Google tikko izlaida uzlaušanas modeli. Lūk, atšķirība.

Ko aptver šis video

• Google izlaiž Gemini 3.8 Flash + Flash Cyber (86,2% CyberGym, Fairwind programma)
• Meta izlaiž Muse Spark 1.3: 1,25 ASV dolāri / 4,25 ASV dolāri, vai 0,10 ASV dolāri / 0,20 ASV dolāri, ja Meta drīkst to apmācīt
• Trīs vietnes izveidoja 215 128 viltotas "labākās programmatūras" lapas; Perplexity tās citē

Tulkotais transkripts

Tulkojums no oriģinālā angļu stāstījuma. Pieejamais audio un subtitri tiek kontrolēti no YouTube.

0:00 Google šodien izlaida savu trešo Flash modeli sešu nedēļu laikā, plus versiju, kas apmācīta uzlaušanai, un četras stundas vēlāk Meta izlaida modeli, kas maksā desmit centus par miljonu žetonu, ja ļaujat Zakerbergam lasīt jūsu kodu, tāpēc AI cenu karam tagad ir kiberdrošības nodaļa. Ir trešdiena, un atšķirība ir liela. Gemini 3.8 Flash sasniedza vienpadsmit simtus punktu Hacker News, Muse Spark 1.3 ieguva gandrīz septiņus simtus vairāk, un pa vidu, pētniecības veikals atrada trīs vietnes, kas publicēja divi simti piecpadsmit tūkstošus

0:28 viltotu labākās programmatūras lapu tikai tāpēc, lai Perplexity tās citētu. Arī šodien: ieraksts, kas lūdza jums paturēt savu Firefox, ieguva deviņus simtus astoņdesmit astoņus punktus, un Mistral palīdzības lapa par atteikšanos no apmācības ieguva gandrīz piecus simtus, galvenokārt no eiropiešiem, kuri atklāja, ka suverēnā opcija apmāca pēc noklusējuma jūsu uzvednēs. Šajā videoklipā: cik patiesībā maksā Gemini 3.8 Flash, uzlaušanas modelis Google pārdos tikai sešiem simtiem piecdesmit partneru, Meta desmit centu līmenis un to, ko tas patiesībā maksā, un viens etalons, ko neviens uzņēmums nav rakstījis.

0:59 Ir trešdiena, 2. septembris, un šis ir The Daily Diff. Gemini 3.8 Flash ir septiņdesmit pieci centi par miljonu žetonu iekšā un trīs septiņdesmit pieci ārā, tāpat kā 3.7 Flash no pirms trim nedēļām, ar zemsvītras piezīmi, ka cena dubultojas 1. janvārī, kas ir bezmaksas izmēģinājums ar papildu soļiem. Uz slaidu etaloniem, kas ir nepārspēti, tas iegūst 54,9 procentus HLE-Verified, X saka, ka tas pārspēj Sol un Opus 5 uz Terminal-Bench, un Logans Kilpatriks publicēja 73,7 uz DeepSWE, vienīgais ilgā horizonta

1:29 koda etalons, kas vēl nav iegaumēts, it kā. Saimons Vilsons lūdza to izveidot foršu lietu HTML un ieguva daļiņu simulāciju trīspadsmit sekundēs par 1,8 centiem, darbojoties ar sešdesmit kadriem sekundē, jo sešdesmit bija cieti kodēts lapā. Google paša ieraksts skaidro ieguvumus ar teikumu, ko es ierāmētu: 3.8 Flash strādā smagāk. Tas veic papildu spriešanas soļus, iteratīvi izsauc rīkus, un, citējot, varētu izmantot vairāk žetonu, kas korporatīvajā valodā nozīmē, ka skaitītājs darbojas ātrāk. Neatkarīgā DeepSWE valde piekrīt abiem punktiem: Flash iegūst septiņdesmit četrus

2:02 procentus, vienā līmenī ar Opus 5 par piekto daļu no izmaksām par uzdevumu, bet tam bija nepieciešami simts sešdesmit seši soļi un simts četrdesmit trīs tūkstoši izejas žetonu, lai to sasniegtu, vairāk nekā divas reizes vairāk nekā Sol tērēja. Mākslīgā analīze sadedzināja simts četrdesmit miljonus žetonu un tūkstoti septiņdesmit astoņus dolārus tikai, lai to novērtētu. Lēts par žetonu, pļāpīgs par uzdevumu, un pirmais žetons pienāk pēc divpadsmit sekundēm domāšanas. Pēc tam interesantā puse.

