Google ഒരു ഹാക്കിംഗ് മോഡൽ പുറത്തിറക്കി. ഇതാണ് വ്യത്യാസം.

ഈ വീഡിയോയിൽ ഉൾപ്പെടുന്ന കാര്യങ്ങൾ

• Google Gemini 3.8 Flash + Flash Cyber (86.2% CyberGym, Fairwind Program) പുറത്തിറക്കുന്നു
• Meta Muse Spark 1.3 പുറത്തിറക്കുന്നു: $1.25/$4.25, അല്ലെങ്കിൽ Meta-യ്ക്ക് അതിൽ പരിശീലനം നൽകാൻ അനുവാദം നൽകുകയാണെങ്കിൽ $0.10/$0.20
• മൂന്ന് സൈറ്റുകൾ 215,128 വ്യാജ "മികച്ച സോഫ്റ്റ്‌വെയർ" പേജുകൾ ഉണ്ടാക്കി; Perplexity അവയെ ഉദ്ധരിക്കുന്നു

വിവർത്തനം ചെയ്ത ട്രാൻസ്ക്രിപ്റ്റ്

യഥാർത്ഥ ഇംഗ്ലീഷ് ആഖ്യാനത്തിൽ നിന്ന് വിവർത്തനം ചെയ്തത്. ലഭ്യമായ ഓഡിയോയും അടിക്കുറിപ്പുകളും YouTube നിയന്ത്രിക്കുന്നു.

0:00 Google ഇന്ന് ആറാഴ്ചയ്ക്കുള്ളിൽ അവരുടെ മൂന്നാമത്തെ Flash മോഡൽ പുറത്തിറക്കി, കൂടാതെ ഹാക്ക് ചെയ്യാൻ പരിശീലനം നൽകിയ ഒരു പതിപ്പും, നാല് മണിക്കൂറിന് ശേഷം Meta ഒരു മോഡൽ പുറത്തിറക്കി അത് സക്കർബർഗിന് നിങ്ങളുടെ കോഡ് വായിക്കാൻ നിങ്ങൾ അനുവദിക്കുകയാണെങ്കിൽ ഒരു ദശലക്ഷം ടോക്കണുകൾക്ക് പത്ത് സെന്റ് ചിലവാകും, അതിനാൽ AI വില യുദ്ധത്തിന് ഇപ്പോൾ ഒരു സൈബർ സുരക്ഷാ വിഭാഗമുണ്ട്. ഇന്ന് ബുധനാഴ്ചയാണ്, വ്യത്യാസം വലുതാണ്. Gemini 3.8 Flash ഹാക്കർ ന്യൂസിൽ ആയിരത്തി ഒരുന്നൂറ് പോയിന്റ് നേടി, Muse Spark 1.3 ഏകദേശം എഴുനൂറോളം അധികം നേടി, അതിനിടയിൽ, ഒരു ഗവേഷണ സ്ഥാപനം ഇരുപത്തിയൊന്നായിരം വ്യാജ മികച്ച സോഫ്റ്റ്‌വെയർ പേജുകൾ പ്രസിദ്ധീകരിച്ച മൂന്ന് വെബ്സൈറ്റുകൾ കണ്ടെത്തി,

0:28 Perplexity അവയെ ഉദ്ധരിക്കുന്നതിന് വേണ്ടി മാത്രം. ഇന്ന് കൂടാതെ: നിങ്ങളുടെ Firefox നിലനിർത്താൻ അപേക്ഷിക്കുന്ന ഒരു പോസ്റ്റിന് തൊള്ളായിരത്തി എൺപത്തിയെട്ട് പോയിന്റുകൾ ലഭിച്ചു, കൂടാതെ പരിശീലനത്തിൽ നിന്ന് ഒഴിവാകുന്നത് സംബന്ധിച്ച മിസ്‌ട്രലിന്റെ സഹായ പേജിന് ഏകദേശം അഞ്ഞൂറോളം ലഭിച്ചു, അതിൽ കൂടുതലും യൂറോപ്യൻമാർക്ക് അവരുടെ പ്രാദേശിക ഓപ്ഷൻ സ്ഥിരസ്ഥിതിയായി നിങ്ങളുടെ പ്രോംപ്റ്റുകളിൽ പരിശീലനം നൽകുന്നുണ്ടെന്ന് മനസ്സിലായപ്പോൾ. ഈ വീഡിയോയിൽ: Gemini 3.8 Flash-ന് യഥാർത്ഥത്തിൽ എത്ര ചിലവാകും, Google 650 പങ്കാളികൾക്ക് മാത്രം വിൽക്കുന്ന ഹാക്കിംഗ് മോഡൽ, Meta-യുടെ പത്ത് സെന്റ് നിരക്കും അത് യഥാർത്ഥത്തിൽ ഈടാക്കുന്ന തുകയും, രണ്ട് കമ്പനികളും എഴുതാത്ത ഒരു ബെഞ്ച്മാർക്കും. Meta-യുടെ പത്ത് സെന്റ് നിരക്കും അത് യഥാർത്ഥത്തിൽ ഈടാക്കുന്ന തുകയും, രണ്ട് കമ്പനികളും എഴുതാത്ത ഒരു ബെഞ്ച്മാർക്കും.

