu zituela eredu komertzial askoz handiagoek baino, eta Google Cloud-eko ikertzaileek erabili zuten ahultasun kritiko bat bi ordu baino gutxiagoan aurkitzeko, normalean hilabeteak edo nerabe motibatu bat behar izaten duen lana.

2:54 Googlek azpimarratzen du konponketa lehenetsi zuela ustiapenaren aurrean, hau da, ereduak zuloetan barrena ibili daitekeela esateko modu adeitsua, besterik gabe, ez egiteko eskatu zioten. Beraz, ezin duzu izan. Sarbidea Fairwind Programa berri baten bidez egiten da: gobernuak, azpiegitura kritikoak, eta seiehun eta berrogeita hamar bazkide hautatu derrigorrezkoekin bi faktore. Muga-laborategi guztiek orain hacking eredu bat daukate, zuk salduko ez dizutena, eta aste honetan merkea da.

3:16 Lau ordu geroago, Metak Muse Spark 1.3 kaleratu zuen, eta Zuckek muga-errendimendutzat jo zuen, neurtzeko ia merkeegia, eta hori egia da, Menlo Parken tamainako izar batekin. Ohiko amaiera-puntua dolar bat eta hogeita bost zentimo sartu, eta lau dolar eta hogeita bost zentimo irten da, Gemini baino gehiago. Ekarpen-amaiera-puntua hamar zentimo sartu, hogei zentimo irten da, cache irakurketak zentimo baten bosten bat, hogei aldiz merkeago, eta alde bakarra gure produktuak hobetzeko erabili dela dioen zutabe bat da.

3:40 Beraz, deskontua zure saioaren transkripzioa da, eta behingoz inork ez du lizentzia irakurri behar, Meta-k lizentzia prezio-zerrenda gisa idatzi zuelako. Goi-iruzkina: orain guztiz argi dago zenbat balio duen nire tokenak lapurtzeak. Bigarren iruzkinak galdetzen du noiz arte ez duen inork AWS gako bat aterako eredu batetik, ekarpen-gonbidapenekin trebatuta. Metaren puntuazio-txartelean, Spark 1.3-k 75.4 puntu lortzen ditu DeepSWE-n, Sol eta Opus 5 gainetik, eta Metak dio %20 tresna-dei gutxiago erabiltzen dituela,

4:06 eta %25 token gutxiago 1.2 bertsioak baino, Google-ren kontrako apustua, beraz, gaur munduko bi iragarki-enpresa handienak ez daude ados hitz egitea ona den ala ez. Gehiago hitz egitea ona den ala ez. Bitartean, Trellner Research-ek Perplexity-ri eskatu zion hiru ehun eta laurogei kategoriatan software onena bilatzeko, eta aipamen guztiak irakurri zituen: %59.8 ehun mila gune garrantzitsuenetatik kanpo zeuden guneetatik zetozen, Wikipedia zazpi mila eta erditik hiru aldiz aipatu zen, eta zazpi mila eta erditik hiru aldiz aipatu zen, eta hirurehun eta hamabost mila produktu-gida sortu zituzten hiru ahizpa guneek beren orri nagusiei "Gertaerak eta Oinarrizko Orria" deitzen zieten,

4:34 crawleri zuzenduta, ez zuri. crawleri zuzenduta, ez zuri. AI SEO gerra hasi da, eta bere lehen arma regex bat da marketing-aurrekontuarekin. Prezio-etiketa asko asteazken baterako; hau irakurri nahiago baduzu, esan beharrean, "The Daily Diff" zure sarrerako ontzian lurreratzen da goizero – doan thedailydiff.dev helbidean, esteka behean. diff dot dev, beheko esteka. Beraz, gaurko epaia: SHIP IT. Gemini 3.8 Flash-ek Opus 5 berdintzen du Google-k idatzi ez zuen taula bakarrean,

5:00 prezioaren bosten batengatik. Irakurri besterik ez token faktura, eta irakurri Metaren zutabe-izenburuak. Hori da gaurko diff-a. Niko naiz, Axrisi-koa. Fusionatu arduraz.

Iturriak

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