Google je pravkar izdal model za hekanje. Tukaj je razlika.

Kaj zajema ta videoposnetek

• Google izdaja Gemini 3.8 Flash + Flash Cyber (86,2 % CyberGym, program Fairwind)
• Meta izdaja Muse Spark 1.3: 1,25 $/4,25 $, ali 0,10 $/0,20 $, če Meta lahko trenira na njem
• Tri spletne strani so ustvarile 215.128 lažnih strani o "najboljši programski opremi"; Perplexity jih navaja

Preveden prepis

Prevedeno iz izvirnega angleškega pripovedovanja. Razpoložljivi zvok in podnapisi so nadzorovani s strani YouTuba.

0:00 Google je danes izdal svoj tretji model Flash v šestih tednih, plus različico, usposobljeno za hekanje, in štiri ure kasneje je Meta izdala model, ki stane deset centov na milijon žetonov, če Zuckerbergovi dovolite branje vaše kode, tako da ima vojna cen AI zdaj oddelek za kibernetsko varnost. Je sreda, in razlika je dolga. Gemini 3.8 Flash je dosegel enajst sto točk na Hacker News, Muse Spark 1.3 je dosegel skoraj sedemsto več, vmes pa je raziskovalna delavnica našla tri spletne strani, ki so objavile dvesto petnajst tisoč

0:28 lažnih strani o najboljši programski opremi zgolj zato, da bi jih Perplexity citiral. Prav tako danes: objava, ki vas prosi, da obdržite Firefox, je dobila devetsto oseminosemdeset točk, in Mistralova stran za pomoč pri odjavi od usposabljanja je dobila skoraj petsto, večinoma od Evropejcev, ki so odkrili, da suverena možnost privzeto trenira na vaših pozivih. V tem videu: kaj Gemini 3.8 Flash dejansko stane, model za hekanje, ki ga Google bo prodal le šestim sto petdesetim partnerjem, Metin desetcentni razred in kaj dejansko zaračunava, in edina referenca, ki je ni napisalo nobeno podjetje.

0:59 Je sreda, 2. september, in to je The Daily Diff. Gemini 3.8 Flash je petinsedemdeset centov na milijon žetonov za vnos in tri petinsedemdeset za izhod, enako kot 3.7 Flash pred tremi tedni, z opombo, da se cena podvoji 1. januarja, kar je brezplačna preizkusna različica z dodatnimi koraki. Na referenčnih merilih diapozitivov, ki so nepremagljiva, dosega 54,9 odstotka na HLE-Verified, X pravi, da prekaša Sol in Opus 5 na Terminal-Bench, in Logan Kilpatrick je objavil 73,7 na DeepSWE, edini dolgoročni

1:29 referenčni test kodiranja, ki še ni bil pomnjen, domnevno. Simon Willison ga je prosil, naj ustvari kul stvar v HTML in dobil je simulacijo delcev v trinajstih sekundah za 1,8 centa, ki deluje pri šestdesetih sličicah na sekundo, ker je bila šestdesetica trdo kodirana v stran. Googlova lastna objava pojasnjuje pridobitve s stavkom, ki bi ga uokviril: 3.8 Flash deluje bolj intenzivno. Izvede dodatne korake sklepanja, iterativno kliče orodja, in, citiram, morda porabi več žetonov, kar je korporativno za to, da števec teče hitreje. Neodvisni odbor DeepSWE se strinja glede obojega: Flash dosega štiriinsedemdeset

2:02 odstotkov, izenačen z Opusom 5 po petini stroškov na nalogo, vendar je potreboval sto šestinšestdeset korakov in sto triinštirideset tisoč izhodnih žetonov, da bi prišel tja, več kot dvakrat toliko, kot je porabil Sol. Artificial Analysis je porabil sto štirideset milijonov žetonov in tisoč oseminsedemdeset dolarjev samo za oceno. Poceni na žeton, klepetav na nalogo, in prvi žeton prispe po dvanajstih sekundah razmišljanja. Potem pa zanimiva polovica.