0:59 ഇന്ന് സെപ്റ്റംബർ 2, ബുധനാഴ്ചയാണ്, ഇത് The Daily Diff ആണ്. Gemini 3.8 Flash ഒരു ദശലക്ഷം ടോക്കണുകൾക്ക് അകത്തേക്ക് എഴുപത്തിയഞ്ച് സെന്റും പുറത്തേക്ക് മൂന്ന് ഡോളർ എഴുപത്തിയഞ്ച് സെന്റും ആണ്, മൂന്നാഴ്ച മുൻപുള്ള 3.7 Flash-ന് സമാനമായി, വില ജനുവരി 1-ന് ഇരട്ടിയാകുമെന്ന് ഒരു അടിക്കുറിപ്പോടെ, ഇതൊരു അധിക ഘട്ടങ്ങളുള്ള സൗജന്യ ട്രയലാണ്. തോൽവിയറിയാത്ത സ്ലൈഡ്-ഡെക്ക് ബെഞ്ച്മാർക്കുകളിൽ, ഇത് HLE-Verified-ൽ 54.9 ശതമാനം നേടുന്നു, Terminal-Bench-ൽ Sol-നെയും Opus 5-നെയും ഇത് തോൽപ്പിക്കുന്നു എന്ന് X പറയുന്നു, കൂടാതെ Logan Kilpatrick DeepSWE-യിൽ 73.7 നേടി, ഇത് ഇതുവരെ മനഃപാഠമാക്കിയിട്ടില്ലാത്ത

1:29 ഒരു ദീർഘകാല കോഡിംഗ് ബെഞ്ച്മാർക്കാണ്, അത്രയുമേയുള്ളൂ. അത് പറയും പോലെ. സൈമൺ വിൽസൺ അതിനോട് HTML-ൽ ഒരു രസകരമായ കാര്യം ഉണ്ടാക്കാൻ ആവശ്യപ്പെട്ടു, 1.8 സെന്റിന് പതിമൂന്ന് സെക്കൻഡിനുള്ളിൽ ഒരു കണികാ സിമുലേഷൻ ലഭിച്ചു, സെക്കൻഡിൽ അറുപത് ഫ്രെയിമുകളിൽ പ്രവർത്തിക്കുന്നു, കാരണം അറുപത് പേജിൽ ഹാർഡ് കോഡ് ചെയ്തിരുന്നു. Google-ന്റെ സ്വന്തം പോസ്റ്റ് ഞാൻ ഫ്രെയിം ചെയ്യാൻ ആഗ്രഹിക്കുന്ന ഒരു വാക്യം ഉപയോഗിച്ച് നേട്ടങ്ങൾ വിശദീകരിക്കുന്നു: 3.8 Flash കൂടുതൽ കഠിനാധ്വാനം ചെയ്യുന്നു. ഇത് അധിക യുക്തിസഹമായ ഘട്ടങ്ങൾ നടപ്പിലാക്കുന്നു, ഉപകരണങ്ങൾ ആവർത്തിച്ച് വിളിക്കുന്നു, കൂടാതെ, ഉദ്ധരിക്കുന്നു, കൂടുതൽ ടോക്കണുകൾ ഉപയോഗിക്കാം, ഇത് മീറ്റർ വേഗത്തിൽ പ്രവർത്തിക്കുന്നു എന്നതിന്റെ കോർപ്പറേറ്റ് രൂപമാണ്. സ്വതന്ത്ര DeepSWE ബോർഡ് രണ്ട് കാര്യങ്ങളിലും യോജിക്കുന്നു: Flash എഴുപത്തിനാല് ശതമാനം സ്കോർ ചെയ്യുന്നു,

