Gemini 4 Carbon para volver a Google al número uno: uno, y no lo necesitarás hoy.
Google tiene un nuevo modelo. Pekín, 29 de octubre, a las 1 a.m., el blog oficial vino en línea con el título "nuestro próximo modelo de delantero", los dos primeros puntos de venta del texto:Capacidad de seguridad de red de vanguardia y capacidad de larga duración (operación continua prolongada).
La palabra "primera vuelta en el mundo" no está vacía. Cincuenta y nueve, número uno.No lo sé. Número dos Claude Opus 5.5 Sí 58, y el número tres, 57.
Así que esto no va a ser la reacción trasera. Es el número uno. El problema es...¿Qué tan grueso es este "primero" y puedes tocarlo?
Se presentaron dos piezas:Gana el segundo lugar 1; la primera evaluación en la lista consolidada tiene sólo cuatro palabras - ninguna capacidad pública API.Todo lo que quedaba eran notas de pie de página para ambas sentencias.
Yo digo eso.
La lista es el Índice de Inteligencia de Análisis Artificial, que acaba de actualizarse a v. 5.0 y que reúne nueve evaluaciones: AA-Briefcase, Automation Bench-AAA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 (subset of difficulties), Terminal-Bench-Science.
Cincuenta y ocho, cincuenta y siete. Ver esta secuencia, no celebrar.La segunda y la tercera son las dos etapas de reflexión del mismo modelo.El Opus 5.5 lleva 58 en Max, 57 en Xheigh.
Esta frase se traduce:El plomo de Google esta vez es más pequeño que la brecha entre la profundidad de pensamiento del otro lado.
En otras palabras, eso no es "genérico" sino "diverso en el mismo nivel". El significado real es más cercano: los tres están ahora atrapados en la misma banda fraccional, y que consigue más entrenamiento, más matemáticas, un día cambia orden. Esto ha pasado más de una vez este mes.
Hay un detalle más que muchas personas saltan:Esta lista es "sólo actualizada a V5.0".La evaluación fue reemplazada por una versión, y las puntuaciones históricas no pueden compararse directamente. Así que la palabra "retorno" no es técnicamente válida:No es posible comparar quién es el primero en la edición anterior y cuánto menos.El primero después del cambio es el primero en el nuevo gobernante.
ii. La palabra "publicación" debe ser seguida por comillas.
El título de Ars Technica es simplemente:"Es el último modelo de Ai que no puedes usar"- El último modelo, no puedes usarlo.
No es la fiesta del título. Ficha de modelo de Análisis Artificial, Gemini 4 Carbon's status es:"Sin capacidad pública API"No lo sé. Ninguna de las instituciones incluidas tiene acceso a interfaces abiertas y sólo puede medirse de la manera proporcionada por el fabricante.
Google mismo dice "aproximación deliberada a la puesta en marcha" — desacelerando deliberadamente:
| Hora | ¿Quién puede usarlo? | Situación |
|---|---|---|
| Comenzando esta semana. | Un pequeño lote de ciberdefensas. | Abierto |
| Después | Asociados en fideicomiso por medio del programa Fairwind | Liberación gradual |
| Indeterminados | Desarrollador, empresa, consumidor | " tan pronto como sea posible" |
El anuncio dio precio, referencia, ranking.Sólo no hay cita.No es una omisión, es una operación estándar: dejar un "alto" no hay una promesa ni una brecha.
Por cierto, Google también está participando en el proceso de prueba previa en el Gobierno de los Estados Unidos. Esto es algo para estar seguro, pero también significa una cosa:El tiempo para ser oficialmente abierto a usted no es totalmente hasta Google.
iii. La línea con el valor neto más alto:
Los tres puntos de referencia externos, muy generosos de Google, son ambos porcentajes y se pueden encontrar:
| Benchmark | ¿Para qué? | Puntuación |
|---|---|---|
| SEC-bench Pro | Busque agujeros reales en el software real. | 88.2% |
| ExpressGym | Comprueba si la laguna está siendo explotada. | 54.8% |
| CWE-bench | Patch from root | 71.0% |
Sin embargo, hay una nota entre corchetes antes del mismo párrafo, que es muy modesto:Lo siento, pero lo siento."Evaluado sin la valla."
