Google tocmai a lansat un model de hacking. Iată diferența.

Ce acoperă acest videoclip

• Google lansează Gemini 3.8 Flash + Flash Cyber (86,2% CyberGym, Fairwind Program)
• Meta lansează Muse Spark 1.3: 1,25 USD/4,25 USD, sau 0,10 USD/0,20 USD dacă Meta poate antrena pe el
• Trei site-uri au creat 215.128 de pagini false „cel mai bun software”; Perplexity le citează

Transcrierea tradusă

Tradus din narațiunea originală în engleză. Audio-ul și subtitrările disponibile sunt controlate de YouTube.

0:00 Google a lansat astăzi cel de-al treilea model Flash în șase săptămâni, plus o versiune antrenată pentru a hack-ui, iar patru ore mai târziu Meta a lansat un model care costă zece cenți pe milion de token-uri dacă îl lași pe Zuckerberg să-ți citească codul, astfel încât războiul prețurilor AI are acum o divizie de securitate cibernetică. Este miercuri, iar diferența este mare. Gemini 3.8 Flash a atins unsprezece sute de puncte pe Hacker News, Muse Spark 1.3 a obținut aproape șapte sute mai mult, iar între timp, un atelier de cercetare a găsit trei site-uri web care au publicat două sute cincisprezece mii

0:28 de pagini false cu cel mai bun software, pur și simplu pentru ca Perplexity să le citeze. Tot astăzi: o postare care te implora să-ți păstrezi Firefox-ul a obținut nouă sute optzeci și opt de puncte, iar pagina de ajutor a lui Mistral despre renunțarea la antrenament a obținut aproape cinci sute, în mare parte de la europeni care descopereau că opțiunea suverană se antrenează pe prompturile tale implicit. În acest videoclip: cât costă de fapt Gemini 3.8 Flash, modelul de hacking pe care Google îl va vinde doar la șase sute cincizeci de parteneri, nivelul de zece cenți al Meta și cât încărcă cu adevărat, și singurul benchmark pe care nicio companie nu l-a scris.

0:59 Este miercuri, 2 septembrie, și acesta este The Daily Diff. Gemini 3.8 Flash costă șaptezeci și cinci de cenți pe milion de token-uri la intrare și trei șaptezeci și cinci la ieșire, la fel ca 3.7 Flash de acum trei săptămâni, cu o notă de subsol care spune că prețul se dublează pe 1 ianuarie, ceea ce este o probă gratuită cu pași suplimentari. Pe benchmark-urile slide-deck, care sunt neînvinse, marchează 54,9 la sută pe HLE-Verified, X spune că învinge Sol și Opus 5 pe Terminal-Bench, și Logan Kilpatrick a postat un 73.7 pe DeepSWE, singurul benchmark de codare cu orizont lung

1:29 care nu a fost memorat încă, se presupune. Simon Willison i-a cerut să facă un lucru cool în HTML și a obținut o simulare de particule în treisprezece secunde pentru 1,8 cenți, rulant la șaizeci de cadre pe secundă, deoarece șaizeci era codat în pagină. Propria postare a lui Google explică câștigurile cu o propoziție pe care aș înrăma-o: 3.8 Flash lucrează mai mult. Execută pași suplimentari de raționament, apelează instrumente iterativ, și, citez, ar putea folosi mai multe token-uri, ceea ce este corporate pentru contorul rulează mai repede. Consiliul independent DeepSWE este de acord pe ambele planuri: Flash marchează șaptezeci și patru

2:02 la sută, la egalitate cu Opus 5 la o cincime din costul per sarcină, dar a avut nevoie de o sută șaizeci și șase de pași și o sută patruzeci și trei de mii de token-uri de ieșire pentru a ajunge acolo, de peste două ori mai mult decât a cheltuit Sol. Artificial Analysis a ars o sută patruzeci de milioane de token-uri și o mie șaptezeci și opt de dolari doar pentru a-l evalua. Ieftin per token, vorbăreț per sarcină, iar primul token ajunge după douăsprezece secunde de gândire. Apoi jumătatea interesantă.