2:02 ഓരോ ടാസ്ക്കിനും Opus 5-ന്റെ അഞ്ചിലൊന്ന് ചിലവിൽ Opus 5-ന് തുല്യം, പക്ഷേ അവിടെയെത്താൻ നൂറ്റി അറുപത്തിയാറ് ഘട്ടങ്ങളും ഒരു ലക്ഷം നാൽപ്പത്തി മൂവായിരം ഔട്ട്പുട്ട് ടോക്കണുകളും ആവശ്യമായി വന്നു, Sol ചെലവഴിച്ചതിനേക്കാൾ ഇരട്ടിയിലധികം. ആർട്ടിഫിഷ്യൽ അനാലിസിസ് അതിനെ ഗ്രേഡ് ചെയ്യാൻ മാത്രം ഒരു ലക്ഷം നാൽപ്പത് ദശലക്ഷം ടോക്കണുകളും ആയിരത്തി എഴുപത്തിയെട്ട് ഡോളറും കത്തിച്ചു. ആർട്ടിഫിഷ്യൽ അനാലിസിസ് അതിനെ ഗ്രേഡ് ചെയ്യാൻ മാത്രം ഒരു ലക്ഷം നാൽപ്പത് ദശലക്ഷം ടോക്കണുകളും ആയിരത്തി എഴുപത്തിയെട്ട് ഡോളറും കത്തിച്ചു. ഓരോ ടോക്കണിനും വില കുറഞ്ഞതും, ഓരോ ടാസ്ക്കിനും സംസാരിക്കുന്നതും, കൂടാതെ ആദ്യത്തെ ടോക്കൺ പന്ത്രണ്ട് സെക്കൻഡ് ചിന്തയ്ക്ക് ശേഷമെത്തും. പിന്നെ രസകരമായ പകുതി.

2:23 Gemini 3.8 Flash Cyber, സുരക്ഷാ റെയിലുകൾ അയച്ച മോഡലാണ്, ഉദ്ധരിക്കുന്നു, വിശ്വസനീയരായ പ്രതിരോധക്കാർക്ക് വേണ്ടി, കൂടാതെ സ്വയമേവ കേടുപാടുകൾ കണ്ടെത്തുന്നതിനുള്ള ബെഞ്ച്മാർക്കായ CyberGym-ൽ ഇത് 86.2 ശതമാനം നേടുന്നു എന്ന് സുന്ദർ പറയുന്നു. സ്വയമേവ കേടുപാടുകൾ കണ്ടെത്തുന്നതിനുള്ള ബെഞ്ച്മാർക്കായ CyberGym-ൽ ഇത് 86.2 ശതമാനം നേടുന്നു എന്ന് സുന്ദർ പറയുന്നു. ഇത് പാച്ചുകളും ചെയ്യുന്നു: CWE-Bench-ൽ 47.2 ശതമാനം, മുൻനിരയിലുള്ള ഒരു ഫ്രോണ്ടിയർ മോഡലിന് 47.8 ശതമാനമാണ്, വളരെ വലിയ വാണിജ്യ മോഡലുകളേക്കാൾ 2.6 ഇരട്ടി ശരിയായ പാച്ചുകൾ ഇത് ഉൽപ്പാദിപ്പിച്ചു എന്ന് Chrome ടീം പറയുന്നു, കൂടാതെ Google-ന്റെ ക്ലൗഡ് ഗവേഷകർ ഇത് ഉപയോഗിച്ച് രണ്ട് മണിക്കൂറിനുള്ളിൽ ഒരു ഗുരുതരമായ കേടുപാട് കണ്ടെത്തി, മാസങ്ങളോ അല്ലെങ്കിൽ ഒരു പ്രേരിതനായ കൗമാരക്കാരനോ സാധാരണയായി എടുക്കുന്ന ഒരു ജോലി. മാസങ്ങളോ അല്ലെങ്കിൽ ഒരു പ്രേരിതനായ കൗമാരക്കാരനോ സാധാരണയായി എടുക്കുന്ന ഒരു ജോലി.

