A Google kiadott egy hackelő modellt. Itt a különbség.

Amit ez a videó tartalmaz

• A Google kiadja a Gemini 3.8 Flash + Flash Cybert (86,2% CyberGym, Fairwind Program)
• A Meta kiadja a Muse Spark 1.3-at: 1,25$/4,25$, vagy 0,10$/0,20$, ha a Meta betaníthatja
• Három webhely 215 128 hamis „legjobb szoftver” oldalt hozott létre; a Perplexity hivatkozik rájuk

Lefordított átirat

Az eredeti angol narrációból fordítva. A rendelkezésre álló hangot és feliratokat a YouTube vezérli.

0:00 A Google ma kiadta hat héten belül a harmadik Flash modelljét, plusz egy feltörésre kiképzett verziót, és négy órával később a Meta kiadott egy modellt, ami tíz centbe kerül egymillió tokenenként, ha hagyja, hogy Zuckerberg olvassa a kódját, így a mesterséges intelligencia árversenyének most már van egy kiberbiztonsági részlege. Szerda van, és a különbség nagy. A Gemini 3.8 Flash ezeregyszáz pontot ért el a Hacker News-on, a Muse Spark 1.3 közel hétszázzal többet, és közben, egy kutatóműhely három olyan weboldalt talált, amelyek kétszáztizenötezer

0:28 hamis legjobb szoftver oldalt tettek közzé pusztán azért, hogy a Perplexity hivatkozzon rájuk. Szintén ma: egy bejegyzés, amely arra kért, hogy ragaszkodjon a Firefoxhoz, kilencszáz nyolcvannyolc pontot kapott, és a Mistral help oldala a tréningből való kizárásról közel ötszázat, főként azoktól az európaiaktól, akik felfedezték, hogy a szuverén opció alapértelmezés szerint az ön kérésein edz. Ebben a videóban: mennyibe kerül valójában a Gemini 3.8 Flash, a hackelő modell, amit a Google csak hatszázötven partnernek ad el, a Meta tízcentes szintje és az, hogy mennyit valójában felszámol, és az egyetlen benchmark, amit egyik cég sem írt.

0:59 Szerda van, szeptember 2., és ez a The Daily Diff. A Gemini 3.8 Flash befelé hetvenöt cent per millió token, kifelé pedig három hetvenöt, ugyanannyi, mint a három hete megjelent 3.7 Flash, egy lábjegyzettel, miszerint az ár január 1-jén megduplázódik, ami egy ingyenes próba extra lépésekkel. A diavetítéses benchmarkokon, amelyek verhetetlenek, 54,9 százalékot ér el a HLE-Verified-en, az X szerint veri a Sol és az Opus 5-öt a Terminal-Bench-en, és Logan Kilpatrick 73,7-et tett közzé a DeepSWE-n, az egyetlen hosszú távú

1:29 kódolási benchmarkon, amit még nem memorizáltak, állítólag. Simon Willison megkérte, hogy készítsen egy menő dolgot HTML-ben, és kapott egy részecskeszimulációt tizenhárom másodperc alatt 1,8 centért, hatvan képkocka/másodperc sebességgel futott, mert a hatvan keményen be volt kódolva az oldalba. A Google saját posztja egy olyan mondattal magyarázza a nyereséget, amit bekereteznék: a 3.8 Flash keményebben dolgozik. Extra érvelési lépéseket hajt végre, iteratívan hívja az eszközöket, és, idézem, több tokent használhat, ami a cégeknél azt jelenti, hogy a mérő gyorsabban fut. Az független DeepSWE bizottság mindkét pontban egyetért: a Flash hetvennégy

2:02 százalékot ér el, ugyanannyit, mint az Opus 5, a feladatonkénti költség ötödéért, de százhatvanhat lépésre és száznegyvenháromezer kimeneti tokenre volt szüksége ahhoz, hogy ezt elérje, több mint kétszer annyira, mint amennyit a Sol használt. Az Artificial Analysis száznegyvenmillió tokent és ezer hetvennyolc dollárt égetett el csak a minősítésére. Olcsó tokenenként, bőbeszédű feladatonként, és az első token tizenkét másodperc gondolkodás után érkezik meg. Aztán az érdekesebbik fele.

