+− THE DAILY DIFFdev & AI news
NEEDS REVIEW

Gemini 4 Argon Google-ൻ്റെ ഏറ്റവും മികച്ച മോഡലാണ്. നിങ്ങൾക്ക് ഇത് ഇതുവരെ ഉപയോഗിക്കാൻ കഴിയില്ല.

Google തങ്ങളുടെ പുതിയ ഫ്രോണ്ടിയർ മോഡലായ Gemini 4 Argon പ്രഖ്യാപിച്ചു, വിശ്വസനീയരായ സൈബർ ഡിഫൻഡർമാർക്ക് മാത്രമേ ഇത് ഉപയോഗിക്കാൻ കഴിയൂ.

Want to see our stories first on Google? Add us to your preferred sources — it helps us grow.

Google തങ്ങളുടെ പുതിയ ഫ്രോണ്ടിയർ മോഡലായ Gemini 4 Argon പ്രഖ്യാപിച്ചു, വിശ്വസനീയരായ സൈബർ ഡിഫൻഡർമാർക്ക് മാത്രമേ ഇത് ഉപയോഗിക്കാൻ കഴിയൂ. Google-ൻ്റെ സ്വന്തം 19-വരി ബെഞ്ച്മാർക്ക് ടേബിൾ എന്താണ് കാണിക്കുന്നതെന്നും, സ്വതന്ത്ര ലീഡർബോർഡ് എന്താണ് അളന്നതെന്നും, ഡെവലപ്പർമാർക്ക് ഇത് എപ്പോൾ ലഭിക്കുമെന്നും ഇതാ. വിധി: NEEDS REVIEW.

എഴുതിയ പതിപ്പ് വായിക്കുക (ഇംഗ്ലീഷ്) ↗

ഈ വീഡിയോയിൽ ഉൾപ്പെടുന്ന കാര്യങ്ങൾ

  • Gemini 4 Argon: ഒരു ദശലക്ഷം ഔട്ട്പുട്ട് ടോക്കണുകൾ, 2 ഡോളർ ഇൻ, നിങ്ങൾക്ക് ഇത് ഉപയോഗിക്കാൻ കഴിയില്ല
  • Google-നുള്ളിൽ: ആർഗോൺ ഏജൻ്റുമാർ C++ നെ Rust-ലേക്ക് പോർട്ട് ചെയ്യുന്നു
  • Google-ൻ്റെ സ്വന്തം പട്ടിക: ആർഗോൺ 19 വരികളിൽ 13 എണ്ണത്തിലും മുന്നിലാണ്
  • സൈബർ പിച്ച്: സ്വന്തമായി പാച്ചുകൾ ചെയ്യുന്നു, ഡിഫൻഡർമാർക്ക് ഗാർഡ്‌റെയിലുകളില്ല
  • പുറത്തുള്ള സംഖ്യ: ആർട്ടിഫിഷ്യൽ അനാലിസിസ് 53 എന്ന് പറയുന്നു, Opus 5.5-ന് 58 ഉണ്ട്

ചോദ്യോത്തരങ്ങൾ

ജെമിനി 4 ആർഗോൺ ഇപ്പോൾ ആർക്കൊക്കെ ഉപയോഗിക്കാം, ഡെവലപ്പർമാർക്ക് എപ്പോൾ ഇത് ലഭ്യമാകും?

വിശ്വസനീയരായ സൈബർ പ്രതിരോധക്കാർക്ക് മാത്രമേ ഇത് ഇപ്പോൾ ഉപയോഗിക്കാൻ കഴിയൂ. ഗൂഗിൾ ഒരു തീയതിയും നൽകിയിട്ടില്ല, ഡെവലപ്പർമാർക്കും, സംരംഭങ്ങൾക്കും, ഉപഭോക്താക്കൾക്കും എത്രയും വേഗം ലഭ്യമാക്കുമെന്നും, പണം നൽകി API ഉപയോഗിക്കുന്നവർക്ക് ആദ്യം ലഭ്യമാക്കുമെന്നും അവരുടെ പോസ്റ്റിൽ പറയുന്നു. നിലവിൽ, Fairwind പ്രോഗ്രാം വഴിയാണ് ഇത് ലഭ്യമാക്കുന്നത്. ഇതിന് അറുന്നൂറ്റി അൻപതിലധികം പങ്കാളികളുണ്ട്, അവർക്ക് ആർഗോൺ അവരുടെ സുരക്ഷാ ടീമുകൾക്ക് മാത്രമേ കൈമാറാൻ പാടുള്ളൂ, കൂടാതെ ഇത് ആരാണ് ഉപയോഗിക്കുന്നതെന്ന് ട്രാക്ക് ചെയ്യുകയും വേണം.

