Google sapo lëshoi një model hakerimi. Ja ndryshimi.

Çfarë mbulon kjo video

• Google lëshon Gemini 3.8 Flash + Flash Cyber (86.2% CyberGym, Programi Fairwind)
• Meta lëshon Muse Spark 1.3: 1.25$/4.25$, ose 0.10$/0.20$ nëse Meta mund të trajnohet mbi të
• Tre faqe bënë 215,128 faqe false "softueri më i mirë"; Perplexity i citon ato

Transkript i përkthyer

Përkthyer nga tregimi origjinal në anglisht. Audio dhe titrat e disponueshme kontrollohen nga YouTube.

0:00 Google lëshoi sot modelin e saj të tretë Flash në gjashtë javë, plus një version të trajnuar për të hakuar, dhe katër orë më vonë Meta lëshoi një model që kushton dhjetë cent për milion tokena nëse e lejon Zuckerberg-un të lexojë kodin tënd, pra lufta e çmimeve të AI-së tani ka një divizion të sigurisë kibernetike. Është e mërkurë, dhe ndryshimi është i gjatë. Gemini 3.8 Flash arriti një mijë e njëqind pikë në Hacker News, Muse Spark 1.3 mori gati shtatëqind më shumë, dhe ndërkohë, një laborator kërkimor gjeti tre faqe interneti që botuan dyqind e pesëmbëdhjetë mijë

0:28 faqe false të softuerit më të mirë vetëm që Perplexity t'i citonte ato. Gjithashtu sot: një postim që të luste të mbaje Firefox-in tënd mori nëntëqind e tetëdhjetë e tetë pikë, dhe faqja e ndihmës së Mistral për çaktivizimin e trajnimit mori gati pesëqind, kryesisht nga europianët që zbuluan opsionin sovran trajnohet në kërkesat tuaja si parazgjedhje. Në këtë video: sa kushton në të vërtetë Gemini 3.8 Flash, modeli i hakerimit që Google do t'ua shesë vetëm gjashtëqind e pesëdhjetë partnerëve, niveli i Meta-s me dhjetë cent dhe çfarë ajo kërkon në të vërtetë, dhe një pikë referencë që asnjëra kompani nuk e shkroi.

0:59 Është e mërkurë, 2 shtator, dhe ky është The Daily Diff. Gemini 3.8 Flash është shtatëdhjetë e pesë cent për milion tokena hyrje dhe tre e shtatëdhjetë e pesë dalje, njësoj si 3.7 Flash nga tre javë më parë, me një shënim në fund që thotë se çmimi dyfishohet më 1 janar, që është një provë falas me hapa shtesë. Në pikë referencat e prezantimit, të cilat janë të pamposhtura, ai shënon 54.9 për qind në HLE-Verified, X thotë se mund Sol dhe Opus 5 në Terminal-Bench, dhe Logan Kilpatrick postoi një 73.7 në DeepSWE, pikë referenca e vetme me horizont të gjatë

1:29 e kodimit që nuk është memorizuar ende, gjoja. Simon Willison i kërkoi të bënte një gjë të lezetshme në HTML dhe mori një simulim grimcash në trembëdhjetë sekonda për 1.8 cent, duke funksionuar me gjashtëdhjetë korniza për sekondë, sepse gjashtëdhjeta ishte koduar fort në faqe. Postimi i Google shpjegon fitimet me një fjali që do ta inkuadroja: 3.8 Flash punon më fort. Ai ekzekuton hapa shtesë arsyetimi, thërret vegla në mënyrë iterative, dhe, citon, mund të përdorë më shumë tokena, që në gjuhën e korporatave do të thotë që matësi ecën më shpejt. Bordi i pavarur DeepSWE bie dakord për të dyja pikat: Flash shënon shtatëdhjetë e katër

2:02 për qind, i barabartë me Opus 5 me një të pestën e kostos për detyrë, por i nevojiteshin njëqind e gjashtëdhjetë e gjashtë hapa dhe njëqind e dyzet e tre mijë tokena dalje për të arritur atje, më shumë se dyfishi i asaj që shpenzoi Sol. Artificial Analysis dogji njëqind e dyzet milionë tokena dhe një mijë e shtatëdhjetë e tetë dollarë vetëm për ta vlerësuar. E lirë për token, fjalëshumë për detyrë, dhe tokeni i parë arrin pas dymbëdhjetë sekondash mendimi. Pastaj gjysma interesante.

