Gemini 4 Carbon upang ibalik ang Google pabalik sa numero uno: isa, at hindi mo ito kakailanganin ngayon.
May bagong modelo ang Google. Beijing oras, ika- 29 ng Oktubre, sa ika-1 n.u., ang opisyal na blog ay dumating online na may pamagat na "ating susunod na fronter model", ang unang dalawang punto ng benta ng teksto:State-of-the-art network na kakayahan sa seguridad, at mahabang abot-tanaw (haba patuloy na operasyon) kakayahan.
Ang salitang "unang balik sa mundo" ay hindi walang laman. Limampu't-siyam, numero uno.Hindi ko alam. Numero dos Claude Opus 5.5 Oo 58, at numero tres ito, 57.
Kaya hindi ito magiging backlash. Ito talaga ang numero uno. Ang problema ay...Gaano kakapal ang "pangunahin" na ito at kaya mo ba itong hipuin?
Dalawang piraso ang iniharap:Nagwagi sa ikalawang puwesto 1; ang unang pagtatasa sa pinagsamang talaan ay mayroon lamang apat na salitang walang kakayahang publiko na API.Ang natira na lamang ay mga talababa sa dalawang pangungusap.
Ako, sabihin mo.
Ang talaan ay Chertific Analysis Intelligence Index, na katatapos lamang na baguhin sa v. 5.0 at nagdadala ng siyam na pagtatasa: AA-Briefcase, Automation Bench-AAA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 (subset ng mga kahirapan), Terminal-Bench-Scientist.
Limampu't walo, limangpu't pito. Sa pagkakita sa pagkakasunud-sunod na ito, huwag magdiwang.Ang ikalawa at ikatlo ay ang dalawang yugto ng pagninilay-nilay ng parehong modelo.Ang Opus 5.5 ay kumukuha ng 58 sa Max, 57 sa Xheigh.
Ang pangungusap na ito ay isinalin:Ang tingga ng Google sa pagkakataong ito ay mas maliit kaysa sa agwat sa pagitan ng lalim ng pag-iisip ng kabilang panig.
Sa ibang salita, hindi iyan "generic" kundi "diverse sa parehong antas." Ang tunay na kahulugan ay mas malapit: ang tatlo ngayon ay nakaipit sa parehong pragmentong banda, at kung sino ang nakakakuha ng mas maraming pagsasanay, mas math, isang araw ay nagbabago ng kaayusan. Nangyari ito nang mahigit sa isang beses sa buwang ito.
May isa pang detalye na nilalampasan ng maraming tao:Ang talaang ito ay "bago lamang sa V5.0".Ang pagtatasa ay pinalitan ng isang bersiyon, at ang mga iskor sa kasaysayan ay hindi maaaring tuwirang ihambing. Kaya ang salitang "pagbabalik" ay hindi teknikal na may bisa:Hindi posibleng ihambing kung sino ang una sa naunang edisyon at gaano pa ang kulang.Ang una pagkatapos ng pagbabago ang una sa bagong pinuno.
Ii. Ang salitang "publishing" ay kailangang sundan ng mga quota marks.
Ang pamagat ng Ars Technica ay:"Ito ang huling modelong fronter Ai na hindi mo magagamit"-Ang pinakabagong modelong pasulong, hindi mo ito magagamit.
Hindi ang titulong partido. Ayon sa pagsusuri, ang Gemini 4 Carbon ay:"Walang kakayahang pampubliko na API".Hindi ko alam. Wala sa mga nakatalang institusyon ang may bukas na mga interface at maaari lamang sukatin sa paraang inilaan ng tagagawa.
Ang Google mismo ay nagsasabi ng "deliberate approach to rollout" — sadyang bumabagal:
| Panahon | Sino ang makagagamit nito? | Kalagayan |
|---|---|---|
| Nagsimula sa linggong ito. | Isang maliit na pangkat ng mga tagapagtanggol ng cyber. | Buksan |
| Pagkatapos | Mapagkakatiwalaang mga kapareha sa Pamamagitan ng Fairwind Programme | Nagtapos na paglabas |
| Di - tiyak | Tagapagpaunlad, negosyante, mamimili | "Sa lalong madaling panahon" |
Ang patalastas ay nagbigay ng ranggong presyo, benkmark.Wala lamang petsa.Hindi ito pag-iisa, isa itong pamantayang operasyon: pag-iwan ng "soon" walang pangako ni sira.
