Gemini 4 Carbon dostat Google zpět na číslo jedna: jedna, a nebudete potřebovat dnes.

Google má nový model. Peking čas, 29. října, v 1: 00, oficiální blog přišel online s názvem "náš další fronter model", první dva prodejní body textu:State- o- the- art síťové zabezpečení a schopnost dlouhého horizontu (dlouhého nepřetržitého provozu).

Slovo "první na světě" není prázdné. Fifty-9, číslo jedna.Nevím. Číslo dvě Claude Opus 5.5 Ano58 a číslo tři je57.

Takže tohle nebude reakce. Je to opravdu číslo jedna. Problém je...Jak silné je to "první" a můžeš se toho dotknout?

Byly předloženy dva kusy:Vyhraje druhé místo 1; první hodnocení v konsolidovaném seznamu má pouze čtyři slova - žádná API s veřejnou schopností.Zůstaly jen poznámky pod čarou k oběma větám.

Já to řeknu.

Seznam je Intelligence Index umělé analýzy, který byl právě aktualizován na v. 5.0 a který spojuje devět hodnocení: AA-Briefcase, Automation Bench-AAA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 (podmnožina obtíží), Terminal- Bench-Science.

Fifty-8, fifty-7. Vidět tuhle sekvenci, neoslavuj.Druhá a třetí jsou dvě fáze reflexe stejného modelu.Opus 5.5 bere 58 v Max, 57 v Xheigh.

Tato věta je přeložena:Olovo Google je tentokrát menší než mezera mezi hloubkou myšlení druhé strany.

Jinými slovy, není to "obecné", ale "různorodé na stejné úrovni". Skutečný význam je blíže: ti tři jsou nyní zaseklí ve stejné frakční skupině, a kdo dostane více tréninku, více matematiky, jeden den změní pořadí. Tento měsíc se to stalo vícekrát.

Je tu ještě jeden detail, který mnoho lidí přeskočí:Tento seznam je "právě aktualizován na V5.0."Hodnocení bylo nahrazeno verzí a historické výsledky nelze přímo srovnávat. Takže slovo "návrat" není technicky platné:Není možné srovnávat, kdo je první v předchozím vydání a o kolik méně.První po změně je první na novém vládci.

ii. Slovo "publikování" musí následovat uvozovky.

Název Ars Technica je jednoduše:"je to poslední model Ai, který nemůžeš použít"- Nejnovější model, nemůžete ho použít.

Není to titulní párty. Modelová stránka umělé analýzy Gemini 4 Carbon je:"Žádné veřejné schopnosti API"Nevím. Žádná z uvedených institucí neměla přístup k otevřeným rozhraním a nemohla být měřena pouze způsobem stanoveným výrobcem.

Google sám říká "záměrný přístup k vyjížďce" - záměrně zpomaluje:

Čas	Kdo to může použít?	Stav
Počínaje tímto týdnem.	Malá várka kyber obránců.	Otevřít
Po	Důvěřovaní partneři prostřednictvím programu Fairwind	Postupné uvolňování
Neurčeno	Vývojář, podnik, spotřebitel	"co nejdříve"

V oznámení byla uvedena cena, referenční hodnota, pořadí.Jen žádné rande.Není to opomenutí, je to standardní operace: zanechání "brzy" není žádný slib ani porušení.

Mimochodem, Google se také účastní procesu předtestování ve vládě Spojených států. To je něco, co je jisté, ale také to znamená jednu věc:Čas, který máte oficiálně otevřít, není zcela na Googlu.

iii. Řádek s nejvyšší čistou hodnotou:

Tři externí referenční hodnoty, Google je velmi velkorysá, jsou obě procenta a lze nalézt:

Referenční hodnota	Za co?	Bod
SEC- lavice Pro	Hledejte skutečné díry v reálném softwaru.	88.2%
ExpressGym	Zkontroluj, jestli je skulina využívána.	54.8%
CWE-lavice	Záplata od kořene	71.0%

Nicméně před stejným odstavcem, který je velmi skromný, je zmínka:Omlouvám se, ale omlouvám se."Vyhodnocen bez plotu."

