Gemini 4 Karbon Google'ı bir numaraya geri almak için: biri ve bugün buna ihtiyacınız olmayacak.
Google'ın yeni bir modeli var. Pekin zamanı, 29 Ekim, 1 a.m., resmi blog "bir sonraki ön model" unvanıyla online geldi, metnin ilk iki satış noktası:State-of-the-art network güvenlik kapasitesi ve uzun ufuk (uzun sürekli işlem) yeteneği.
"Dünyada ilk geri" kelimesi boş değildir. Fifty-nine, bir numara.Bilmiyorum. Sayı 2 Claude Opus 5.5 Evet 58 ve üç numara, 57.
Bu yüzden gerisi olmayacak. Gerçekten bir numara. Sorun...Bu "ilk" ne kadar kalın ve dokunabilirsiniz?
İki parça öne sürüldü:İkinci yer 1'i kazanır; konsolide listedeki ilk değerlendirme sadece dört kelimeye sahiptir - hiçbir kamu yeteneği API.Bütün bunlar her iki cümleye ayak uyduruldu.
Bunu söylüyorum.
Liste, sadece v. 5.0'a güncellendi ve dokuz değerlendirme getiriyor: AA-Briefcase, Otomasyon Bench-AAA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GSYİH.pdf, HLE-Diamond, CritPt v2 (çalışkanlıkların başlangıcı)
Elli sekiz, elli yedi. Bu sırayı görmek, kutlamayın.İkincisi ve üçüncüsü aynı modelin iki yansıma aşamasıdır.Opus 5.5 Max'de 58 alır, xheigh'da 57.
Bu cümle tercüme edilir:Google’ın bu sefer diğer tarafın düşünce derinliği arasındaki boşluktan daha küçük.
Başka bir deyişle, bu "generic" değil, "aynı seviyede." Gerçek anlam daha yakın: Üçü şimdi aynı kesik bandında sıkışıp kalıyor ve daha fazla eğitim, daha fazla matematik, bir gün değişiklikler emri alıyor. Bu aydan fazla oldu.
Birçok insanın atladığı daha ayrıntılı:Bu liste "sadece V5.0'e güncellendi".Değerlendirme bir versiyon tarafından değiştirildi ve tarihsel puanlar doğrudan karşılaştırılamaz. Yani "return" kelimesi teknik olarak geçerli değildir:Önceki baskıda kimin olduğunu ve ne kadar daha az olduğunu karşılaştırmak mümkün değildir.Değişimten sonra ilk olarak yeni yönetici üzerinde.
ii. "Kitap" kelimesi alıntılar tarafından takip edilmelidir.
Ars Technica'nın adı basitçe:"kullanamayacağınız son ön Ai modeli"- En son ileri model, bunu kullanamazsınız.
Bu isim partisi değil. Yapay Analiznin model sayfası, Gemini 4 Karbon'nun durumu:"Hiçbir kamu yeteneği API"Bilmiyorum. Listelenen kurumların hiçbiri açık arabirimlere erişimi yoktu ve sadece üretici tarafından sağlanan şekilde ölçülebiliyordu.
Google’ın kendisi “taliberate approach to rollout” diyor – kasıtlı olarak yavaşlıyor:
| Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman Zaman | Kim kullanabilir? | Durum durumu |
|---|---|---|
| Bu hafta başlayın. | Küçük bir siber savunucusu. | Açık Açık Açık |
| After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After After | Fairwind Programı aracılığıyla güvenilir ortaklar | Gradual release |
| Aksi halde | Geliştirici, işletme, tüketici | "En kısa sürede" |
Duyuru fiyat, kriter, sıralama verdi.Sadece tarih yok.Bu bir omission değil, standart bir operasyon: “yakın” terk etmek ne bir söz ne de bir ihlal.
Bu arada, Google da Amerika Birleşik Devletleri Hükümeti'ndeki ön test sürecine katılıyor. Bu emin olmak için bir şeydir, ama aynı zamanda bir şey anlamına gelir:Resmi olarak açılmış olan zaman tamamen Google'a kadar değil.
iii. En yüksek net değeri olan çizgi:
Üç dış kriter, Google'ın çok cömert, hem yüzdeleri hem de bulunabilir:
| Ben | Ne için? | Puan |
|---|---|---|
| SEC-bench Pro | Gerçek yazılımlarda gerçek deliklere bakın. | 88.2% |
| ExpressGym | Eğer döngü deliği sömürülse kontrol edin. | 54.8% |
| CWE-bench | Patch from Root | 71.0% |
Bununla birlikte, aynı paragraftan önce bir not var, bu çok mütevazı:Üzgünüm ama üzgünüm."Geçmiş olmadan."