Siyanga pala, ang Google ay nakikibahagi rin sa pre-testing process sa United States Government. Ito'y isang bagay na dapat tiyakin, ngunit nangangahulugan din ito ng isang bagay:Ang panahon upang opisyal na buksan sa iyo ay hindi lubusang hanggang sa Google.
iii. Ang linya na may pinakamataas na halaga ng lambat:
Ang tatlong panlabas na mga marka ng bangko, ang napakabukas - palad ng Google, ay kapuwa mga persentahe at masusumpungan:
| Bantay | Sa anong dahilan? | Dumarami |
|---|---|---|
| SEC-bench Pro | Hanapin ang tunay na mga butas sa tunay na software. | 88.2% |
| ExpressGym | Tingnan kung ginagamit ang loophole. | 54.8% |
| CWE-bench | Patch mula sa ugat | 71.0% |
Gayunman, may isang bracketed na nota bago ang parapo ring iyon, na lubhang simple:Ikinalulungkot ko, pero ikinalulungkot ko."Iyak na walang bakod."
Bakit ito mahalaga? Sapagkat ito ay isang pagkilala sa:Ang tatlong bilang na ito, na hindi ang mga kakayahan na aktuwal na magagamit mo, ang teoretikal na mga kisame na inalis sa mga pagbabawal sa seguridad.Kapag ibinalik na ang mga bakod sa tunay na produkto, bababa na ang mga iskor.
Higit pa riyan, 54.8 porsiyento ng gitna.Inalis ang bakod, at pinatunayan lamang nito na mahigit sa kalahati ng mga butas ang aktuwal na pinagsamantalahan.Ano ang katayuan ng natitirang 45%? Nasumpungan, ulat, subalit hindi mapatunayan ang mga kahihinatnan — sa pangangasiwa ng mga butas, ang halaga ng gayong mga tuklas ay magiging mas mababa.
Sa palagay ko'y hindi ito isang itim na batik. Ang ExpluitGym ay isang matigas na benchmark, 54.8% nito ay ang pinakamahusay na. Ngunit basahin ito bilang "Napawala ng AI ang karamihan ng mga sistema nang kusa" at kinakain nito ang limang salitang iyon.
Ov. Ang tanging lugar kung saan handang matalo ang Google
Ang buong bulletin ay halos una, nangunguna, estado-of-the-art. Isa lamang linya ang eksepsiyon:
WebDev Arena score 4,1768, up 89 elo.
Sa linyang ito, sinadya kong manatili dahil ito lamang ang bilang sa buong teksto na "hindi ang una kundi ang tanging nakasulat." Ang promosyon ni 89 elo ay hindi maliit sa arena, ngunit hindi ito binalot ng Google bilang "top" dahil hindi ito maaring i-load, kaya malinaw sa talaan na ang puting linya ay 4.
Ang detalyeng ito ay nagbibigay sa akin ng higit na pagtitiwala sa mga bilang na iyon:Kapag ang isang kompanya ay handang sumulat ng numero 4 sa bulletin, alam nito na titingnan ito ng mambabasa.
Lima, tatlo "mas mabuti sa isang modelo." N, walang mga pangalan.
At narito ang bahagi kung saan ka babagsak. Tatlo sa mga palabas na multiplator sa bulletin ay kasinghaba nito:
- " Sa panloob na benkmark, ang bilis ng tagumpay ng kodigong seguridad ay Argon Mahigit 2 besesAling palatandaan? Hindi pampubliko ang daan.
- "Chrome Team Report, High-quality Patch GenerationIto'y mahigit na 10 ulit ang laki kaysa isa pang laboratoryo.- Sino ang isa?
- "Wiz napansin na ito ay nauuna sa Web inclusion test benkmark" -- aling benkmark? Walang detalye.
"Ten times mas mabuti kaysa sa isang modelo na hindi masabi" ay isang klasikong bahagi ng paglalathala ng literatura. Isinasagawa nito ang tatlong kalagayan nang sabay - sabay:Ito ay tila napakalakas, hindi maaaring i-jured at hindi maaaring kumuha ng responsibilidad para sa maling pagpili ng tagapaghambing.