ഈ ഭാഗം കാണുക 2:42 · blog.google · deepmind.google · x.com

ബെഞ്ച്മാർക്കുകളിൽ ജെമിനി 4 ആർഗോൺ മറ്റ് അതിനൂതന മോഡലുകളുമായി എങ്ങനെ താരതമ്യം ചെയ്യുന്നു?

ഗൂഗിളിന്റെ പട്ടികയിൽ, GPT സിക്സ് ആസ്ട്ര, ക്ലോഡ് ഫേബിൾ, ക്ലോഡ് ഓപ്പസ് എന്നിവയുമായി താരതമ്യം ചെയ്യുമ്പോൾ, 19 വരികളിൽ 13 എണ്ണത്തിലും ആർഗോൺ മുന്നിലാണ്. ആർട്ടിഫിഷ്യൽ അനാലിസിസ് അതിന്റെ ഇന്റലിജൻസ് ഇൻഡക്സിൽ ഉയർന്ന ക്രമീകരണത്തിൽ 53 സ്കോർ ചെയ്യുന്നു, ഇത് ആസ്ട്രയ്ക്കും ഫേബിളിനും തുല്യമാണ്, അതേസമയം ക്ലോഡ് ഓപ്പസ് 5.5 ന് 58 ആണ് സ്കോർ. ഒരു ടാസ്കിന് ഏകദേശം രണ്ട് ഡോളറാണ് സ്വതന്ത്രമായ ചിലവ്, ഇത് ഓപ്പസിന്റെ ചിലവിന്റെ ഏകദേശം മൂന്നിലൊന്നാണ്.

ഈ ഭാഗം കാണുക 2:14 · blog.google · artificialanalysis.ai

ഒരു ടോക്കണിന് ജെമിനി 4 ആർഗോണിന് എത്ര ചിലവാകും?

പ്രാരംഭ വില ഒരു ദശലക്ഷം ടോക്കണുകൾക്ക് $2 ഇൻപുട്ടിനും പത്ത് ഡോളർ ഔട്ട്പുട്ടിനും ആണ്. എപ്പിസോഡ് അനുസരിച്ച്, ഇത് OpenAI GPT സിക്സ് പോയിന്റ് വൺ സോളിന് ഈടാക്കുന്ന വിലയുമായി പൊരുത്തപ്പെടുന്നു, അത് വാങ്ങാൻ ലഭ്യമാണ്. ഒരു ആർഗോൺ മറുപടി ഇപ്പോൾ ഒരു ദശലക്ഷം ടോക്കണുകൾ വരെയാകാം, മുമ്പ് ഇത് അറുപത്തിനാലായിരം ആയിരുന്നു.

ഈ ഭാഗം കാണുക 0:00 · blog.google · news.ycombinator.com

സുരക്ഷാ പിഴവുകൾ കണ്ടെത്തുന്നതിലും പരിഹരിക്കുന്നതിലും ജെമിനി 4 ആർഗോണിനെക്കുറിച്ച് ഗൂഗിൾ എന്താണ് പറഞ്ഞത്?