Neden bu önemli? Çünkü bu bir kabuldir:Aslında kullanabileceğiniz yetenekleri olmayan bu üç rakam, güvenlik kısıtlamalarından kaldırılan teorik tavanlardır.Parmaklar gerçek ürüne geri döndükçe, puanlar aşağıya gelecektir.
Bundan daha fazlası, ortanın yüzde 54.8'i.çit kaldırıldı ve sadece deliklerin yarısından fazlasının aslında sömürüldiğini kanıtladı.Kalan% 45'in durumu nedir? Kanıtlanmış, bildirilen, ancak sonuçları kanıtlayamaz - döngü deliğinin yönetiminde, bu tür keşiflerin değeri çok daha az olurdu.
Siyah bir nokta olduğunu düşünmüyorum. ExpluitGym, zaten en iyisi olan 54,8'dir. Ama bunu "AI, çoğu sistemi otomatik olarak kırabildi" ve bu beş kelimeyi yiyor.
iv. Google'ın kaybetmeye istekli olduğu tek yer
Tüm mermi ilk, lider, devlet-of-the-art hakkındadır. Sadece bir çizgi istisnadır:
WebDev Arena 4,1768 puan, 89 elo.
Bu çizgide, kasıtlı olarak kaldım çünkü “ilk değil, tek bir yazı değil” olan tüm metindeki tek sayıydı. 89 Elo'nun promosyonu arenada küçük değil, ancak Google onu "top" olarak sarmadı çünkü paketlenmiş olamazdı, bu yüzden beyaz çizginin 4. olduğu listede açıktı.
Bu detay bana bu sayılara biraz daha güven veriyor:Bir şirket mermide 4 numara yazmaya istekli olduğunda, okuyucunun ona bakacağını bilir.
Beş, üç "bir modelden daha iyi." N, isimler yok.
Ve işte atacağınız kısım. Kurşundaki performans multipliersin üçü bu kadar uzun:
- "İç kriterde, güvenlik kodu nesil başarı oranı Argon 2 kattan fazlaHangi iç kriter? Yol halk değildir.
- "Chrome Team Report, High-quality Patch GenerationBaşka bir laboratuvarın boyutunun 10 katından daha fazlası.- Diğeri kim?
- "Wiz, Web penetrasyon test kriterinin önünde olduğunu gördü" - hangi kriter? Hiçbir detay.
"Söylenmeyen bir modelden daha iyi zamanlar", yayın literatürünün klasik bir parçasıdır. Aynı anda üç koşulu yerine getiriyor:Çok güçlü geliyor, yaralanabilir ve yoldaşın yanlış seçimi için sorumluluk alamaz.
Bu sayıların yapıldığını söylemiyorum. Chrome ekibi ve Wiz gerçek ortaklar ve bu içsel doğrulama genellikle uzaklaşır. Ama bir makaleye gelince,Dış kriterin bir karışımı ve farksız iç multiplesOkuyucunun dikkati ikinci tarafından alınır - çünkü ikincisi daha güçlü geliyor.Bu yüzden yazılır.
Fiyat:% 50 indirim, gizlilik için geçerli
Google'ın bu kısmı nihayet temiz:
| 1. | Giriş fiyatı | Sunum dönemi sonra |
|---|---|---|
| Giriş giriş | 2 / milyonlarca token | 4 / milyon token |
| Çıktı Çıktı Çıktı | 10 / milyon token | 20/ milyon token |
| Cache Giriş | % 95 oynamak için fiyat girin (yaklaşık $ 0.910) | Yeni baz fiyatına dayanarak |
İkisi ayrı olarak görülüyor. İyi haber şu:Yeni model Argon olarak aynı fiyat, fiyat artışı değil.Front-line modelleri pahalı değildi ve iki yıl içinde yaygın değildi.
Kötü haber şu:Standart fiyat sunum fiyatı kadar iki kat yüksek ve sunumun tarihi mermide değil.Yıllık bütçe 4 / $ 20 olarak hesaplanır. Sayı, 2 / 10 dolar olarak hesaplanan rakam, er ya da geç çalışmaya geri dönecektir.
Hatırlamak için daha fazla şey:Cache girişi% 95'i vurur veya giriş fiyatı 0.05 kez.Bu indirim şimdi tüm ana üreticiler arasında en kötü. "Aynı süper uzun bağlam" sahnesine sahipseniz, fiyat yapısı gerçek - ilk önce kullanabilirseniz.
Yedi, güvenli kısım, sayılar çok güzel.
Google, oldukları gibi kopyaladığım mermide bir dizi uyum göstergelerine sahiptir, çünkü onlar güzeldir:
- Triminal-Bench 4.0 başarı oranını azaltmıştır 0.0%Ve hile girişimi% 0.4'e düştü, doğruluk oranı arttı.