Hindi ko sinasabi na ang mga numerong ito ay binubuo. Ang koponan ng Chrome at Wiz ay tunay na magkatambal, at ang panloob na aksesyong ito ay karaniwang lumalayo. Subalit pagdating sa isang artikulo,Isang halo ng panlabas na mga marka at hindi matutukoy na panloob na multipleAng atensiyon ng mambabasa ay kinukuha ng huli - dahil ang huli ay mas malakas.Iyan ang dahilan kung bakit ito isinulat.
Halaga: 50% diskuwento, may bisa para sa paglilihim
Sa wakas ay malinis na ang bahaging ito ng Google:
| Bagay | Pinag - uugnay na halaga | Pagkatapos ng yugto ng presentasyon |
|---|---|---|
| Ilagay | $2/milyong token | $4/milyong token |
| Ilabas | $10/milyong token | $20/milyong token |
| Ipinenta ang Kache | Ipasok ang presyo upang maglaro 95% off (humigit-kumulang $0.10) | Batay sa bagong presyo |
Ang dalawa ay dapat na makita nang magkahiwalay. Ang mabuting balita ay:Ang bagong modelo ay parehong presyo ng Argon, walang pagtaas ng presyo.Ang mga modelong Front-line ay hindi mahal, at hindi karaniwan sa dalawang taon.
Ang masamang balita ay:Ang pamantayang presyo ay doble ang taas sa halaga ng presentasyon, at ang petsa ng presentasyon ay wala sa bulletin.Ang taunang badyet ay kinakalkula sa $4/$20. Ang bilang, na tinatayang $2/$10, ay ibabalik sa trabaho sa malao't madali.
Isa pang bagay na dapat tandaan:Ang input ng bigote ay umaabot sa 95% off, o 0.05 beses sa input na presyo.Ang diskuwentong ito ngayon ang pinakamasama sa lahat ng pangunahing tagagawa. Kung mayroon kang eksena ng "parehong super-long konteksto," ang istraktura ng presyo ay tunay -- kung magagamit mo muna ito.
Pito, ang ligtas na bahagi, ang mga numero ay napakaganda.
Ang Google ay may set ng mga tagapagpahiwatig ng pagkakahanay sa bulletin, na ginagaya ko kung ano ito, sapagkat ang mga ito ay maganda:
- Nabawasan ng Triminal-Bench 4.0 ang antas ng tagumpay 0.0%At ang pagtatangkang mandaya ay bumaba sa 0.4%, habang ang rate ng eksaktuhan ay tumaas.
- Sa kapaligirang interior disk coding, ang mga high-risk warning drop ay bumababa.Malapit sa 80%Hindi ko alam.
- Ang walang suportang mga pag - aangkin ay wala kundi ang Argon Kalahati.Hindi ko alam.
- Pagtawid (pagtawid) 26%, under-service 29%Hindi ko alam.
- Ang di - tuwirang pahiwatig ni Gray Swan ay itinuturok sa baseline. 0.0%(Ang Argon ay 0.7%).
0, 0, 80, 50 %, 50 % — ang mga numerong ito ay pinagsama - sama, na isang tanong na dapat itanong:Bakit ang lahat ng ito ay "down" at "zero" at walang ganap?
Sapagkat ang mga ito ay...Pagpapabuti may kaugnayan sa ArgonAt si Argon ay ipinadala dalawang linggo na ang nakalipas. Dalawang linggo.Dalawang linggo upang bawasan ang mga high-risk slerts ng 80 porsiyento, na nangangahulugang ang nakaraang henerasyon ay talagang masama, o na ang panloob na set ay mas masahol pa sa inaasahan.Ang dalawang paliwanag na ito ay hindi napakabuti.
Nais kong isulat ang kalahati: Maliwanag na sinasabi nito na sa pampublikong benchmark ng Gray Swan, ang sero na tagumpay ng pag-atake ay nangangahulugan na "ang lahat ng mga pagtatangka sa bersiyong ito ay nabigo." - Oo, sir.Ang bersiyong ito ng pagtatasaHindi ko alam. Ang nakayayamot ay ang patuloy na komprontasyon, ang sero porsiyento ngayon ay hindi sero porsiyento bukas.