Proč je to důležité? Protože je to potvrzení:Tyto tři čísla, které nejsou schopnostmi, které můžete skutečně použít, jsou teoretické stropy, které byly odstraněny z bezpečnostních omezení.Jakmile budou ploty vráceny do skutečného produktu, skóre klesne.

Víc než to, 54,8% středu.Plot byl odstraněn a pouze dokázal, že více než polovina děr byla skutečně využita.Jaký je stav zbývajících 45%? Nalezeno, hlášeno, ale nemohl prokázat důsledky - v řízení mezery, hodnota takových objevů by být mnohem méně.

Nemyslím si, že je to černé místo. ExpluitGym je tvrdé měřítko, 54,8% z nich je již nejlepší. Ale přečtěte si to jako "AI byl schopen rozbít většinu systémů automaticky" a to je jíst těchto pět slov.

IV. Jediné místo, kde je Google ochoten prohrát

Celý bulletin je o prvním, vůdčím, státním umění. Výjimkou je pouze jeden řádek:

WebDev Arena skóre 4,1768, nahoru89.

V tomto řádku jsem záměrně zůstal, protože to bylo jediné číslo v celém textu, které bylo "ne první, ale jediný, který byl napsán".89 Elo propagace není malá v aréně, ale Google nezabalil to jako "top", protože to nemohlo být zabaleno, tak to bylo jasné na seznamu, že bílá čára byla4.

Tento detail mi dává trochu více důvěry v tato čísla:Když je společnost ochotná napsat číslo 4 do bulletinu, ví, že čtenář se na to podívá.

Pět, tři "lepší než modelka." N, žádná jména.

A tady je ta část, kdy budeš zvracet. Tři z multiplikátorů výkonnosti v bulletinu jsou tak dlouhé, že:

• "Ve vnitřním měřítku je úspěšnost tvorby bezpečnostních kódů Argon Více než dvakrátJaké vnitřní měřítko? Cesta není veřejná.
• "Zpráva Chrome Team, vysoce kvalitní Patch GenerationJe to víc než desetkrát větší než jiná laboratoř.- Kdo je ten druhý?
• "Wiz poznamenal, že je před referenční hodnotou Web penetration test" -- které měřítko? Žádný detail.

Desetkrát lepší než model, který se nedá říct, je klasická součást publikační literatury. Zároveň splňuje tři podmínky:Zní to velmi mocně, nemůže být křivě přísaha a nemůže převzít odpovědnost za špatný výběr komparátoru.

Neříkám, že ta čísla jsou vymyšlená. Tým Chrome a Wiz jsou skuteční partneři a tato interní validace obvykle uteče. Ale když přijde na článek,Kombinace externích referenčních hodnot a nedetekovatelných interních násobkůPozornost čtenáře odvádí ten druhý, protože ten druhý zní silnější.Proto je to napsané.

Cena: 50% sleva, platí pro důvěrnost

Tato část Google je konečně čistá:

Položka	Úvodní cena	Po období prezentace
Vstup	$2 / millions token	$4 / million token
Výstup	$10 / million token	$20 / million token
Input cache	Zadejte cenu hrát 95% off (přibližně $0.10)	Na základě nové základní ceny

Tyto dvě jsou vidět odděleně. Dobrá zpráva je:Nový model je stejný jako Argon, žádný nárůst cen.Modely Frontline nebyly drahé a nebyly běžné během dvou let.

Špatná zpráva je:Standardní cena je dvakrát vyšší než cena prezentace a datum prezentace není v bulletinu.Roční rozpočet se počítá na $4 / $20. Částka, vypočtená na 2 dolary / 10 dolarů, bude vrácena do práce dříve nebo později.

Ještě jedna věc k zapamatování:Vstup cache je 95% sleva, nebo 0,05 krát vstupní cena.Tato sleva je nyní nejhorší mezi všemi výrobci hlavního proudu. Pokud máte scénu "stejného superdlouhého kontextu", cenová struktura je skutečná - pokud ji můžete použít jako první.

Sedmá, ta bezpečná část, ta čísla jsou tak krásná.