- İç disk kodlama ortamında, yüksek riskli uyarı damlaları.%80'e yakınBilmiyorum.
- Desteksiz iddialar Argon'dan daha az Yarı.Bilmiyorum.
- Selam olsun 26%, under-service 29%Bilmiyorum.
- Gray Swan'ın dolaylı ipucu temele enjekte edilir. 0.0%(Argon% 0.7).
0, 0, 80, 50%,% 50 - bu sayılar birlikte alınır, bu soru sormak için bir soru:Neden tüm "aşağı" ve "zero" ve hiçbiri mutlak değil?
Çünkü bunlar...ArgonVe Argon iki hafta önce gönderildi. İki hafta.Yüzde 80 oranında yüksek riskli uyarıları azaltmak için iki hafta, bu da önceki neslin gerçekten kötü olduğu anlamına gelir veya iç setin beklenenden çok daha kötü olduğu anlamına gelir.Her iki açıklama da çok iyi değil.
Yarı yazmak istiyorum: Açıkça Gray Swan'ın halk kriterinde, saldırının sıfır başarı oranı “bu sürümdeki tüm girişimler başarısız oldu” anlamına gelir. - Evet, efendim.Bu değerlendirme sürümüBilmiyorum. Saldırı devam eden bir çatışma, bugün yüzde sıfır yarının yüzde sıfırı değil.
Söylemediğim bir şey daha var: iki haftalık bir nesil.
Gemini 4 Argon iki hafta önce serbest bırakıldı. Karbon bunu üzerine inşa etti.
Google’ın kendi sözleri, “Önümüze doğru ittiğimiz yerleri dikeceğim” – nasıl hızlı ilerliyoruz.Bu gerçek ve problemdir.
Üretenler için, bu demektir:Sadece Argon'u çizgiye koydun, Benchmark out, çabuk, bir sonraki nesil yolda.Model "hayal karar verme"den "ayda bakımı" için değiştirildi. Google ailesi hakkında değil, ama en radikal hakkında.
Aynısı yazar için de geçerli. Dışarı çıktığı zaman, bir sonraki kod numarası içsel olarak bölünmüş olurdu.
Dokuz, bu yüzden bu sürüm hakkında ne düşünüyorsunuz?
Bunu kabul etmelisiniz.
- AA Inteligence Index v. 5.0, önce, 59 puan, bilgi için aldı.
- Siber güvenlik hattı gerçekten çalışıyor: Üç dış kriter şu anda en iyisidir, kelimeler değil.
- Fiyat yapısı ön modelde kısıtlanır.
- İlk önce savunma tarafını vermenin emri mantıklıdır - döngü deliği bulma yeteneği saldırganlara daha tehlikelidir.
Soru işareti olarak adlandırılmalısınız.
- Önümüzdeki bir nokta, rakibin kendi düşünce yuvası arasındaki farktan daha az.Bu, aynı yatay grupta, proxy değil.
- Liste sadece v. 5.0 için değiştirildi, tarih eşsiz."Return Number One", metodolojik olarak geçerli değildir.
- Üç iç birdenden hiçbiri karşılaştırmalı bir adı yoktur.Hiçbir inceleme mümkün değildir ve bir sonuç olarak belirtilmemelidir.
- Dış kriter çit kaldırmaktı.Bunu yapabileceğiniz anlamına gelmez.
- 50% indirim, ancak son tarih değil.Bütçeyi ikiye katlayın.
Beklemeliyiz.
- Kamu API'si açılır ve gerçek görevi çalıştırın. Puan ve işiniz arasında tam bir değerlendirme var.
- Üçüncü parti için bekleyin.çit getir.Üç güvenlik kriteri koşullar altında yeniden üretilir.
- Birinin karbon ve Opus 5.5'i aynı Max slota sokmasına kadar bekleyin - ve şimdi 59, doğru, 58 ve slot uyumlu değil.
Son olarak, başlık. Google bu sefer ilk yere döndü ve bu olmak değil. Ama "İlk önce dünyaya dön" kelimesinde daha az geçerli bir varsayım vardır:İlk önce istikrarlı, "geri" vardır.
Gerçek iş durumu, üç ailenin bir kesik kemerinde sıkıştırıldığı, her birkaç hafta boyunca değişen koltuklar, her seferinde "top-up" bir duyuru ile.Bu "ilk" yarı yaşam muhtemelen bir sonraki nesil kadar uzundur.
Bir nokta kazanmak doğrudur. İlk olarak, doğru. Bugün kullanamazsınız. Bu sürümin tam şekli budur.