ആർഗോണിന് ഗുരുതരമായ ദുർബലതകൾ സ്വയം കണ്ടെത്താനും, സാധൂകരിക്കാനും, പരിഹരിക്കാനും കഴിയുമെന്ന് ഗൂഗിൾ പറയുന്നു, വിശ്വസനീയരായ പ്രതിരോധക്കാർക്ക് സൈബർ ഗാർഡ്‌റെയിലുകളില്ലാതെ ഇത് ലഭിക്കുന്നു. Wiz ഇത് ഉപയോഗിച്ച് ആശുപത്രി സോഫ്റ്റ്‌വെയറിലെ ഒരു ഗുരുതരമായ പിഴവ് കണ്ടെത്തി, അത് മുൻ മോഡലുകൾക്ക് കണ്ടെത്താൻ കഴിഞ്ഞിരുന്നില്ല. Wiz ഗൂഗിളിന്റെതാണെന്ന് എപ്പിസോഡ് കുറിക്കുന്നു, അതിനാൽ ബ്ലാക്ക്-ബോക്സ് ഹാക്കിംഗ് ടെസ്റ്റ് ഒരു ഗൂഗിൾ കമ്പനി ഒരു ഗൂഗിൾ മോഡലിന് ഗ്രേഡിംഗ് നൽകുന്നതിന് തുല്യമാണ്.

ഈ ഭാഗം കാണുക 1:41 · blog.google · cloud.google.com

ഡെവലപ്പർമാർ ജെമിനി 4 ആർഗോൺ അടിസ്ഥാനമാക്കി ഇപ്പോൾ ആസൂത്രണം ചെയ്യേണ്ടതുണ്ടോ?

The Daily Diff ന്റെ വിധി NEEDS REVIEW എന്നായിരുന്നു. സ്വതന്ത്രമായ ആർട്ടിഫിഷ്യൽ അനാലിസിസ് നമ്പർ ആർഗോണിനെ രണ്ടാം സ്ഥാനത്ത് എത്തിക്കുന്നു, കൂടാതെ ഗൂഗിളിന്റെ പോസ്റ്റ് ടെക്സ്റ്റിൽ ഒരിക്കലും പരാമർശിക്കാത്ത FrontierSWE, Terminal-bench എന്നീ രണ്ട് കോഡിംഗ് ടെസ്റ്റുകളിൽ, ഗൂഗിളിന്റെ സ്വന്തം പട്ടികയിൽ നാലിൽ അവസാനമാണ് ഇത്. മോഡലിനെ വിളിക്കാൻ കഴിയുന്ന ദിവസം എപ്പിസോഡ് ശരിയായി അവലോകനം ചെയ്യും.

ഈ ഭാഗം കാണുക 4:29 · blog.google · artificialanalysis.ai

വിവർത്തനം ചെയ്ത ട്രാൻസ്ക്രിപ്റ്റ്

യഥാർത്ഥ ഇംഗ്ലീഷ് ആഖ്യാനത്തിൽ നിന്ന് വിവർത്തനം ചെയ്തത്. ലഭ്യമായ ഓഡിയോയും അടിക്കുറിപ്പുകളും YouTube നിയന്ത്രിക്കുന്നു.

Gemini 4 Argon: ഒരു ദശലക്ഷം ഔട്ട്പുട്ട് ടോക്കണുകൾ, 2 ഡോളർ ഇൻ, നിങ്ങൾക്ക് ഇത് ഉപയോഗിക്കാൻ കഴിയില്ല

0:00 ഒരു ലോഞ്ച് എന്നാൽ നിങ്ങൾക്ക് മോഡൽ ലഭിക്കുമെന്ന് നിങ്ങൾ വിചാരിക്കും. Google ഇപ്പോൾ Gemini 4 Argon ലോഞ്ച് ചെയ്തു, നിങ്ങൾ ഒരു വിശ്വസനീയനായ സൈബർ ഡിഫൻഡർ അല്ലെങ്കിൽ, നിങ്ങൾക്ക് അതിൽ തൊടാൻ കഴിയില്ല. ഈ വീഡിയോയിൽ: Google-ൻ്റെ ടേബിൾ എന്താണ് കാണിക്കുന്നത്? പുറത്തുള്ള ടെസ്റ്റർമാർ എന്താണ് അളന്നത്? നിങ്ങൾക്ക് ഇത് എപ്പോൾ ലഭിക്കും? നിങ്ങൾ ഹൈപ്പ് വീഡിയോകൾ ഇതിനകം കണ്ടിട്ടുണ്ടാകും. ഞാൻ പകരം ബെഞ്ച്മാർക്ക് ടേബിൾ വായിച്ചു, അതിലെ രണ്ട് വരികൾ ഒരിക്കലും