2:54 Google പറയുന്നത് അവർ കേടുപാടുകൾ പരിഹരിക്കുന്നതിനാണ് ചൂഷണം ചെയ്യുന്നതിനേക്കാൾ മുൻഗണന നൽകിയത് എന്നാണ്, അതായത് മോഡലിന് തീർച്ചയായും ദ്വാരങ്ങളിലൂടെ നടക്കാൻ കഴിയും, അവർ അതിനോട് അത് ചെയ്യരുതെന്ന് ആവശ്യപ്പെട്ടു എന്നതിന്റെ മാന്യമായ മാർഗ്ഗം. അതായത് മോഡലിന് തീർച്ചയായും ദ്വാരങ്ങളിലൂടെ നടക്കാൻ കഴിയും, അവർ അതിനോട് അത് ചെയ്യരുതെന്ന് ആവശ്യപ്പെട്ടു എന്നതിന്റെ മാന്യമായ മാർഗ്ഗം. അതുകൊണ്ട് നിങ്ങൾക്ക് ഇത് ലഭിക്കില്ല. പുതിയ Fairwind പ്രോഗ്രാം വഴി പ്രവേശനം ലഭിക്കുന്നു: സർക്കാരുകൾ, പ്രധാന അടിസ്ഥാന സൗകര്യങ്ങൾ, കൂടാതെ 650 പരിശോധിച്ച പങ്കാളികൾ, നിർബന്ധിത രണ്ട് ഘടകം. എല്ലാ ഫ്രോണ്ടിയർ ലാബുകൾക്കും ഇപ്പോൾ ഒരു ഹാക്കിംഗ് മോഡൽ സ്വന്തമാണ്, അത് അവർ നിങ്ങൾക്ക് വിൽക്കില്ല, ഈ ആഴ്ച അതൊരു വിലകുറഞ്ഞ ഒന്നാണ്.

3:16 നാല് മണിക്കൂറിന് ശേഷം, മെറ്റ മ്യൂസ് സ്പാർക്ക് 1.3 പുറത്തിറക്കി, സക്കർബർഗ് അതിനെ ഫ്രോണ്ടിയർ എന്ന് വിശേഷിപ്പിച്ചു പ്രകടനം അളക്കാൻ കഴിയാത്തത്ര വിലകുറഞ്ഞത്, അത് സത്യമാണ്, മെൻലോ പാർക്കിന്റെ വലുപ്പമുള്ള ഒരു നക്ഷത്രചിഹ്നത്തോടെ. സാധാരണ എൻഡ്‌പോയിന്റ് ഒരു ഡോളർ ഇരുപത്തിയഞ്ച് സെന്റ് ഇൻ, നാല് ഡോളർ ഇരുപത്തിയഞ്ച് സെന്റ് ഔട്ട് എന്നിങ്ങനെയാണ്, ജെമിനിയെക്കാൾ കൂടുതൽ. കോൺട്രിബ്യൂട്ടർ എൻഡ്‌പോയിന്റ് പത്ത് സെന്റ് ഇൻ, ഇരുപത് സെന്റ് ഔട്ട് എന്നിങ്ങനെയാണ്, കാഷെ റീഡുകൾ ഒരു സെന്റിന്റെ അഞ്ചിലൊന്ന് വിലയ്ക്ക്, ഇരുപത് മടങ്ങ് വിലകുറവ്, ഞങ്ങളുടെ ഉൽപ്പന്നങ്ങൾ മെച്ചപ്പെടുത്താൻ ഉപയോഗിച്ചു എന്ന് പറയുന്ന ഒരു കോളം മാത്രമാണ് വ്യത്യാസം.

3:40 അതുകൊണ്ട് കിഴിവ് നിങ്ങളുടെ സെഷൻ ട്രാൻസ്ക്രിപ്റ്റാണ്, ഒരിക്കൽ പോലും ആർക്കും വായിക്കേണ്ടി വരുന്നില്ല ലൈസൻസ്, കാരണം മെറ്റ ലൈസൻസ് ഒരു വില ലിസ്റ്റായിട്ടാണ് എഴുതിയത്. പ്രധാന കമന്റ്: എന്റെ ടോക്കണുകൾ മോഷ്ടിക്കുന്നത് എത്രമാത്രം വിലപ്പെട്ടതാണെന്ന് ഇപ്പോൾ പൂർണ്ണമായും വ്യക്തമാണ്. കോൺട്രിബ്യൂട്ടർ പ്രോംപ്റ്റുകളിൽ പരിശീലിപ്പിച്ച ഒരു മോഡലിൽ നിന്ന് ആരെങ്കിലും ഒരു AWS കീ എക്‌സ്‌ട്രാക്റ്റ് ചെയ്യുന്നത് വരെ എത്ര സമയമെടുക്കുമെന്ന് രണ്ടാമത്തെ കമന്റ് അത്ഭുതപ്പെടുന്നു. കോൺട്രിബ്യൂട്ടർ പ്രോംപ്റ്റുകളിൽ പരിശീലിപ്പിച്ച ഒരു മോഡലിൽ നിന്ന് ആരെങ്കിലും ഒരു AWS കീ എക്‌സ്‌ട്രാക്റ്റ് ചെയ്യുന്നത് വരെ എത്ര സമയമെടുക്കുമെന്ന് രണ്ടാമത്തെ കമന്റ് അത്ഭുതപ്പെടുന്നു. മെറ്റയുടെ സ്വന്തം സ്കോർകാർഡിൽ, സ്പാർക്ക് 1.3 DeepSWE-യിൽ 75.4 നേടുന്നു, സോൾ, ഓപ്പസ് 5 എന്നിവയ്ക്ക് മുകളിൽ, കൂടാതെ 1.2 നെക്കാൾ ഇരുപത് ശതമാനം കുറവ് ടൂൾ കോളുകളും