Google má soubor ukazatelů sladění v bulletinu, který jsem zkopíroval, protože jsou krásné:

• Triminal- Bench 4.0 snížil úspěšnost 0.0%A pokus o podvod klesl na 0,4%, zatímco přesnost se zvýšila.
• V interiérovém prostředí pro kódování disků se snižuje riziko.Téměř 80%Nevím.
• Nepodporovaná tvrzení jsou o méně než Argon Polovina.Nevím.
• Překročení (překročení dosahu) 26%, nedostatečný servis 29%Nevím.
• Nepřímý náznak Gray Swan je vpíchnut do základní linie. 0.0%(Argon je 0, 7%).

0, 0, 80, 50%, 50% - tato čísla jsou dohromady, což je otázka:Proč je to všechno "dolů" a "nula" a nikdo není absolutní?

Protože tohle jsou...Zlepšení ve vztahu k ArgonuA Argon byl poslán před dvěma týdny. Dva týdny.Dva týdny na snížení výstrah s vysokým rizikem o 80%, což znamená, že předchozí generace byla opravdu špatná, nebo že vnitřní soubor byl mnohem horší, než se očekávalo.Obě vysvětlení nejsou moc dobrá.

Rád bych napsal polovinu: Je zřejmé, že na veřejném měřítku Gray Swan, nulová úspěšnost útoku znamená, že "všechny pokusy v této verzi selhaly." - Ano, pane.Tato verze posouzeníNevím. Útok je pokračující konfrontace, dnešní nula procent není zítra nula procent.

Je tu ještě jedna věc, kterou neříkám: dvoutýdenní generace.

Gemini 4 Argon byl propuštěn před dvěma týdny. Uhlík na něm postaven.

Vlastní slova Googlu, "Ilustruje místo, na kterém tlačíme dopředu" -- ukazují, jak rychle se posouváme vpřed.To je pravda a problém.

Pro ty, kteří produkují, to znamená:Právě jste nasadili Argona, Benchmarka ven, odvolali, další generace je na cestě.Model byl změněn z "každoročního rozhodování" na "měsíční údržbu". Nejde o rodinu Google, ale o tu nejradikálnější.

Totéž platí pro autora. Když to vyšlo ven, další kódové číslo by bylo rozděleno interně.

Devět, tak co říkáš na tohle propuštění?

Měl bys to přiznat.

• To trvalo AA Inteligence Index v. 5.0, první, 59 bodů, pro informaci.
• Řádek kybernetické bezpečnosti skutečně funguje: tři vnější měřítka jsou v současnosti nejlepší, ne slova.
• Cenová struktura je v předním modelu omezena.
• Pořadí dát obrannou stranu jako první, pak ocenění, je logické - schopnost najít mezery je nebezpečnější pro útočníky.

Měl jsi zavolat otazník.

• Jeden bod vpřed, méně než rozdíl mezi soupeřovým vlastním myšlenkovým slotem.Toto je třídění ve stejném horizontálním pásmu, ne v proxy.
• Seznam byl právě změněn na v. 5.0, historie je bezkonkurenční."Návrat číslo jedna" není metodicky platný.
• Žádný ze tří vnitřních násobků nemá srovnávací název.Žádný přezkum není možný a neměl by být citován jako závěr.
• Vnější měřítko bylo odstranit plot.To neznamená, že to dokážeš.
• Je to 50% sleva, ale žádný termín., zdvojnásobit rozpočet.

Měli bychom počkat.

• Počkej, až se otevře veřejný API a povede skutečnou misi. Je tu kompletní hodnocení mezi skóre a vaší prací.
• Počkej na třetí stranu.Přines plot.Tyto tři bezpečnostní referenční hodnoty jsou reprodukovány za podmínek.
• Počkejte, až někdo dá uhlík a Opus 5.5 na stejný Max slot -- a teď je to 59, správně 58, a ten slot není zarovnaný.

Konečně název. Google se tentokrát vrátil na první místo, a tak to není. Ale ve frázi "Návrat do světa první" je méně platný předpoklad:Nejdřív je tu stáj "zpátky".

Skutečným stavem je, že tyto tři rodiny jsou stisknuty v frakční pás, mění sedadla každých pár týdnů, pokaždé s "top-up" oznámení.Tento "první" položivot je pravděpodobně stejně dlouhý jako příští generace.

Vyhrát jeden bod je pravda. Za prvé, je to pravda. Dnes ji nemůžeš použít. To je kompletní tvar tohoto uvolnění.