¿Por qué es importante? Porque es un reconocimiento de:Estas tres figuras, que no son las capacidades que realmente puede utilizar, son los techos teóricos que se han eliminado de las restricciones de seguridad.Tan pronto como las cercas sean puestas de nuevo en el producto real, las puntuaciones bajarán.
Más que eso, 54,8% del medio.La valla fue retirada, y sólo demostró que más de la mitad de los agujeros fueron realmente explotados.¿Cuál es el estado del 45% restante? Encontrado, reportado, pero no pudo probar las consecuencias — en la gestión de lagunas, el valor de tales descubrimientos sería mucho menos.
No creo que sea un lugar negro. ExpluitGym es un punto de referencia difícil, 54.8% de los cuales ya es el mejor. Pero léalo como "AI ha sido capaz de romper la mayoría de los sistemas automáticamente" y está comiendo esas cinco palabras.
iv. El único lugar donde Google está dispuesto a perder
Todo el boletín es sobre el primero, el líder, el estado del arte. Sólo una línea es la excepción:
WebDev Arena puntuación 4,1768, hasta 89 elo.
En esta línea, me quedé deliberadamente porque era el único número de todo el texto que era "no el primero sino el único escrito". 89 la promoción de Elo no es pequeña en la arena, pero Google no lo envolvió como "top" porque no podía ser empaquetado, por lo que estaba claro en la lista que la línea blanca era 4.
Este detalle me da un poco más de confianza en esos números:Cuando una empresa está dispuesta a escribir el número 4 en el boletín, sabe que el lector lo investigará.
Cinco, tres "mejor que un modelo". N, sin nombres.
Y aquí está la parte donde vas a vomitar. Tres de los multiplicadores de rendimiento en el boletín son los siguientes:
- "En el referente interno, la tasa de éxito de generación de códigos de seguridad es Argon Más de 2 veces¿Qué parámetro interno? El camino no es público.
- "Chrome Team Report, High-quality Patch GenerationEs más de 10 veces el tamaño de otro laboratorio.- ¿Quién es el otro?
- "Wiz ha observado que está por delante del punto de referencia de la prueba de penetración Web" - ¿qué punto de referencia? Sin detalles.
"Diez veces mejor que un modelo que no se puede decir" es una parte clásica de la literatura editorial. Cumple tres condiciones simultáneamente:Suena muy poderoso, no se puede perjurar y no puede asumir la responsabilidad de la selección incorrecta de la comparación.
No digo que estos números estén hechos. El equipo Chrome y Wiz son socios reales, y esta validación interna generalmente se escapa. Pero cuando se trata de un artículo,Una mezcla de los parámetros externos y los múltiplos internos indetectablesLa atención del lector es quitada por este último, porque éste suena más fuerte.Por eso está escrito.
Precio: 50% de descuento, válido para confidencialidad
Esta parte de Google finalmente está limpia:
| Tema | Precio de introducción | Después del período de presentación |
|---|---|---|
| Input | $2/millones token | 4 millones de dólares |
| Producto | 10 millones de dólares | 20/ millones de dólares |
| Cache Input | Introduzca el precio para jugar al 95% (aproximadamente $0.10) | Basado en el nuevo precio base |
Los dos deben ser vistos por separado. La buena noticia es:El nuevo modelo es el mismo precio que Argon, sin aumento de precio.Los modelos de primera línea no eran caros, y no eran comunes en los dos años.
La mala noticia es:El precio estándar es el doble de alto que el precio de presentación, y la fecha de la presentación no está en el boletín.El presupuesto anual se calcula en 4 dólares/$20. La cifra, calculada a $2/$10, se devolverá al trabajo tarde o temprano.
Una cosa más para recordar:La entrada de caché alcanza el 95% de descuento, o 0.05 veces el precio de entrada.Este descuento es ahora el peor entre todos los fabricantes principales. Si usted tiene la escena de "el mismo contexto super-long", la estructura de precios es real - si usted puede utilizar primero.
Siete, la parte segura, los números son tan hermosos.