0:20 പോസ്റ്റിൻ്റെ ടെക്സ്റ്റിൽ വന്നിട്ടില്ല. ഞാൻ അവ അവസാനം പറയാം. ഇന്ന് വ്യാഴം, ഒക്ടോബർ ഒന്ന്, ഇത് The Daily Diff. ഇന്ന് രണ്ട് സ്റ്റോറികൾ, അതിൽ വലുത് Gemini 4 Argon ആണ്, ഇതിനെ Google തങ്ങളുടെ അടുത്ത യുഗത്തിലെ അതിർത്തി ഇൻ്റലിജൻസ് എന്ന് വിളിക്കുന്നു. ഒരു ഉത്തരത്തിന് ഇപ്പോൾ ഒരു ദശലക്ഷം ടോക്കണുകൾ വരെ പ്രവർത്തിപ്പിക്കാൻ കഴിയും, അറുപത്തിനാലായിരത്തിൽ നിന്ന് ഉയർന്നു, ഇതൊരു മറുപടിയിൽ നിരവധി നോവലുകൾ ഉൾക്കൊള്ളുന്നു. പ്രാരംഭ വില ഇൻ-ന് ഓരോ ദശലക്ഷം ടോക്കണിനും രണ്ട് ഡോളറും ഔട്ടിന് പത്തും ആണ്. ഇത് GPT 6.1 Sol-ന് OpenAI ഈടാക്കുന്ന അതേ നിരക്കാണ്,

0:48 ഞാൻ ഇന്നലെ കവർ ചെയ്ത മോഡൽ, Sol നിങ്ങൾക്ക് യഥാർത്ഥത്തിൽ വാങ്ങാൻ കഴിയുന്ന ഒന്നാണ്. Google-നുള്ളിൽ, ഇത് ഇതിനകം പ്രവർത്തിക്കുന്നു.

Google-നുള്ളിൽ: ആർഗോൺ ഏജൻ്റുമാർ C++ നെ Rust-ലേക്ക് പോർട്ട് ചെയ്യുന്നു

0:54 കമ്പനിയിലുടനീളം C, C++ എന്നിവ Rust-ലേക്ക് പോർട്ട് ചെയ്യുകയാണ് Argon ഏജൻ്റുമാർ എന്ന് Google പറയുന്നു, ഫ്യൂഷിയാ കേർണലിനായി എട്ട് ലക്ഷം വരികൾ വരെ. ഹാക്കർ ന്യൂസിൽ, ഒരു എഞ്ചിനീയർ ഓർമ്മിപ്പിച്ചു, Google-ൻ്റെ C++ ടീം ഒരിക്കലും Rust പരിഗണിക്കില്ലെന്നും പകരം Carbon നോക്കിയെന്നും. ഇപ്പോൾ ഒരു മോഡൽ അവർ തർക്കിച്ച മൈഗ്രേഷൻ ചെയ്യുന്നു.

Google-ൻ്റെ സ്വന്തം പട്ടിക: ആർഗോൺ 19 വരികളിൽ 13 എണ്ണത്തിലും മുന്നിലാണ്

1:12 ഇപ്പോൾ ടേബിൾ. Google, Argon-നെ GPT 6 Astra, Claude Fable, Claude Opus എന്നിവയ്ക്ക് അടുത്തായി പത്തൊൻപത് വരികളിൽ സ്ഥാപിക്കുന്നു, Argon അവയിൽ പതിമൂന്നെണ്ണത്തിലും മുന്നിലാണ്. പ്രധാനപ്പെട്ടത് DeepSWE ആണ്, ഒരു വലിയ കോഡിംഗ് ബെഞ്ച്മാർക്ക്, എഴുപത്തിയെട്ട് ശതമാനത്തിൽ, ഏകദേശം നാല് പോയിൻ്റ് വ്യക്തമായി. ഏറ്റവും വിചിത്രമായ വിജയം നിയമപരമായ ഡ്രാഫ്റ്റിംഗിലാണ്, അവിടെ Argon ഇരുപത് ശതമാനം സ്കോർ ചെയ്യുന്നു, മറ്റുള്ളവ ഒറ്റ അക്കങ്ങളിൽ തുടരുന്നു. എല്ലാവരും പരാജയപ്പെടുന്ന ഒരു പരീക്ഷയിലെ മികച്ച ഗ്രേഡാണിത്, സ്ലൈഡ്-ഡെക്ക്

