Google је управо објавио модел за хаковање. Ево разлике.

Шта овај видео покрива

• Google објављује Gemini 3.8 Flash + Flash Cyber (86,2% CyberGym, Fairwind Program)
• Meta објављује Muse Spark 1.3: 1,25 $/4,25 $, или 0,10 $/0,20 $ ако Meta сме да тренира на њему
• Три сајта су направила 215.128 лажних страница „најбољи софтвер“; Perplexity их цитира

Преведени транскрипт

Преведено са оригиналне енглеске нарације. Доступни аудио и титлови контролисани су од стране YouTube-а.

0:00 Google је данас објавио свој трећи Flash модел у шест недеља, плус верзију обучену за хаковање, а четири сата касније Meta је објавила модел који кошта десет центи по милиону токена ако дозволите Цукербергу да чита ваш код, тако да рат цена вештачке интелигенције сада има одељење за сајбер безбедност. Среда је, а разлика је велика. Gemini 3.8 Flash је достигао једанаест стотина поена на Hacker News-у, Muse Spark 1.3 је узео скоро седам стотина више, а између, истраживачка радња је пронашла три веб странице које су објавиле двеста петнаест хиљада

0:28 лажних страница о најбољем софтверу чисто да би их Perplexity цитирао. Такође данас: објава која вас моли да задржите свој Firefox добила је девет стотина осамдесет осам поена, а Mistral-ова страница помоћи о одустајању од обуке добила је скоро пет стотина, углавном од Европљана који су открили да суверена опција подразумевано тренира на вашим упитима. У овом видеу: колико заправо кошта Gemini 3.8 Flash, модел за хаковање који Google ће продати само шест стотина педесет партнера, Meta-ин ниво од десет центи и шта она стварно наплаћује, и један бенчмарк који ниједна компанија није написала.

0:59 Среда је, 2. септембар, и ово је The Daily Diff. Gemini 3.8 Flash је седамдесет пет центи по милиону токена за улаз и три седамдесет пет за излаз, исто као 3.7 Flash од пре три недеље, са фуснотом која каже да се цена удвостручује 1. јануара, што је бесплатна пробна верзија са додатним корацима. На бенчмарковима слајд-дека, који су непоражени, постиже 54,9 одсто на HLE-Verified, X каже да побеђује Sol и Opus 5 на Terminal-Bench, а Logan Kilpatrick је објавио 73,7 на DeepSWE, једином бенчмарку за кодирање дугог хоризонта

1:29 који још није запамћен, наводно. Симон Вилисон је тражио да направи кул ствар у HTML-у и добио је симулацију честица за тринаест секунди за 1,8 центи, ради на шездесет кадрова у секунди, јер је шездесет било уграђено у страницу. Google-ова сопствена објава објашњава добитке реченицом коју бих уоквирио: 3.8 Flash ради више. Извршава додатне кораке размишљања, итеративно позива алате, и, цитат, можда користи више токена, што је корпоративно за брже ради бројач. Независни DeepSWE одбор се слаже по обе тачке: Flash постиже седамдесет четири

2:02 одсто, изједначен са Opus 5 по петини трошкова по задатку, али је било потребно сто шездесет шест корака и сто четрдесет три хиљаде излазних токена да би се дошло до тога, више него двоструко од онога што је Sol потрошио. Artificial Analysis је потрошио сто четрдесет милиона токена и хиљаду седамдесет осам долара само да би га оценио. Јефтин по токену, брбљив по задатку, а први токен стиже након дванаест секунди размишљања. Онда занимљива половина.

2:23 Gemini 3.8 Flash Cyber је исти модел са опуштеним сигурносним оградама за, цитат, поуздане браниоце, а Сундар каже да постиже 86,2 одсто на CyberGym-у, бенчмарку за аутономно проналажење рањивости. Такође закрпљује: 47,2 одсто на CWE-Bench у односу на 47,8 за водећи гранични модел, тим Chrome-а каже да је произвео 2,6 пута више исправних закрпа од много већих комерцијалних модела, а Google-ови истраживачи облака су га користили да пронађу критичну рањивост за мање од два сата, посао који обично траје месецима, или један мотивисани тинејџер.

2:54 Google инсистира да је дао приоритет поправљању над експлоатацијом, што је учтив начин да се каже да модел апсолутно може проћи кроз рупе, само су тражили да то не ради. Дакле, не можете га имати. Приступ иде кроз нови Fairwind програм: владе, критична инфраструктура и шест стотина педесет проверених партнера са обавезним dvofaktorska. Svaka laboratorija na granici sada poseduje hakerski model koji vam neće prodati, a ove nedelje je to jeftin model.

3:16 Četiri sata kasnije, Meta je objavila Muse Spark 1.3, a Zakerberg ga je nazvao graničnim performansama skoro previše jeftinim za merenje, što je istina, sa jednom zvezdicom veličine Menlo Parka. Normalna krajnja tačka je dolar dvadeset pet centi ulaz i četiri dolara dvadeset pet centi izlaz, više nego Gemini. Krajnja tačka doprinosioca je deset centi ulaz, dvadeset centi izlaz, čitanje keša po petini centa, do dvadeset puta jeftinije, a jedina razlika je kolona koja kaže „koristi se za poboljšanje naših proizvoda“.

3:40 Dakle, popust je transkript vaše sesije, i po prvi put niko ne mora da čita licencu, jer je Meta napisala licencu kao cenovnik. Najbolji komentar: sada je potpuno očigledno koliko vredi krađa mojih tokena. Drugi komentar se pita koliko dugo će proći dok neko ne izvuče AWS ključ iz modela obučenog na doprinosnim upitima. Na sopstvenoj tabli sa rezultatima Mete, Spark 1.3 dobija 75,4 na DeepSWE, iznad Sol i Opus 5, i Meta kaže da koristi dvadeset procenata manje poziva alata

4:06 i dvadeset pet procenata manje tokena od 1.2, što je tačno suprotna opklada od Google-a, tako da se danas dve najveće reklamne kompanije na svetu ne slažu oko toga da li je više razgovora dobro. U međuvremenu, Trellner Research je pitao Perplexity za najbolji softver u trista osamdeset kategorija i pročitao je svaku citiranu referencu: 59,8 procenata je došlo sa sajtova izvan prvih sto hiljada, Wikipedia je citirana tri puta od sedam i po hiljada, a tri sestrinska sajta sa dvesta petnaest hiljada

4:34 generisanih vodiča za kupovinu nazivaju svoje početne stranice „Činjenice i stranica sa osnovama“, namenjene pretraživaču, a ne vama. Rat AI SEO je počeo, a njegovo prvo oružje je regex sa marketinškim budžetom. To je mnogo cena za jednu sredu; ako biste radije pročitali ovo nego čuli kako ja to govorim, The Daily Diff stiže u vaše sanduče svako jutro — besplatno na daily diff.dev, link ispod. Dakle, današnja presuda: SHIP IT. Gemini 3.8 Flash izjednačava Opus 5 na jednoj tabli koju Google nije napisao,

5:00 za petinu cene. Samo pročitajte račun za tokene i pročitajte zaglavlja Meta kolona. To je današnji The Daily Diff. Ja sam Niko iz Axrisi. Spajajte odgovorno.

Извори

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