Google tiene un conjunto de indicadores de alineación en el boletín, que copiado como son, porque son hermosos:
- Triminal-Bench 4.0 ha reducido la tasa de éxito 0.0%Y el intento de engañar cayó al 0,4%, mientras que la tasa de precisión aumentó.
- En el entorno de codificación del disco interior, gotas de alerta de alto riesgo.Cerca del 80%No lo sé.
- Las reclamaciones no apoyadas son casi menos que Argon La mitad.No lo sé.
- Crossing (sobre-reach) 26%, bajo servicio 29%No lo sé.
- La indirecta de Gray Swan se inyecta en la base de referencia. 0.0%(Argon es 0,7%).
0, 0, 80, 50 %, 50 % - estos números se toman juntos, lo que es una pregunta para hacer:¿Por qué es todo "abajo" y "cero" y ninguno es absoluto?
Porque son...Mejora relativa a ArgonY Argon fue enviado hace dos semanas. Dos semanas.Dos semanas para reducir las alertas de alto riesgo en un 80%, lo que significa que la generación anterior era realmente mala, o que el conjunto interno era mucho peor de lo esperado.Ambas explicaciones no son muy buenas.
Me gustaría escribir la mitad: Está claro que en el punto de referencia público de Gray Swan, la tasa de éxito cero del ataque significa que "todos los intentos en esta versión han fracasado". - Sí, señor.Esta versión de la evaluaciónNo lo sé. La ofensiva es una confrontación continua, el cero de hoy no es el cero de mañana.
Hay una cosa más que no digo: una generación de dos semanas.
Gemini 4 Argon fue liberado hace dos semanas. Carbono construido sobre él.
Las propias palabras de Google, "Illustrates the place at which we're push the front forward" -- show how fast we're moving forward.Esa es la verdad y el problema.
Para aquellos que producen, esto significa:Acabas de poner Argon en la línea, Benchmark out, prompt out, la próxima generación está en camino.El modelo fue cambiado de "acción anual" a "mantenimiento mensual". No se trata de la familia de Google, sino de la más radical.
Lo mismo ocurre con el autor. Cuando salió, el siguiente número de código habría sido dividido internamente.
Nueve, ¿qué piensas de esta liberación?
Deberías admitirlo.
- Tomó AA Inteligence Index v. 5.0, primero, 59 puntos, para información.
- La línea de ciberseguridad está realmente funcionando: los tres puntos de referencia externos son los mejores en este momento, no las palabras.
- La estructura de precios está sujeta en el modelo delantero.
- La orden de dar el lado defensivo primero, luego valorar, es lógica: la capacidad de encontrar lagunas es más peligrosa para los atacantes.
Deberías haber llamado a la marca de preguntas.
- Un punto por delante, menos que la diferencia entre la ranura de pensamiento del oponente.Esta es la clasificación en la misma banda horizontal, no el proxy.
- La lista acaba de ser cambiada a v. 5.0, la historia es incomparable."Return Number One" no es metodológicamente válido.
- Ninguno de los tres múltiples internos tiene un nombre comparativo.Ningún examen es posible y no debe ser citado como conclusión.
- El punto de referencia externo era eliminar la valla.No significa que puedas hacerlo.
- Es un 50% de descuento, pero sin plazo.Doble el presupuesto.
Deberíamos esperar.
- Espera a que la API pública abra y ejecute la misión real. Hay una evaluación completa entre la puntuación y tu trabajo.
- Espera a la tercera parte.Trae la cerca.Los tres parámetros de referencia de seguridad se reproducen en condiciones.
- Espera a que alguien ponga carbono y Opus 5.5 en la misma ranura Max - y ahora esto es 59, correcto, 58, y la ranura no está alineada.
Finalmente, el título. Google regresó a primer lugar esta vez, y eso no es para ser. Pero en la frase "Regresar al mundo primero" hay una suposición menos válida:Hay un "retro" estable primero.
El estado real de los asuntos es que las tres familias están exprimidas en un cinturón fraccional, cambiando asientos cada pocas semanas, cada vez con un anuncio "top-up".Esta vida media "primera" es probablemente tanto como la próxima generación.
Ganar un punto es verdad. Primero, es verdad. No puedes usarlo hoy. Esa es la forma completa de este lanzamiento.