4:06 ഇരുപത്തിയഞ്ച് ശതമാനം കുറവ് ടോക്കണുകളും ഉപയോഗിക്കുന്നു എന്ന് മെറ്റ പറയുന്നു, ഇത് ഗൂഗിളിന്റെ നേർ വിപരീതമാണ്, അതുകൊണ്ട് ഇന്ന് ലോകത്തിലെ ഏറ്റവും വലിയ രണ്ട് പരസ്യ കമ്പനികൾ കൂടുതൽ സംസാരിക്കുന്നത് നല്ലതാണോ എന്ന കാര്യത്തിൽ വിയോജിക്കുന്നു. കൂടുതൽ സംസാരിക്കുന്നത് നല്ലതാണോ എന്ന കാര്യത്തിൽ വിയോജിക്കുന്നു. അതേസമയം, ട്രെൽനർ റിസർച്ച് പെർപ്ലെക്സിറ്റിയോട് മുന്നൂറ്റി എൺപത് വിഭാഗങ്ങളിലെ മികച്ച സോഫ്റ്റ്‌വെയറുകൾ ചോദിച്ചു, എല്ലാ അവലംബങ്ങളും വായിച്ചു: 59.8 ശതമാനം ഏറ്റവും മികച്ച ലക്ഷം വെബ്‌സൈറ്റുകൾക്ക് പുറത്തുള്ള സൈറ്റുകളിൽ നിന്നാണ്, വിക്കിപീഡിയ ഏഴര ആയിരത്തിൽ മൂന്ന് തവണ ഉദ്ധരിക്കപ്പെട്ടു, കൂടാതെ രണ്ട് ലക്ഷത്തി പതിനയ്യായിരം ഉൽപ്പാദിപ്പിച്ച വാങ്ങൽ ഗൈഡുകളുള്ള മൂന്ന് സഹോദര സൈറ്റുകൾക്ക് അവരുടെ ഹോംപേജുകൾക്ക് ഫാക്ട്സ് ആൻഡ് ഗ്രൗണ്ടിംഗ് പേജ് എന്ന് പേരിട്ടു,

4:34 ക്രോളറിനെ അഭിസംബോധന ചെയ്തുകൊണ്ട്, നിങ്ങൾക്കല്ല. ക്രോളറിനെ അഭിസംബോധന ചെയ്തുകൊണ്ട്, നിങ്ങൾക്കല്ല. AI SEO യുദ്ധം ആരംഭിച്ചു, അതിന്റെ ആദ്യത്തെ ആയുധം ഒരു മാർക്കറ്റിംഗ് ബജറ്റുള്ള റെഗുലർ എക്സ്പ്രഷനാണ്. ഒരു ബുധനാഴ്ചയ്ക്കുള്ള ധാരാളം വിലവിവരങ്ങളുണ്ട്; ഇത് കേൾക്കുന്നതിനേക്കാൾ വായിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഡിഫ് എല്ലാ ദിവസവും രാവിലെ നിങ്ങളുടെ ഇൻബോക്സിൽ എത്തുന്നു - daily-diff.dev-ൽ സൗജന്യമായി, ലിങ്ക് താഴെ കൊടുക്കുന്നു. അതുകൊണ്ട്, ഇന്നത്തെ വിധി: SHIP IT. ജെമിനി 3.8 ഫ്ലാഷ് ഗൂഗിൾ എഴുതാത്ത ഒരു ബോർഡിൽ ഓപ്പസ് 5 മായി തുല്യമാണ്,

5:00 വിലയുടെ അഞ്ചിലൊന്നിന്. ടോക്കൺ ബിൽ വായിക്കുക, മെറ്റയുടെ കോളം ഹെഡറുകൾ വായിക്കുക. അതാണ് ഇന്നത്തെ diff. ഞാൻ ആക്സിസിയിലെ നിക്കോയാണ്. ഉത്തരവാദിത്തത്തോടെ ലയിപ്പിക്കുക.

ഉറവിടങ്ങൾ

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