Gemini 4 Carbon saada Google takaisin numero yksi: ja et tarvitse sitä tänään.

Googlella on uusi malli. Pekingin aika, 29. lokakuuta, klo 1:00, virallinen blogi tuli verkossa otsikko " seuraava Fronter malli," kaksi ensimmäistä myyntipistettä tekstin:Huipputason verkon turvallisuusvalmiudet ja pitkän aikavälin (pitkä jatkuva toiminta) valmiudet.

Sana "ensin takaisin maailmassa" ei ole tyhjä. 59, numero yksi.En tiedä. Numero kaksi Claude Opus 5.5 Kyllä 58 ja numero kolme, 57.

Tämä ei siis ole vastaisku. Se on ykkönen. Ongelma on...Kuinka paksu tämä "ensimmäinen" on?

Kaksi kappaletta esitettiin:Voittaa toisen sijan 1; ensimmäisen arvioinnin konsolidoidussa luettelossa on vain neljä sanaa - ei julkista kykyä API.Jäljelle jäi vain kummankin virkkeen alaviitteet.

Gemini 4 Carbon AA Intelligence Index v. 5.0

Minä sanon sen.

Lista on tekoanalyysi Intelligence Index, joka on juuri päivitetty v. 5.0 ja joka kokoaa yhteen yhdeksän arviota: AA-Briefcase, Automation Bench-AAA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 (vaikeuksien alaluokka), Terminal-Bench-Science.

58, 57. Älä juhli tätä sarjaa.Toinen ja kolmas ovat saman mallin kaksi heijastusvaihetta.Opus 5.5 ottaa 58 Maxissa, 57 Xheighissä.

Tämä virke on käännetty:Googlen johtolanka tällä kertaa on pienempi kuin kuilu toisen puolen ajattelusyvyyden välillä.

Toisin sanoen, se ei ole "geneerinen" vaan "monipuolinen samalla tasolla." Todellinen merkitys on lähempänä: ne kolme ovat nyt jumissa samassa fractional bändissä, ja kuka saa enemmän koulutusta, enemmän matematiikkaa, yksi päivä muuttaa järjestystä. Näin on käynyt useammin kuin kerran tässä kuussa.

On vielä yksi yksityiskohta, jonka monet ohittavat:Lista on "päivitetty juuri V5.0:een."Arviointi korvattiin versiolla, eikä historiallisia tuloksia voida suoraan verrata. Joten sana "paluu" ei ole teknisesti pätevä:Ei ole mahdollista verrata kuka on ensimmäinen edellisessä painoksessa ja kuinka paljon vähemmän.Ensimmäinen muutoksen jälkeen on ensimmäinen uusi hallitsija.

59 Erilaisuuksia 58:n kanssa, jotka kuuluvat samaan malliin Lee.

ii. Sanaa "julkaisu" on täydennettävä lainausmerkeillä.

Nimi Ars Technica on yksinkertaisesti:"se on viimeinen etumalli, jota et voi käyttää."- Et voi käyttää uusinta mallia.

Ne eivät ole tittelijuhlat. Tekoanalyysin mallisivu, Gemini 4 Carbonin tila on:"Ei julkista kykyä API"En tiedä. Yhdelläkään luettelossa luetelluista laitoksista ei ollut pääsyä avoimiin rajapintoihin, ja niitä voitiin mitata vain valmistajan ilmoittamalla tavalla.

Google itse sanoo "tahallinen lähestymistapa käyttöön" ...

Aika	Kuka voi käyttää sitä?	Tila
Tästä viikosta alkaen.	Pieni erä kybersuojelijoita.	Avaa
Sen jälkeen	Luotetut kumppanit Fairwind-ohjelman kautta	Vaiheittainen vapautuminen
Määrittelemätön	Kehittäjä, yritys, kuluttaja	"mahdollisimman pian"

Ilmoitus antoi hinta, benchmark, sijoitus.Ei treffejä.Se ei ole laiminlyönti, se on normaali operaatio: jättää "pian" ei ole lupaus eikä rikkomus.

Google osallistuu myös Yhdysvaltojen hallituksen ennakkotestausprosessiin. Tämä on varmaa, mutta se tarkoittaa myös yhtä asiaa:Sinulle virallisesti avattava aika ei ole täysin Googlella.

Julkaiseminen ja saatavuus ovat kaksi asiaa.

iii. Raja, jolla on korkein nettoarvo:

Kolme ulkoista vertailuarvoa, Googlen erittäin antelias, ovat molemmat prosenttilukuja ja löytyy:

Vertailuarvo	Miksi?	Pistemäärä
SEC-bench Pro	Etsi oikeita aukkoja oikeasta ohjelmistosta.	88.2%
ExpressGym	Tarkista, onko porsaanreikää käytetty hyväksi.	54.8%
CWE-penkki	Paikka juurista	71.0%

Ennen samaa kohtaa on kuitenkin olemassa haarautunut huomautus, joka on hyvin vaatimaton:Olen pahoillani."Hävisi ilman aitaa."

