Gemini 4 Argon Google-ren modelorik onena da. Oraindik ezin duzu erabili.

Bideo honek zer jorratzen duen

• Gemini 4 Argon: milioi bat irteerako token, 2 $ sarreran, eta ezin duzu erabili
• Google barruan: Argon agenteek C++ Rust-era eramaten dute
• Google-ren taula propioa: Argonek 19 errenkadetatik 13tan irabazi du
• Ziber-proposamena: bere kabuz adabakiak, defendatzaileentzako babesik gabe
• Kanpoko zenbakia: Artificial Analysis-ek 53 dio, Opus 5.5-ek 58 ditu

Itzulitako transkripzioa

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

Gemini 4 Argon: milioi bat irteerako token, 2 $ sarreran, eta ezin duzu erabili

0:00 Pentsatuko zenuke abiarazte batek modeloa lortzea esan nahi duela. Google-k Gemini 4 Argon abiarazi berri du, eta konfiantzazko ziber-defendatzailea ez bazara, ezin duzu ukitu. Bideo honetan: zer erakusten du Google-ren taulak? Zer neurtu zuten kanpoko probatzaileek? Eta noiz lortuko duzu? Seguruenik ikusi dituzu jada hype bideoak. Nik erreferentzia-taula irakurri nuen horren ordez, eta bertako bi errenkada ez ziren inoiz

0:20 argitalpenaren testuan sartu. Horiei helduko diet amaieran. Osteguna da, urriaren lehena, eta hau The Daily Diff da. Bi istorio gaur, eta handiena Gemini 4 Argon da, Google-k bere mugako inteligentziaren hurrengo aroa deitzen duena. Erantzun batek milioi bat token arte funtziona dezake orain, hirurogeita lau milatik gora, hau da, hainbat nobela erantzun bakar batean. Abiarazteko prezioa bi dolar da milioi tokeneko sarreran eta hamar irteeran. Hori da OpenAI-k GPT 6.1 Sol-entzat kobratzen duena,

0:48 atzo landu nuen modeloa, eta Sol benetan eros dezakezun bat da. Google barruan, jada lanean ari da.

Google barruan: Argon agenteek C++ Rust-era eramaten dute

0:54 Google-k dio Argon agenteek C eta C++ Rust-era eramaten ari direla enpresa osoan, Fuchsia kernelarentzat zortziehun mila lerro arte. Hacker News-en, ingeniari batek gogoratu zuen Google-ren C++ taldeak ez zuela Rust ere kontuan hartuko, eta Carbon aztertu zuen horren ordez. Orain modelo batek egiten ari da eztabaidatu zuten migrazioa.

Google-ren taula propioa: Argonek 19 errenkadetatik 13tan irabazi du

1:12 Orain taula. Google-k Argon GPT 6 Astra, Claude Fable eta Claude Opus-en ondoan jartzen du hemeretzi errenkadetan, eta Argon hamahiru horietan nagusi da. Izenburua DeepSWE da, kodeketako erreferentzia-proba luze bat, %78an, lau puntu argi gutxi gorabehera. Garaipen arraroena idazkera juridikoa da, non Argonek %20 lortzen duen eta besteek digitu bakarretan geratzen diren. Hau da denek huts egiten duten proba batean lortutako notarik onena, eta slide-deckeko

1:38 erreferentzia-probatan, garaitu gabeak direnak, horrek balio du.

Ziber-proposamena: bere kabuz adabakiak, defendatzaileentzako babesik gabe

1:41 Benetako proposamena segurtasuna da. Google-k dio Argonek bere kabuz aurkitu, baliozkotu eta adabaki ditzakeela ahultasun kritikoak, eta konfiantzazko defendatzaileek ziber-babesik gabe lortzen dutela. Wiz-ek erabili zuen ospitaleko softwarean aurreko modeloek huts egin zuten zulo kritiko bat aurkitzeko. Xehetasun txiki bat. Wiz Google-rena da, martxoan hogeita hamabi mila milioi dolarreko akordio bat itxi zenetik. Beraz, argitalpeneko kutxa beltzeko hacking proba Google-ren enpresa batek Google-ren modelo bat kalifikatzea da. Eta akatsak konpontzeko lidergo-taulan, hiru modeloek %68

2:10 partekatzen dute, eta ezkerreko barra Grok-ena da. Beraz, zer neurtu zuten kanpoko probatzaileek?