1:38 ബെഞ്ച്മാർക്കുകളിൽ, അത് തോൽവി അറിയാത്തതാണ്, അത് കണക്കിലെടുക്കുന്നു.

സൈബർ പിച്ച്: സ്വന്തമായി പാച്ചുകൾ ചെയ്യുന്നു, ഡിഫൻഡർമാർക്ക് ഗാർഡ്‌റെയിലുകളില്ല

1:41 യഥാർത്ഥ പിച്ച് സുരക്ഷയാണ്. Google പറയുന്നു, Argon-ന് സ്വന്തമായി ഗുരുതരമായ ദുർബലതകൾ കണ്ടെത്താനും, സാധൂകരിക്കാനും, പാച്ച് ചെയ്യാനും കഴിയുമെന്ന്, വിശ്വസനീയരായ ഡിഫൻഡർമാർക്ക് സൈബർ ഗാർഡ്‌റെയിലുകൾ ഇല്ലാതെ ഇത് ലഭിക്കുന്നു. മുൻ മോഡലുകൾക്ക് കണ്ടെത്താൻ കഴിയാതിരുന്ന ഒരു ആശുപത്രി സോഫ്റ്റ്‌വെയറിലെ ഗുരുതരമായ പിഴവ് കണ്ടെത്താൻ Wiz ഇത് ഉപയോഗിച്ചു. ഒരു ചെറിയ വിശദാംശം. Wiz Google-ൻ്റേതാണ്, മാർച്ചിൽ മുപ്പത്തിരണ്ട് ബില്യൺ ഡോളറിൻ്റെ കരാർ അവസാനിച്ചതിനാൽ. അതിനാൽ, പോസ്റ്റിലെ ബ്ലാക്ക്-ബോക്സ് ഹാക്കിംഗ് ടെസ്റ്റ് ഒരു Google കമ്പനി ഒരു Google മോഡലിന് ഗ്രേഡിംഗ് നൽകുന്നതാണ്. ബഗ്-ഫിക്സിംഗ് ലീഡർബോർഡിൽ, മൂന്ന് മോഡലുകൾ അറുപത്തിയെട്ട്

2:10 ശതമാനം പങ്കിടുന്നു, ഏറ്റവും ഇടതുവശത്തുള്ള ബാർ Grok-ൻ്റേതാണ്. അപ്പോൾ പുറത്തുള്ള ടെസ്റ്റർമാർ എന്താണ് അളന്നത്?

പുറത്തുള്ള സംഖ്യ: ആർട്ടിഫിഷ്യൽ അനാലിസിസ് 53 എന്ന് പറയുന്നു, Opus 5.5-ന് 58 ഉണ്ട്

2:15 Argon ഉൾപ്പെട്ട സ്വതന്ത്ര ലീഡർബോർഡ് എനിക്ക് കണ്ടെത്താൻ കഴിഞ്ഞത് Artificial Analysis ആണ്. ഇത് Argon-ന് അതിൻ്റെ ഇൻ്റലിജൻസ് ഇൻഡക്സിൽ അമ്പത്തിമൂന്ന് സ്കോർ നൽകുന്നു, ഉയർന്ന ക്രമീകരണത്തിൽ, ഇത് Astra, Fable എന്നിവയുമായി തുല്യമാക്കുന്നു. Claude Opus 5.5 അഞ്ച് പോയിൻ്റ് മുന്നിലാണ്. ഒരു ആഴ്ച മുമ്പ് ഞാൻ നിങ്ങളോട് പറഞ്ഞു, Opus അവിടെ ഒന്നാം സ്ഥാനം നേടി, അത് ഇപ്പോഴും നിലനിർത്തുന്നു. Google-ന് ന്യായമായ ഭാഗം ബില്ലാണ്. ആ ഇൻഡക്സിലെ ഓരോ ടാസ്കിനും ഒരു Argon റണ്ണിന് ഏകദേശം രണ്ട് ഡോളർ ചിലവാകും, Opus-ൻ്റെ ഏകദേശം മൂന്നിലൊന്ന്.