Miksi se on tärkeää? Koska se on tunnustus:Nämä kolme lukua, jotka eivät ole niitä ominaisuuksia, joita voit käyttää, ovat ne teoreettiset enimmäismäärät, jotka on poistettu turvarajoituksista.Heti kun aidat laitetaan takaisin todelliseen tuotteeseen, tulokset laskevat.

Enemmän, 54,8 prosenttia keskeltä.Aita poistettiin, ja se vain todisti, että yli puolet rei'istä käytettiin hyväksi.Mikä on jäljellä olevien 45 prosentin tilanne? Löytyi, raportoitu, mutta ei voinut todistaa seurauksia ... hallita porsaanreikiä, tällaisten löytöjen arvo olisi paljon pienempi.

En usko, että se on musta piste. ExpluitGym on kova vertailuarvo, josta 54,8% on jo paras. Mutta lue se "AI on voinut rikkoa useimmat järjestelmät automaattisesti" ja se syö nuo viisi sanaa.

Kolme ulkoista vertailuarvoa. He kaikki karkasivat aidalta.

4. Ainoa paikka, jossa Google on valmis häviämään

Koko tiedote on ensimmäinen. Vain yksi rivi on poikkeus:

WebDev Arena pisteet 4 1768, ylös 89 elo.

Tällä rivillä jäin tarkoituksella, koska se oli koko tekstin ainoa numero, joka oli "ei ensimmäinen vaan ainoa kirjoitettu." 89 Elon ylennys ei ole pieni areenalla, mutta Google ei käärinyt sitä "pääksi," koska sitä ei voitu pakata, joten listalla oli selvää, että valkoinen viiva oli 4.

Tämä yksityiskohta antaa minulle hieman enemmän luottamusta näihin numeroihin:Kun yritys on valmis kirjoittamaan numero 4 tiedotteeseen, se tietää lukijan tutkivan sitä.

Viisi, kolme, parempi kuin malli. Ei nimiä.

Tässä kohta, jossa oksennat. Tiedotteessa on kolme tuloskerrointa:

"Sisäisessä vertailussa turvakoodin generoinnin onnistumisprosentti on Argon Yli 2 kertaaMikä sisäinen vertailuarvo? Tie ei ole julkinen.
"Chrome Team Report, Laadukas Patch GenerationSe on yli 10 kertaa toisen laboratorion kokoinen.- Kuka se toinen on?
"Wiz on huomannut, että se on edellä Web penetration test benchmark" -- mikä vertailuarvo? Ei yksityiskohtia.

Kymmenen kertaa parempi kuin malli, jota ei voi sanoa, on klassinen osa julkaisua. Se täyttää kolme edellytystä samanaikaisesti:Se kuulostaa hyvin voimakas, ei voi olla väärä vala ja ei voi ottaa vastuuta väärä valinta vertailun.

En väitä, että numerot ovat keksittyjä. Chrome-tiimi ja Wiz ovat todellisia kumppaneita, ja tämä sisäinen validointi yleensä karkaa. Mutta artikkelin suhteen -Ulkoisten vertailuarvojen ja havaitsemattomien sisäisten kerrannaisvaikutusten yhdistelmäJälkimmäinen vie lukijan huomion - koska jälkimmäinen kuulostaa vahvemmalta.Siksi se on kirjoitettu.

Kolme kerrannaista, joita ei voida tarkistaa

Hinta: 50% alennus, voimassa luottamuksellisuus

Tämä osa Google on vihdoin puhdas:

Kohta	Johdantohinta	Esitysajan jälkeen
Syöte	2 miljoonaa dollaria	4 miljoonaa dollaria
Tulos	10/miljoonaa dollaria	20 dollaria/miljoonaa
Välimuistin syöte	Anna hinta pelata 95% pois (noin 0,10 dollaria)	Perustuu uuteen perushintaan

Nämä kaksi on nähtävä erikseen. Hyvä uutinen on:Uusi malli on sama hinta kuin Argon.Etulinjan mallit eivät olleet kalliita eivätkä yleisiä kahden vuoden aikana.

Huono uutinen on:Vakiohinta on kaksi kertaa niin korkea kuin tarjontamuoto, eikä esittämispäivää ole julkaistu tiedotteessa.Vuosibudjetti on $4/20. Luku, laskettu 2 dollaria 10 dollaria palautetaan töihin ennemmin tai myöhemmin.

Vielä yksi asia muistettavana.Välimuisti syöttää 95% pois, tai 0,05 kertaa panoshinta.Tämä alennus on nyt pahin kaikkien valtavirran valmistajien keskuudessa. Jos sinulla on kohtaus "sama super-pitkä asiayhteys," hintarakenne on todellinen -- jos voit käyttää sitä ensin.

Seitsemän, turvallinen osa, numerot ovat niin kauniita.