May isa pang bagay na hindi ko sinasabi: isang dalawang-linggo na henerasyon.
Ang Gemini 4 Argon ay inilabas dalawang linggo na ang nakalilipas. Karbon na itinayo rito.
Ang sariling mga salita ni Google, "Illustrates ang lugar kung saan itinutulak natin ang unahan pasulong" -- ipakita kung gaano kabilis tayong sumusulong.Iyan ang katotohanan at ang problema.
Para sa mga nagluluwal, ito ay nangangahulugan:Basta inilagay mo ang Argon sa linya, Benchmark palabas, mabilis na lumabas, ang susunod na henerasyon ay malapit na.Ang modelo ay binago mula sa "annual na pagpapasiya" tungo sa "monthly maintenance". Hindi ito tungkol sa pamilyang Google, ngunit ito'y tungkol sa pinaka-direksyonal.
Totoo rin ito sa awtor. Nang lumabas ito, ang susunod na kodigong numero ay maaaring nahati sa loob.
Siyam, kaya ano ang palagay mo tungkol sa paglayang ito?
Dapat mong aminin ito.
- Kumuha nga ito ng AA Inteligence Index v. 5.0, una, 59 na puntos, para sa impormasyon.
- Ang linya ng cybersecurity ay talagang gumagana: ang tatlong panlabas na benchmark ay ang pinakamahusay sa kasalukuyan, hindi ang mga salita.
- Ang istraktura ng presyo ay pinipigilan sa harapang modelo.
- Ang pagkakasunud - sunod ng pagbibigay muna ng pananggalang na panig, pagkatapos ay pagpapahalaga, ay makatuwiran — ang kakayahang makasumpong ng butas ay mas mapanganib sa mga sumasalakay.
Dapat sana'y tumawag ka ng marka sa pagtatanong.
- Isang punto sa unahan, mas kaunti kaysa pagkakaiba sa pagitan ng sariling pag - iisip ng kalaban.Ito ang pag - uuri sa iisang pahalang na banda, hindi sa proxy.
- Ang talaan ay binago lamang tungo sa v. 5.0, ang kasaysayan ay walang katulad.Ang "Return Number One" ay hindi metolohikal na tama.
- Wala sa tatlong panloob na multiple ang may pahambing na pangalan.Hindi posible ang pagrerepaso at hindi dapat banggitin bilang konklusyon.
- Ang panlabas na benchmark ang siyang mag - aalis ng bakod.Hindi ito nangangahulugan na magagawa mo ito.
- Ito ay 50% diskuwento, ngunit walang deadline., doblehin ang badyet.
Dapat tayong maghintay.
- Maghintay hanggang ang publikong API ay magbukas at nagpapatakbo ng tunay na misyon. May ganap na pagtatasa sa pagitan ng iskor at ng iyong trabaho.
- Hinihintay ang ikatlong partido.Dalhin ang bakod.Ang tatlong mga benchmark na panseguridad ay ginagawa sa ilalim ng mga kalagayan.
- Maghintay hanggang may magsuot ng carbon at Opus 5.5 sa parehong Max slot -- at ngayon ito ay 59, tama, 58, at ang slot ay hindi magkahanay.
Sa wakas, ang titulo. Ang Google ay talagang nagbalik sa unang puwesto sa pagkakataong ito, at hindi na gayon. Subalit sa pariralang "Manumbalik muna sa sanlibutan" mayroong hindi gaanong makatuwirang palagay:May isang kuwadra, "likod" muna.
Ang tunay na kalagayan ng mga pangyayari ay na ang tatlong pamilya ay pinipiga sa isang pragmental belt, nagpapalit ng mga upuan tuwing ilang linggo, sa bawat pagkakataon ay may "top-up" na patalastas.Ang "unang" kalahating-buhay na ito ay malamang na kasinghaba ng susunod na henerasyon.
Totoo ang manalo sa isang punto. Una, totoo ito. Hindi mo ito magagamit ngayon. Iyan ang kumpletong hugis ng palabas na ito.