നിങ്ങൾക്ക് ഇത് എപ്പോൾ ലഭിക്കും: "അതിനാൽ മുറുകെ പിടിക്കുക"

2:42 നിങ്ങൾക്ക് ഇത് എപ്പോൾ ലഭിക്കും? Google ഒരു തീയതി നൽകില്ല. ഡെവലപ്പർമാർക്കും, എന്റർപ്രൈസുകൾക്കും, ഉപഭോക്താക്കൾക്കും എത്രയും പെട്ടെന്ന് ആക്സസ് വാഗ്ദാനം ചെയ്യുന്നു, പണമടച്ചുള്ള API ഉപഭോക്താക്കൾക്ക് ആദ്യം. X-ലെ സുന്ദർ പിച്ചൈയുടെ പോസ്റ്റ് പറയുന്നു, അതിനാൽ മുറുകെ പിടിക്കുക. അതുവരെ, ഒരു മാസം മുമ്പ് Google ആരംഭിച്ച Fairwind എന്ന പ്രോഗ്രാം വഴിയാണ് ആക്സസ്, Gemini 3.8 Flash Cyber ഉപയോഗിച്ച്. ഇതിന് അറുന്നൂറ്റമ്പതിലധികം പങ്കാളികളുണ്ട്, അവർക്ക് Argon തങ്ങളുടെ

3:05 സുരക്ഷാ ടീമുകൾക്ക് മാത്രം കൈമാറാൻ കഴിയൂ, ആരാണ് ഇത് ഉപയോഗിക്കുന്നതെന്ന് ട്രാക്ക് ചെയ്യണം. ഹാക്കർ ന്യൂസ് അത് നന്നായി സ്വീകരിച്ചു. ഒരു കമൻ്റേറ്റർ എഴുതി, Gemini ഒരു മോഡൽ പുറത്തിറക്കാൻ കഴിയാത്ത ആരോപണങ്ങളെ തോൽപ്പിക്കില്ല. മറ്റൊരാൾ പ്രവചിച്ചു, മോഡലുകൾ വേപ്പർവെയറുകളായി മാറുമെന്ന്, ഒരു ടേബിളിലെ കുറച്ച് സംഖ്യകൾ. അതേസമയം, Netlify Edge Functions പുനർനിർമ്മിച്ചു, ഇത് ഒരു ദിവസം ഏകദേശം ഒരു ബില്യൺ തവണ പ്രവർത്തിക്കുന്നു.

Netlify Edge Functions: V8 isolates-ൽ നിന്ന് microVMs-ലേക്ക്, ഏകദേശം 5 മടങ്ങ് വേഗത്തിൽ

3:23 ദിവസത്തിൽ പ്രവർത്തിക്കുന്നു. അവർ ഒരു ഹോസ്റ്റ് ചെയ്ത സേവനത്തിലെ V8 isolates-ൽ നിന്ന് Firecracker microVMs-ലേക്ക് മാറി, Netlify-യുടെ സ്വന്തം നെറ്റ്‌വർക്കിനുള്ളിൽ, ഒരു വാം കോൾ നാൽപ്പത് മില്ലിസെക്കൻഡിൽ നിന്ന് ഏകദേശം ആറായി കുറഞ്ഞു. Cloudflare Workers-ഉം V8 isolates ആണെന്നും വേഗത്തിൽ പ്രവർത്തിക്കുന്നു എന്നും ഹാക്കർ ന്യൂസ് ചൂണ്ടിക്കാട്ടി, അതിനാൽ മിക്ക നേട്ടങ്ങളും അഭ്യർത്ഥന കെട്ടിടം വിട്ടുപോകാത്തതിനാലാണ്. മറ്റൊരു കമൻ്റേറ്റർ സ്നാപ്പ്ഷോട്ടുകളെക്കുറിച്ച് ആശങ്കപ്പെട്ടു, കാരണം ക്ലോൺ ചെയ്ത microVMs-ന് റാൻഡം നമ്പർ സ്റ്റേറ്റ് പങ്കിടാൻ കഴിയും, ഇതിലൂടെയാണ് നിങ്ങൾക്ക് രണ്ട് സമാനമായ UUIDs ലഭിക്കുന്നത്.