2:23 Gemini 3.8 Flash Cyber je enak model z zrahljanimi varnostnimi omejitvami za, citiram, zaupanja vredne branilce, in Sundar pravi, da dosega 86,2 odstotka na CyberGym, referenčnem merilu za avtonomno iskanje ranljivosti. Tudi popravlja: 47,2 odstotka na CWE-Bench proti 47,8 za vodilni mejni model, ekipa Chrome pravi, da je ustvaril 2,6-krat več pravilnih popravkov kot veliko večji komercialni modeli, in Googlovi raziskovalci v oblaku so ga uporabili za iskanje kritične ranljivosti v manj kot dveh urah, delo, ki običajno traja mesece, ali enega motiviranega najstnika.

2:54 Google vztraja, da je dal prednost popravljanju pred izkoriščanjem, kar je vljuden način, da se reče, da model lahko absolutno hodi skozi luknje, samo prosili so ga, naj ne. Tako da ga ne morete imeti. Dostop poteka preko novega programa Fairwind: vlade, kritična infrastruktura in šeststo petdeset preverjenih partnerjev z obveznim dvofaktorsko. Vsak obmejni laboratorij ima zdaj hekerski model, ki vam ga ne bo prodal, in ta teden je poceni.

3:16 Štiri ure pozneje je Meta izdala Muse Spark 1.3, in Zuck ga je označil za prelomnega zmogljivost skoraj preveč poceni za merjenje, kar drži, z eno zvezdico velikosti Menlo Parka. Običajna končna točka je dolar petindvajset vstopa in štiri petindvajset izstopa, več kot Gemini. Končna točka za sodelujoče je deset centov vstopa, dvajset centov izstopa, branje predpomnilnika za petino centa, do dvajsetkrat ceneje, in edina razlika je stolpec, ki pravi, da je bil uporabljen za izboljšanje naših izdelkov.

3:40 Tako je popust vaš transkript seje, in tokrat nihče ne rabi brati licence, saj je Meta licenco napisala kot cenik. Najboljši komentar: zdaj je popolnoma očitno, koliko je vredno kraje mojih žetonov. Drugi komentar se sprašuje, kako dolgo bo trajalo, da nekdo iz modela izvleče ključ AWS izurjenega na pozivih sodelujočih. Na Metini lastni lestvici Spark 1.3 doseže 75,4 na DeepSWE, nad Solom in Opusom 5, in Meta pravi, da uporablja dvajset odstotkov manj klicev orodij

4:06 in petindvajset odstotkov manj žetonov kot 1.2, kar je točno nasprotna stava od Googla, tako da se danes dve največji oglaševalski podjetji na svetu ne strinjata, ali je več pogovarjanja dobro. Medtem je Trellner Research vprašal Perplexity za najboljšo programsko opremo v treh sto osemdesetih kategorijah in prebral vsako navedbo: 59,8 odstotka jih je prišlo s spletnih mest zunaj prvih sto tisoč, Wikipedia je bila citirana trikrat od sedmih in pol tisoč, in tri partnerska mesta z dvestopetnajst tisoč

4:34 ustvarjenimi nakupovalnimi vodiči so naslovila svoje domače strani Dejstva in Stran za utemeljitev, namenjene iskalniku, ne vam. Vojna za AI SEO se je začela, in njeno prvo orožje je regex z marketinškim proračunom. To je veliko cenovk za eno sredo; če to raje preberete kot poslušate, kako to povem, diff pristane v vašem nabiralniku vsako jutro — brezplačno na the daily diff dot dev, povezava spodaj. Torej, današnja sodba: SHIP IT. Gemini 3.8 Flash se izenači z Opusom 5 na edini plošči, ki jo Google ni napisal,

5:00 za petino cene. Samo preberite račun za žetone in preberite Metine glave stolpcev. To je današnji diff. Sem Niko iz Axrisi. Združite odgovorno.

Viri

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