2:23 Gemini 3.8 Flash Cyber është i njëjti model me parzmoret e sigurisë të lëshuara për, citat, mbrojtës të besuar, dhe Sundar thotë se arrin 86.2 për qind në CyberGym, pikë referenca për gjetjen autonome të dobësive. Ai gjithashtu riparon: 47.2 për qind në CWE-Bench kundrejt 47.8 për një model udhëheqës kufitar, ekipi i Chrome thotë se prodhoi 2.6 herë më shumë rregullime të sakta sesa modelet komerciale shumë më të mëdha, dhe studiuesit e cloud-it të Google e përdorën atë për të gjetur një dobësi kritike në më pak se dy orë, një punë që zakonisht kërkon muaj, ose një adoleshent i motivuar.

2:54 Google këmbëngul se prioritizoi rregullimin mbi shfrytëzimin, që është mënyra e sjellshme për të thënë se modeli absolutisht mund të ecë nëpër vrima, ata thjesht i kërkuan të mos e bënte. Pra, nuk mund ta kesh. Qasja bëhet përmes një Programi të ri Fairwind: qeveritë, infrastruktura kritike, dhe gjashtëqind e pesëdhjetë partnerë të verifikuar me detyrim dyfaktorësh. Çdo laborator kufitar tani zotëron një model hakerimi që nuk do t'ua shesë, dhe këtë javë është një i lirë.

3:16 Katër orë më vonë, Meta lëshoi Muse Spark 1.3, dhe Zuck e quajti performancë kufitare pothuajse tepër e lirë për t'u matur, gjë që është e vërtetë, me një yll në madhësinë e Menlo Park. Pika normale e fundit është një dollar e njëzet e pesë cent hyrje dhe katër dollarë e njëzet e pesë cent dalje, më shumë se Gemini. Pika e fundit e kontribuesit është dhjetë cent hyrje, njëzet cent dalje, lexime të cache-it me një të pestën e një centi, deri në njëzet herë më lirë, dhe e vetmja ndryshim është një kolonë që thotë 'përdoret për të përmirësuar produktet tona'.

3:40 Pra, zbritja është transkripti i sesionit tuaj, dhe për një herë askush nuk duhet të lexojë licencën, sepse Meta e shkroi licencën si një listë çmimesh. Komenti më i mirë: tani është plotësisht e qartë sa vlen vjedhja e argumenteve të mia. Komenti i dytë pyet sa do të zgjasë derisa dikush të nxjerrë një çelës AWS nga një model i trajnuar me kërkesa kontribuesish. Në tabelën e vlerësimit të Metës, Spark 1.3 merr 75.4 në DeepSWE, mbi Sol dhe Opus 5, dhe Meta thotë se përdor njëzet për qind më pak thirrje mjetesh

4:06 dhe njëzet e pesë për qind më pak argumente se 1.2, basti krejt i kundërt nga Google, kështu që sot dy kompanitë më të mëdha të reklamave në tokë nuk pajtohen nëse të folurit më shumë është mirë. Ndërkohë Trellner Research i kërkoi Perplexity-t për softuerin më të mirë në treqind e tetëdhjetë kategori dhe lexoi çdo citim: 59.8 për qind vinin nga faqet jashtë qind mijëshit të parë, Wikipedia u citua tre herë nga shtatë mijë e gjysmë, dhe tre faqe simotra me dyqind e pesëmbëdhjetë mijë

4:34 udhëzues blerjeje të gjeneruar i titullojnë faqet e tyre kryesore 'Fakte dhe Faqe Themelimi', adresuar zvarritësit, jo juve. Lufta e AI SEO ka filluar, dhe arma e saj e parë është regex me një buxhet marketingu. Kjo është shumë etiketa çmimesh për një të mërkurë; nëse preferoni ta lexoni këtë sesa të më dëgjoni ta them, diff-i arrin në kutinë tuaj çdo mëngjes — falas në thedailydiff.dev, linku më poshtë. Pra, vendimi i sotëm: SHIP IT. Gemini 3.8 Flash barazohet me Opus 5 në një tabelë që Google nuk e shkroi,

5:00 për një të pestën e çmimit. Thjesht lexoni faturën e argumenteve, dhe lexoni titujt e kolonave të Metës. Ky është the diff i sotëm. Unë jam Niko nga Axrisi. Bashkoni me përgjegjësi.

Burimet

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