3:50 ഒരു കോൾഡ് സ്റ്റാർട്ട്, ഒരു റീജിയൻ നിങ്ങളുടെ ഫംഗ്ഷൻ ആദ്യമായി കാണുമ്പോൾ, ഏകദേശം ഒരു ശതമാനം കോളുകളിൽ സംഭവിക്കുന്നു, ഏകദേശം ഒൻപത് മില്ലിസെക്കൻഡ് എടുക്കുന്നു. microVM തന്നെ Firecracker ആണ്, ഇത് Amazon Lambda-ക്ക് വേണ്ടി നിർമ്മിച്ചതാണ്, അതിനാൽ അടുത്ത തവണ നിങ്ങൾ AWS-നെ ശപിക്കുമ്പോൾ ഇത് ഓർമ്മിക്കാൻ ഒരു കമൻ്റേറ്റർ നിർദ്ദേശിക്കുന്നു.

Google-ൻ്റെ പോസ്റ്റിൽ ഒരിക്കലും പരാമർശിക്കാത്ത രണ്ട് വരികൾ

4:06 ഇപ്പോൾ, ആ രണ്ട് വരികൾ. FrontierSWE, Terminal-bench എന്നിവയിൽ, പോസ്റ്റിൻ്റെ ടെക്സ്റ്റിൽ ഒരിക്കലും പരാമർശിക്കാത്ത രണ്ട് കോഡിംഗ് ടെസ്റ്റുകളിൽ, Google-ൻ്റെ സ്വന്തം ടേബിളിൽ Argon നാലിൽ അവസാനമാണ്. Terminal-bench ഒരു ഏജൻ്റിനെ ഒരു യഥാർത്ഥ ഷെല്ലിൽ ഇടുന്നു, അതാണ് നമ്മളിൽ മിക്കവരും ഇത് ഉപയോഗിക്കുന്ന രീതി, Opus അതിനെ ഒൻപത് പോയിൻ്റ് കൊണ്ട് നയിക്കുന്നു. ഞാൻ ഇത് പറയുന്നത് കേൾക്കുന്നതിലും നല്ലത് വായിക്കുന്നതാണെങ്കിൽ, diff എല്ലാ ദിവസവും രാവിലെ നിങ്ങളുടെ ഇൻബോക്സിൽ സൗജന്യമായി the daily diff dot dev-ൽ ലഭിക്കും, ലിങ്ക് താഴെയുണ്ട്.

വിധി: NEEDS REVIEW, എനിക്ക് അതിനെ വിളിക്കാൻ കഴിയുന്ന ദിവസം

4:29 അതിനാൽ, Gemini 4 Argon-നെക്കുറിച്ചുള്ള ഇന്നത്തെ വിധി. NEEDS REVIEW. ഞാൻ ഇത് അങ്ങനെ അടയാളപ്പെടുത്തുന്നത്, ഞാൻ കണ്ടെത്തിയ സ്വതന്ത്ര നമ്പർ അനുസരിച്ച് ഇത് രണ്ടാം സ്ഥാനത്ത് തുല്യമാണ്, എനിക്ക് പ്രധാനപ്പെട്ട രണ്ട് കോഡിംഗ് വരികളിൽ ഇത് അവസാനമാണ്, അതിനാൽ എനിക്ക് ഇത് വിളിക്കാൻ കഴിയുന്ന ദിവസം ഞാൻ ഇത് ശരിയായി അവലോകനം ചെയ്യും. സബ്സ്ക്രൈബ് ചെയ്യുക, ബെൽ അടിക്കുക, നിങ്ങൾ ഇത് വ്യത്യസ്തമായി അടയാളപ്പെടുത്തുമായിരുന്നോ എന്ന് കമൻ്റുകളിൽ പറയുക. ഇന്നത്തെ diff ഇതാണ്. ഞാൻ Axrisi-ൽ നിന്നുള്ള Niko ആണ്. ചുമതലയോടെ ലയിപ്പിക്കുക.