2:23 Gemini 3.8 Flash Cyber ir tas pats modelis ar atvieglinātiem drošības margām, citējot, uzticamiem aizstāvjiem, un Sundar saka, ka tas sasniedz 86,2 procentus CyberGym, etalons autonomai ievainojamību atrašanai. Tas arī labo: 47,2 procenti CWE-Bench pret 47,8 vadošam robežmodelim, Chrome komanda saka, ka tas radīja 2,6 reizes vairāk pareizu labojumu nekā daudz lielāki komerciālie modeļi, un Google mākoņa pētnieki to izmantoja, lai atrastu kritisku ievainojamību mazāk nekā divu stundu laikā, darbs, kas parasti prasa mēnešus, vai vienu motivētu pusaudzi.

2:54 Google uzstāj, ka prioritāte bija labošana, nevis izmantošana, kas ir pieklājīgs veids, kā teikt, ka modelis absolūti var iet cauri caurumiem, viņi vienkārši lūdza to nedarīt. Tāpēc jūs to nevarat iegūt. Piekļuve notiek caur jauno Fairwind programmu: valdības, kritiskā infrastruktūra un seši simti piecdesmit pārbaudīti partneri ar obligātu divu faktoru. Katrai robežlaboratorijai tagad pieder hakeru modelis, ko tā jums nepārdos, un šonedēļ tas ir lēts.

3:16 Pēc četrām stundām Meta izlaida Muse Spark 1.3, un Zaks to nosauca par robežveiktspēju, kas ir gandrīz pārāk lēta, lai to mērītu, kas ir taisnība, ar vienu zvaigznīti Menlo Parka lielumā. Parastais gala punkts ir viens dolārs divdesmit pieci centi iekšā un četri divdesmit pieci centi ārā, vairāk nekā Gemini. Līdzstrādnieka gala punkts ir desmit centi iekšā, divdesmit centi ārā, kešatmiņas lasīšana par piektdaļu centa, līdz pat divdesmit reizēm lētāk, un vienīgā atšķirība ir kolonna, kurā teikts: izmantots mūsu produktu uzlabošanai.

3:40 Tātad atlaide ir jūsu sesijas transkripts, un šoreiz nevienam nav jālasa licence, jo Meta uzrakstīja licenci kā cenrādi. Augšējais komentārs: tagad ir pilnīgi skaidrs, cik vērta ir manu žetonu zagšana. Otrais komentārs brīnās, cik ilgi, līdz kāds izvilks AWS atslēgu no modeļa, kas apmācīts, izmantojot līdzstrādnieku norādījumus. Meta paša vērtējumā Spark 1.3 iegūst 75,4 punktus DeepSWE, augstāk par Sol un Opus 5, un Meta saka, ka tas izmanto par divdesmit procentiem mazāk rīku izsaukumu

4:06 un par divdesmit pieciem procentiem mazāk žetonu nekā 1.2, tieši pretēja likme no Google, tāpēc šodien divas lielākās reklāmu kompānijas pasaulē nepiekrīt par to, vai vairāk runāšana ir laba. Tikmēr Trellner Research jautāja Perplexity par labāko programmatūru trīs simti astoņdesmit kategorijās un izlasīja katru citātu: 59,8 procenti nāca no vietnēm ārpus simts tūkstošu topa, Wikipedia tika citēta trīs reizes no septiņiem ar pusi tūkstošiem, un trīs māsas vietnes ar divsimt piecpadsmit tūkstošiem

4:34 ģenerētu pirkšanas ceļvežu nosaukumiem sākumlapās: „Fakti un Pamatojuma lapa”, adresēta rāpulim, nevis jums. AI SEO karš ir sācies, un tā pirmais ierocis ir regex ar mārketinga budžetu. Tā ir liela cenu zīme vienai trešdienai; ja vēlaties to lasīt, nevis dzirdēt, kā es to saku, THE DAILY DIFF nonāk jūsu iesūtnē katru rītu — bez maksas vietnē thedailydiff.dev, saite zemāk. Tātad, šodienas spriedums: SHIP IT. Gemini 3.8 Flash ir vienā līmenī ar Opus 5 uz vienas plates, ko Google neuzrakstīja,

5:00 par piektdaļu no cenas. Vienkārši izlasiet žetonu rēķinu un izlasiet Meta kolonnu virsrakstus. Tas ir šodienas THE DAILY DIFF. Esmu Niko no Axrisi. Merge responsibly.

Avoti

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