Googlella on joukko linjausindikaattoreita julkaisussa, jonka kopioin sellaisina kuin ne ovat, koska ne ovat kauniita:

Triminal-Bench 4.0 on vähentänyt onnistumisastetta 0.0%Huijausyritys laski 0,4 prosenttiin, kun tarkkuus nousi.
Sisätiloissa levyn koodaus, korkean riskin hälytys laskee.Lähes 80%En tiedä.
Tuettomat väitteet ovat noin vähemmän kuin Argon Puolet.En tiedä.
Ylitys (ylitys) 26%, käytössä 29%En tiedä.
Gray Swanin epäsuora vihje ruiskutetaan lähtötilanteeseen. 0.0%(Argon on 0, 7%).

0, 0, 0, 80, 50 %, 50 prosenttiaMiksi kaikki on alhaalla?

Koska nämä ovat...Paraneminen suhteessa ArgoniinArgon lähetettiin kaksi viikkoa sitten. Kaksi viikkoa.Kaksi viikkoa korkean riskin hälytysten vähentämiseksi 80 prosentilla, mikä tarkoittaa sitä, että edellinen sukupolvi oli todella huono tai että sisäinen hälytys oli paljon odotettua huonompi.Molemmat selitykset eivät ole kovin hyviä.

Haluaisin kirjoittaa puolet: Siinä todetaan selvästi, että Gray Swanin julkisessa mittapuussa iskun nolla onnistumisprosentti tarkoittaa, että "kaikki yritykset tässä versiossa ovat epäonnistuneet."Arvioinnin tämä versioEn tiedä. Hyökkäys on jatkuva yhteenotto, tänään nolla prosenttia ei ole huomenna nolla prosenttia.

En sano vielä yhtä asiaa: kahden viikon sukupolven.

Gemini 4 Argon vapautettiin kaksi viikkoa sitten. Hiili on rakennettu sille.

Googlen omat sanat, "Illustrates paikka, jossa työnnämme eteenpäin" -- osoittavat kuinka nopeasti etenemme.Tämä on totuus ja ongelma.

Tuottajille tämä tarkoittaa:Panit Argonin likoon. Seuraava sukupolvi on tulossa.Malli muutettiin "vuosittaisesta päätöksenteosta" "kuukausittaiseen ylläpitoon." Kyse ei ole Googlen perheestä, vaan kaikkein radikaalimmasta.

Sama koskee kirjailijaa. Seuraava koodinumero olisi jaettu sisäisesti.

Yhdeksän, mitä pidät tästä julkaisusta?

Sinun pitäisi myöntää se.

Se vei AA Intelligence Index vs. 5,0, ensimmäinen, 59 pistettä, tietoja.
Kyberturvallisuuden linja toimii todella: kolme ulkoista vertailuarvoa ovat tällä hetkellä parhaita, eivät sanoja.
Hintarakennetta hillitään etumallissa.
Järjestys antaa puolustava puoli ensin, sitten arvostusta, on looginen ... kyky löytää porsaanreikiä on vaarallisempi hyökkääjille.

Olisit soittanut kysymysmerkin.

Yksi piste eteenpäin, vähemmän kuin ero vastustajan oman ajattelupaikka.Tämä on lajittelu samalla vaakasuoralla kaistalla, ei prox.
Lista on juuri muutettu v. 5.0 historia on vertaansa vailla."Paluu numero yksi" ei ole metodologisesti pätevä.
Yhdelläkään kolmesta sisäisestä kerrannaisesta ei ole vertailunimeä.Uudelleentarkastelu ei ole mahdollista, eikä sitä pidä mainita päätelmänä.
Ulkoinen vertailukohta oli aidan poistaminen.Se ei tarkoita, että pystyisit siihen.
50 prosentin alennus, mutta ei määräaikaa., tuplabudjetti.

Meidän pitäisi odottaa.

Odota, kunnes julkinen API avautuu ja johtaa todellista tehtävää. Tulosten ja työsi välillä on täydellinen arviointi.
Odota kolmatta osapuolta.Tuo aita.Nämä kolme turvallisuuden viitearvoa toistetaan tietyin edellytyksin.
Odota kunnes joku laittaa hiiltä ja Opus 5.5 samaan Max paikka -- ja nyt tämä on 59, oikea, 58 ja paikka ei ole linjassa.

Viimeinkin otsikko. Google palasi ensimmäisellä sijalla tällä kertaa, ja se ei ole. Mutta lauseessa "Paluu maailmaan ensin" on vähemmän pätevä oletus:Ensin on talli.

Todellinen tilanne on, että kolme perhettä on puristettu murto-osa vyö, vaihtaa paikkoja muutaman viikon välein, joka kerta "top-up" ilmoitus.Tämä "ensimmäinen" puoliintumisaika on luultavasti yhtä pitkä kuin seuraava sukupolvi.

Yhden pisteen voittaminen on totta. Ensin se on totta. Et voi käyttää sitä tänään. Se on tämän julkaisun koko muoto.