Google julkaisi hakkerointimallin. Tässä ero.

Mitä tämä video käsittelee

• Google julkaisee Gemini 3.8 Flash + Flash Cyberin (86,2 % CyberGym, Fairwind-ohjelma)
• Meta julkaisee Muse Spark 1.3:n: 1,25 dollaria / 4,25 dollaria, tai 0,10 dollaria / 0,20 dollaria, jos Meta saa kouluttaa sen perusteella
• Kolme sivustoa teki 215 128 väärennettyä "paras ohjelmisto" -sivua; Perplexity lainaa niitä

Käännetty transkriptio

Käännetty alkuperäisestä englanninkielisestä selostuksesta. Käytettävissä olevan äänen ja tekstitysten hallinta tapahtuu YouTuben kautta.

0:00 Google julkaisi tänään kolmannen Flash-mallinsa kuudessa viikossa, sekä hakkerointiin koulutetun version, ja neljä tuntia myöhemmin Meta julkaisi mallin, joka maksaa kymmenen senttiä miljoonaa tokenia kohden, jos annat Zuckerbergin lukea koodisi, joten tekoälyn hintasodassa on nyt kyberturvallisuusosasto. On keskiviikko, ja ero on pitkä. Gemini 3.8 Flash saavutti yksitoista sataa pistettä Hacker Newsissa, Muse Spark 1.3 sai lähes seitsemänsataa enemmän, ja niiden välissä tutkimuslaitos löysi kolme verkkosivustoa, jotka julkaisivat kaksisataaviisitoista tuhatta

0:28 väärennettyä parhaan ohjelmiston sivua puhtaasti siksi, että Perplexity viittaisi niihin. Myös tänään: julkaisu, joka pyysi sinua pitämään kiinni Firefoxistasi, sai yhdeksänsataa kahdeksankymmentäkahdeksan pistettä, ja Mistralin ohjesivu koulutuksesta poistumisesta sai lähes viisisataa, enimmäkseen eurooppalaisilta, jotka huomasivat, että suvereeni vaihtoehto kouluttaa oletusarvoisesti kehotuksistasi. Tällä videolla: mitä Gemini 3.8 Flash todella maksaa, hakkerointimalli, jota Google myy vain kuudelle sadalle viidellekymmenelle kumppanille, Metan kymmenen sentin taso ja mitä se todella veloittaa, ja yksi vertailuarvo, jota kumpikaan yritys ei kirjoittanut.

0:59 On keskiviikko, syyskuun 2. päivä, ja tämä on The Daily Diff. Gemini 3.8 Flash maksaa seitsemänkymmentäviisi senttiä miljoonaa tokenia sisään ja kolme seitsemänkymmentäviisi ulos, sama kuin 3.7 Flash kolme viikkoa sitten, ja alaviitteessä sanotaan, että hinta kaksinkertaistuu tammikuun 1. päivänä, mikä on ilmainen kokeilu lisävaiheilla. Esityskansioiden vertailuarvoissa, jotka ovat voittamattomia, se saa 54,9 prosenttia HLE-Verifiedissä, X sanoo sen voittavan Solin ja Opus 5:n Terminal-Benchissä, ja Logan Kilpatrick julkaisi 73,7 DeepSWE:ssä, ainoassa pitkän aikavälin

1:29 koodauksen vertailuarvossa, jota ei ole vielä opeteltu ulkoa, väitetysti. Simon Willison pyysi sitä tekemään hienon jutun HTML:ssä ja sai hiukkassimulaation kolmessatoista sekunnissa 1,8 sentillä, ajonopeudella kuusikymmentä kuvaa sekunnissa, koska kuusikymmentä oli koodattu sivulle. Googlen oma julkaisu selittää edut lauseella, jonka kehystäisin: 3.8 Flash työskentelee kovemmin. Se suorittaa ylimääräisiä päättelyvaiheita, kutsuu työkaluja iteratiivisesti, ja, lainaus, saattaa käyttää enemmän tokeneita, mikä on yrityskieltä sille, että mittari käy nopeammin. Itsenäinen DeepSWE-lautakunta on samaa mieltä molemmista asioista: Flash saa seitsemänkymmentäneljä

2:02 prosenttia, tasoissa Opus 5:n kanssa viidesosalla kustannuksista per tehtävä, mutta se tarvitsi satakuusikymmentäkuusi vaihetta ja satakolmekymmentäkolme tuhatta tulostustokenia päästäkseen sinne, yli kaksi kertaa enemmän kuin Sol käytti. Artificial Analysis poltti satakolmekymmentä miljoonaa tokenia ja tuhat seitsemänkymmentäkahdeksan dollaria vain arvioidakseen sen. Halpa tokenia kohti, puhelias tehtävää kohti, ja ensimmäinen token saapuu kahdentoista sekunnin miettimisen jälkeen. Sitten mielenkiintoisempi puoli.