ഉറവിടങ്ങൾ

  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

Niko from Axrisi

Nikoloz Turazashvili · Vexrail · Axrisi

LinkedIn · dev.to · GitHub · X · Substack

ബന്ധപ്പെട്ട വീഡിയോകൾ

daily · ml · 2026 ഒക്ടോ 7

ഗൂഗിൾ JPEG XL ക്രോമിലേക്ക് തിരികെ കൊണ്ടുവരുന്നു

നേരത്തെയുള്ള പരീക്ഷണം നീക്കം ചെയ്തതിന് ശേഷം Chrome 155 മുതൽ JPEG XL ഡീകോഡിംഗ് ഗൂഗിൾ പ്രഖ്യാപിച്ചു. ഈ ഒക്ടോബർ 7 ലക്കത്തിൽ ഡെവലപ്പർമാരുടെ പ്രതികരണങ്ങൾ, പുതിയ റസ്റ്റ് ഡീകോഡർ, മത്സരിക്കുന്ന കംപ്രഷൻ ക്ലെയി

5:17 ↗
daily · ml · 2026 സെപ്റ്റം 30

ഒരു ക്ലോഡ് നെർഫ് എങ്ങനെ കണ്ടെത്താം (യഥാർത്ഥ ഡാറ്റയോടെ)

ഓരോ ലോഞ്ചിനും ഏതാനും ആഴ്ചകൾക്ക് ശേഷം ക്ലോഡിന് മണ്ടത്തരം കൂടുന്നുവെന്ന് ആളുകൾ പറയുന്നു. ഒരു ഡെവലപ്പർ ക്ലോഡ് ഓപ്പസ് 5.5-നെ ലോഞ്ച് ചെയ്ത ആഴ്ച മുതൽ 30 ദിവസത്തെ ക്ലോക്കിൽ, നിശ്ചിത ചോദ്യങ്ങൾ, ഒരു പിൻ ചെയ്ത

5:07 ↗
daily · ml · 2026 സെപ്റ്റം 12

ആർമിൻ റോണാച്ചർ 35 മണിക്കൂർ GPT-6 ആസ്ട്രയെ തനിച്ചാക്കി.

ആർമിൻ റോണാച്ചർ (ഫ്ലാസ്ക്, ജിഞ്ച) GPT-6 ആസ്ട്രക്ക് ഒരു പ്രോംപ്റ്റ് നൽകി 35 മണിക്കൂർ തനിച്ചാക്കി: ഏകദേശം ഒരു ബില്യൺ ടോക്കണുകൾ, ഏകദേശം $1,200, 79 കമ്മിറ്റുകൾ, 75,000 ലൈനുകൾ — കൂടാതെ "വിലപ്പെട്ടതൊന്നുമില്

5:14 ↗
daily · ml · 2026 സെപ്റ്റം 30

ഓപ്പൺഎഐ ഡെവ്‌ഡേ 2026: ഡോട്ടുകൾ മുതൽ GPT-6.1 Sol വരെ 20+ പ്രഖ്യാപനങ്ങൾ

ഓപ്പൺഎഐയുടെ ഡെവ്‌ഡേ 2026 പ്രധാന പ്രസംഗം, വിശദീകരിക്കുന്നു: ഡോട്ടുകൾ (അവരുടേതായ ക്ലൗഡ് കമ്പ്യൂട്ടറുള്ള എപ്പോഴും ഓൺ ആയിരിക്കുന്ന ഏജന്റുകൾ), ChatGPT Space, Pages, GPT-6.1 Sol-ന് ഒരു ദശലക്ഷം ടോക്കണുകൾക്ക്

8:13 ↗