2:23 Gemini 3.8 Flash Cyber este același model cu siguranțele slăbite pentru, citez, apărători de încredere, și Sundar spune că atinge 86,2 la sută pe CyberGym, benchmark-ul pentru găsirea autonomă a vulnerabilităților. De asemenea, corectează: 47,2 la sută pe CWE-Bench față de 47,8 pentru un model de vârf de frontieră, echipa Chrome spune că a produs de 2,6 ori mai multe corecții corecte decât modelele comerciale mult mai mari, iar cercetătorii cloud de la Google l-au folosit pentru a găsi o vulnerabilitate critică în mai puțin de două ore, o sarcină care de obicei durează luni, sau un adolescent motivat.

2:54 Google insistă că a prioritizat remedierea în detrimentul exploatării, ceea ce este modul politicos de a spune că modelul poate absolut să treacă prin găuri, doar că i-au cerut să nu o facă. Deci nu-l poți avea. Accesul se face printr-un nou Program Fairwind: guverne, infrastructură critică și șase sute cincizeci de parteneri verificați cu obligativitate doi factori. Fiecare laborator de frontieră deține acum un model de hacking pe care nu ți-l va vinde, și săptămâna aceasta este unul ieftin.

3:16 Patru ore mai târziu, Meta a lansat Muse Spark 1.3, iar Zuck l-a numit performanță de frontieră aproape prea ieftină pentru a fi măsurată, ceea ce este adevărat, cu un singur asterisc de mărimea Menlo Park. Endpoint-ul normal este de un dolar douăzeci și cinci la intrare și patru douăzeci și cinci la ieșire, mai mult decât Gemini. Endpoint-ul pentru contribuitori este de zece cenți la intrare, douăzeci de cenți la ieșire, citiri de cache la o cincime de cent, de până la douăzeci de ori mai ieftine, și singura diferență este o coloană care scrie „utilizat pentru a îmbunătăți produsele noastre”.

3:40 Deci, reducerea este transcrierea sesiunii tale, și pentru o dată nimeni nu trebuie să citească licența, pentru că Meta a scris licența ca o listă de prețuri. Comentariu de top: este acum complet evident cât valorează furtul jetonelor mele. Al doilea comentariu se întreabă cât timp va dura până când cineva va extrage o cheie AWS dintr-un model antrenat pe prompturi de la contribuitori. Pe propriul scor al Meta, Spark 1.3 obține 75.4 pe DeepSWE, peste Sol și Opus 5, iar Meta spune că utilizează cu douăzeci la sută mai puține apeluri de instrumente

4:06 și cu douăzeci și cinci la sută mai puține jetoane decât 1.2, exact pariul opus față de Google, așa că astăzi cele două cele mai mari companii de publicitate de pe pământ nu sunt de acord dacă a vorbi mai mult este bine. Între timp, Trellner Research a cerut Perplexity cel mai bun software în trei sute optzeci de categorii și a citit fiecare citat: 59.8 la sută au provenit de pe site-uri din afara primelor o sută de mii, Wikipedia a fost citată de trei ori din șapte mii și jumătate, și trei site-uri surori cu două sute cincisprezece mii

4:34 de ghiduri de cumpărare generate își intitulează paginile de pornire „Facts and Grounding Page”, adresate crawler-ului, nu ție. Războiul AI SEO a început, iar prima sa armă este regex cu un buget de marketing. Asta-s multe etichete de preț pentru o singură miercuri; dacă preferi să citești asta decât să mă auzi spunând-o, The Daily Diff îți aterizează în căsuța poștală în fiecare dimineață — gratuit la thedailydiff.dev, link mai jos. Deci, verdictul de astăzi: SHIP IT. Gemini 3.8 Flash egalează Opus 5 pe singurul board pe care Google nu l-a scris,

5:00 pentru o cincime din preț. Doar citește factura de jetoane și citește antetele de coloane ale Meta. Asta este The Daily Diff de azi. Sunt Niko de la Axrisi. Îmbină responsabil.

Surse

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