2:23 Gemini 3.8 Flash Cyber on sama malli, jonka turvallisuusrajoituksia on löysätty lainaus, luotetuille puolustajille, ja Sundar sanoo sen saavuttavan 86,2 prosenttia CyberGymissä, vertailuarvossa haavoittuvuuksien autonomiseen löytämiseen. Se myös korjaa: 47,2 prosenttia CWE-Benchissä verrattuna 47,8:aan johtavalle huippumallille, Chrome-tiimi sanoo sen tuottaneen 2,6 kertaa enemmän oikeita korjauksia kuin paljon suuremmat kaupalliset mallit, ja Googlen pilvitutkijat käyttivät sitä löytääkseen kriittisen haavoittuvuuden alle kahdessa tunnissa, tehtävän, joka yleensä kestää kuukausia, tai yhden motivoituneen teinin.

2:54 Google vaatii, että se priorisoi korjaamisen hyväksikäytön sijaan, mikä on kohtelias tapa sanoa, että malli voi ehdottomasti kävellä aukkojen läpi, he vain pyysivät sitä olemaan tekemättä niin. Joten et voi saada sitä. Pääsy tapahtuu uuden Fairwind-ohjelman kautta: hallitukset, kriittinen infrastruktuuri ja kuusisataaviisikymmentä tarkastettua kumppania pakollisilla kaksitekijäinen. Jokainen rajatiedon laboratorio omistaa nyt hakkerointimallin, jota he eivät myy sinulle, ja tällä viikolla se on halpa.

3:16 Neljä tuntia myöhemmin Meta julkaisi Muse Spark 1.3:n, ja Zuck kutsui sitä raja- suorituskyvyksi, joka on lähes liian halpa mitattavaksi, mikä on totta, yhdellä Menlo Parkin kokoisella asteriskilla. Normaali päätepiste on 1,25 dollaria sisään ja 4,25 dollaria ulos, enemmän kuin Gemini. Kontribuuttorin päätepiste on kymmenen senttiä sisään, kaksikymmentä senttiä ulos, välimuistilukemat viidesosa sentistä, jopa kaksikymmentä kertaa halvempaa, ja ainoa ero on sarake, jossa lukee "käytetty tuotteidemme parantamiseen".

3:40 Joten alennus on istuntosi transkriptio, ja tällä kertaa kenenkään ei tarvitse lukea lisenssiä, koska Meta kirjoitti lisenssin hinnastoksi. Ylin kommentti: on nyt täysin selvää, kuinka paljon tunnusteni varastaminen on arvoista. Toinen kommentti ihmettelee, kuinka kauan kestää, ennen kuin joku poimii AWS-avaimen mallista, joka on koulutettu kontribuuttorin kehotteilla. Metan omalla tuloskortilla Spark 1.3 saa 75,4 DeepSWE:ssä, yli Solin ja Opus 5:n, ja Meta sanoo sen käyttävän kaksikymmentä prosenttia vähemmän työkalukutsuja

4:06 ja kaksikymmentäviisi prosenttia vähemmän tunnuksia kuin 1.2, täysin vastakkainen panostus kuin Google, joten tänään kaksi suurinta mainosyritystä maailmassa ovat eri mieltä siitä, onko enemmän puhuminen hyvästä. Samaan aikaan Trellner Research kysyi Perplexityltä parhaista ohjelmistoista kolmessa sadassa kahdeksassakymmenessä kategoriassa ja luki jokaisen viittauksen: 59,8 prosenttia tuli sivustoilta sadantuhannen parhaan ulkopuolelta, Wikipediaa siteerattiin kolme kertaa seitsemästä ja puolesta tuhannesta, ja kolme sisarsivustoa, joilla on kaksisataaviisitoistatuhatta luotua osto-oppaista, nimeävät kotisivunsa 'Facts and Grounding Page',

4:34 osoitettuna indeksoijalle, ei sinulle. Tekoäly-SEO-sota on alkanut, ja sen ensimmäinen ase on regex markkinointibudjetilla. Se on paljon hintalappuja yhdelle keskiviikolle; jos haluat mieluummin lukea tämän kuin kuulla minun sanovan sen, diff saapuu sähköpostiisi joka aamu – ilmainen osoitteessa the daily diff dot dev, linkki alla. Joten, tämän päivän tuomio: SHIP IT. Gemini 3.8 Flash tasoittaa Opus 5:n siinä yhdessä taulussa, jota Google ei kirjoittanut, viidesosalla hinnasta.

5:00 Lue vain tunnuslasku ja Metan sarakkeiden otsikot. Siinä tämän päivän ero. Olen Niko Axrisista. Yhdistä vastuullisesti. REVERT.

Lähteet

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