2:23 A Gemini 3.8 Flash Cyber ugyanaz a modell, csak a biztonsági korlátok lazítva vannak, idézem, megbízható védők számára, és Sundar szerint 86,2 százalékot ér el a CyberGym-en, a sebezhetőségek önálló megtalálásának benchmarkján. Folt is: 47,2 százalék a CWE-Bench-en, szemben a vezető élvonalbeli modell 47,8 százalékával, a Chrome csapata szerint 2,6-szer több helyes javítást produkált mint sokkal nagyobb kereskedelmi modellek, és a Google felhőkutatói használták arra, hogy kevesebb mint két óra alatt kritikus sebezhetőséget találjanak, ami általában hónapokat, vagy egy motivált tinédzsert vesz igénybe.

2:54 A Google ragaszkodik ahhoz, hogy a javítást részesítette előnyben a kihasználással szemben, ami udvarias módja annak, hogy azt mondjuk, a modell abszolút képes átsétálni a lyukakon, csak azt kérték tőle, hogy ne tegye. Tehát nem kaphatja meg. A hozzáférés egy új Fairwind programon keresztül történik: kormányok, kritikus infrastruktúra, és hatszázötven ellenőrzött partner kötelező kétfaktoros. Minden határ menti laboratórium birtokol egy feltörési modellt, amit nem ad el neked, és ezen a héten egy olcsó.

3:16 Négy órával később a Meta kiadta a Muse Spark 1.3-at, és Zuck határ mentinek nevezte teljesítményét, ami szinte túl olcsó a méréshez, ami igaz, egy Menlo Park méretű csillaggal. A normál végpont egy dollár huszonöt cent be, és négy huszonöt ki, több, mint a Gemini. A hozzájáruló végpont tíz cent be, húsz cent ki, gyorsítótár-olvasás egyötöd centért, akár húszszor olcsóbban, és az egyetlen különbség egy oszlop, ami azt mondja, hogy termékeink javítására használtuk.

3:40 Tehát a kedvezmény a munkamenet átirata, és ezúttal senkinek sem kell elolvasnia a licencet, mert a Meta árlistaként írta meg a licencet. Legjobb komment: most már teljesen nyilvánvaló, mennyit ér a tokenjeim ellopása. A második komment azon tűnődik, mennyi idő, amíg valaki AWS kulcsot von ki egy modellből, amit hozzájáruló promptokra képeztek ki. A Meta saját pontrendszerén a Spark 1.3 75.4-et kap a DeepSWE-n, a Sol és az Opus 5 felett, és a Meta szerint húsz százalékkal kevesebb eszközhívást használ,

4:06 és huszonöt százalékkal kevesebb tokent, mint az 1.2, ami pontosan ellentétes fogadás a Google-tól, így ma a föld két legnagyobb reklámcége nem ért egyet abban, hogy a több beszéd jó. Eközben a Trellner Research megkérte a Perplexity-t a legjobb szoftverekről háromszáznyolcvan kategóriában, és elolvasta az összes hivatkozást: 59.8 százalék a top százezeren kívüli oldalakról származott, a Wikipedia és elolvasta az összes hivatkozást: 59.8 százalék a top százezeren kívüli oldalakról származott, a Wikipedia hétezer-ötszázból háromszor volt idézve, hétezer-ötszázból háromszor volt idézve, és három testvéroldal, kétszáztizenötezer generált vásárlási útmutatóval, az otthoni oldalait "Tények és Megalapozó Oldal" címmel látta el,

4:34 generált vásárlási útmutatóval, az otthoni oldalait "Tények és Megalapozó Oldal" címmel látta el, a feltérképezőnek címezve, nem neked. Az AI SEO háború elkezdődött, és az első fegyvere a regex marketing költségvetéssel. Ez rengeteg ár egy szerdára; ha inkább olvasnád ezt, mint hallanád tőlem, a diff minden reggel megérkezik a postaládádba – ingyenesen a daily diff.dev címen, link lent. Szóval, a mai ítélet: SHIP IT. A Gemini 3.8 Flash az Opus 5-tel holtversenyben van azon a táblán, amit a Google nem írt,

5:00 az ár ötödéért. Csak olvasd el a token számlát, és olvasd el a Meta oszlopfejléceit. Ez a mai diff. Niko vagyok az Axrisi-től. Felelősségteljesen egyesíts.

Források

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