Kanpoko zenbakia: Artificial Analysis-ek 53 dio, Opus 5.5-ek 58 ditu

2:15 Argon duen lidergo-taula independentea Artificial Analysis da. Argonek berrogeita hamahiru puntu lortzen ditu bere adimen-indizean, ezarpen altuan, Astra eta Fable-rekin berdinduz. Claude Opus 5.5 bost puntu aurrerago dago. Duela astebete esan nizun Opusek lortu zuela lehen postua han, eta oraindik mantentzen du. Google-ren aldeko alderdi justua faktura da. Argon exekuzio batek bi dolar inguru balio du zeregin bakoitzeko indize horretan, Opus-ek balio duenaren heren bat gutxi gorabehera.

Noiz lortuko duzu: "Beraz, eutsi gogor"

2:42 Eta noiz lortuko duzu? Google-k ez du data bat emango. Argitalpenak garatzaile, enpresa eta kontsumitzaileentzako sarbidea ahalik eta azkarren agintzen du, ordainpeko API bezeroak lehenik. Sundar Pichai-ren X-ko argitalpenak dioenez, eutsi gogor. Ordura arte, sarbidea Fairwind-en bidez egiten da, Google-k duela hilabete hasi zuen programa Gemini 3.8 Flash Cyber-ekin. Seiehun eta berrogeita hamar bazkide baino gehiago ditu, eta Argona beren

3:05 segurtasun taldeei bakarrik eman diezaiekete eta nor nork erabiltzen duen jarraitu behar dute. Hacker News-ek ondo hartu zuen. Iruzkinlari batek idatzi zuen, Gemini-k ezin du modelo bat kaleratu alegazioak gainditu. Beste batek iragarri zuen modeloak vaporware bihurtuko direla, taula bateko zenbaki multzo bat. Bitartean, Netlify-k Edge Functions berreraiki zituen, egunean mila milioi aldiz inguru exekutatzen direnak.

Netlify Edge Functions: V8 isolatuetatik mikroVM-etara, 5 aldiz azkarrago gutxi gorabehera

3:23 Zerbitzu ostatatu bateko V8 isolatuetatik Netlify-ren sare propioaren barruko Firecracker microVM-etara mugitu ziren, eta dei bero bat berrogei milisegundotik sei milisegundora jaitsi zen. Hacker News-ek adierazi zuen Cloudflare Workers ere V8 isolatuak direla eta askoz azkarrago exekutatzen direla, beraz, irabaziaren gehiena eskaera jada eraikinetik ez irtetea dela dirudi. Beste iruzkinlari batek argazkien inguruan kezka agertu zuen, klonatutako microVM-ek ausazko zenbakien egoera parteka dezaketelako, horrela lortzen baitira bi UUID berdin. Hasi hotz batek, eskualde batek zure funtzioa inoiz ikusi ez duenean,

3:50 deien %1 inguru jotzen du eta bederatzi milisegundo inguru behar ditu. Eta microVM bera Firecracker da, Amazon-ek Lambda-rako eraiki zuena, beraz, iruzkinlari batek gogoratzeko iradokitzen du AWS madarikatzen duzun hurrengoan. Orain, bi errenkada horiek.

Google-ren argitalpenak inoiz aipatzen ez dituen bi errenkadak

4:06 FrontierSWE eta Terminal-bench-en, argitalpenaren testuak inoiz aipatzen ez dituen bi kodeketa proba, Argonek laugarren postuan geratzen da, Google-ren taula propioan. Terminal-bench-ek agente bat benetako shell batean jartzen du, hau da, gehienok nola erabiliko genukeen, eta Opusek bederatzi puntu ateratzen dizkio. Hau irakurri nahiago baduzu nire ahotik entzun baino, diff-a zure sarrera-ontzira iristen da goizero, doan daily diff dot dev helbidean, esteka behean. Beraz, gaurko epaia Gemini 4 Argon-en inguruan.

Epaia: BERRIKUSTEKO, deitu dezakedan egunean

4:29 NEEDS REVIEW. Horrela zigilatuko nuke, aurkitu dudan zenbaki independenteak bigarren postuan berdinduta jartzen duelako, eta axola zaizkidan bi kodeketa-errenkadek azken postuan jartzen dutelako, beraz, behar bezala berrikusiko dut deitu dezakedan egunean. Harpidetu, sakatu kanpaia, eta esan iruzkinetan ezberdin zigilatuko zenukeen ala ez. Eta hori da gaurko diff-a. Niko naiz, Axrisi-koa. Fusionatu arduraz. SHIP IT

Iturriak

1. Googleblog.google
2. Hacker Newsnews.ycombinator.com
3. Fairwind Programdeepmind.google
4. Artificial Analysisartificialanalysis.ai
5. Sundar Pichaix.com
6. Demis Hassabisx.com
7. Google completes acquisition of Wizcloud.google.com
8. Netlifywww.netlify.com
9. Hacker Newsnews.ycombinator.com