Gemeni 4 Carbon pentru a obține Google înapoi la numărul unu: unu, și nu veți avea nevoie de ea astăzi.

Google are un nou model. Ora Beijing, 29 octombrie, la 1 a.m., blog-ul oficial a venit online cu titlul "următorul nostru model fronter," primele două puncte de vânzare ale textului:Capacitatea de ultimă generație de securitate a rețelei și capacitatea pe termen lung (operare continuă pe termen lung).

Cuvântul "primul înapoi în lume" nu este gol. 59, numărul unu.Nu ştiu. Numărul doi Claude Opus 5.5 Da 58, şi numărul trei este 57.

Deci, acest lucru nu va fi backlash. E numărul unu. Problema este...Cât de gros este acest "primul" și poți să-l atingi?

Două piese au fost prezentate înainte:Câştigă locul al doilea 1; prima evaluare din lista consolidată are doar patru cuvinte - fără abilităţi publice API.Tot ce a rămas au fost note de subsol la ambele fraze.

Eu spun asta.

Lista este Indexul de Informaţii Artificiale de Analiză, care tocmai a fost actualizat la v. 5.0 şi care reuneşte nouă evaluări: AA-Briefcase, Automatizare Bench-AAAA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience, GDP.pdf, HLE-Diamond, CritPt v2 (subset de dificultăţi), Terminal-Bench-Science.

58, 57. Văzând această secvenţă, nu sărbători.Al doilea și al treilea sunt cele două etape de reflecție ale aceluiași model.Opus 5.5 ia 58 în Max, 57 în Xheigh.

Această frază este tradusă:De data asta, Google este mai mic decât decalajul dintre profunzimea gândirii celeilalte părţi.

Cu alte cuvinte, nu e "generic," ci "divers la acelaşi nivel." Adevăratul sens este mai aproape: cei trei sunt acum blocaţi în aceeaşi bandă fracţională, şi care primeşte mai mult antrenament, mai mult matematică, o zi schimbă ordinea. S-a întâmplat de mai multe ori luna asta.

Mai este un detaliu pe care mulţi oameni îl trec peste:Această listă este "doar actualizat la V5.0."Evaluarea a fost înlocuită cu o versiune, iar scorurile istorice nu pot fi comparate direct. Deci cuvântul "returnare" nu este valabil din punct de vedere tehnic:Nu este posibil să se compare cine este primul din ediția anterioară și cu cât mai puțin.Primul după schimbare este primul pe noul conducător.

ii. Cuvântul "publicare" trebuie urmat de ghilimele.

Titlul de Ars Technica este simplu:"E ultimul model pe care nu-l poţi folosi"- Ultimul model nu-l poţi folosi.

Nu e petrecerea de titlu. Pagina de model a analizei artificiale, Gemeni 4 Carbon este:"Nicio abilitate publică API"Nu ştiu. Niciuna dintre instituțiile enumerate nu avea acces la interfețe deschise și nu putea fi măsurată decât în modul prevăzut de producător.

Google în sine spune "abordare deliberată la lansare"

Timp	Cine o poate folosi?	Stare
Începând din această săptămână.	Un mic lot de apărători cibernetici.	Deschide
După	Parteneri de încredere prin intermediul programului Fairwind	Eliberare treptată
Nedeterminat	Dezvoltator, întreprindere, consumator	"cât mai curând posibil"

Anunțul a dat preț, referință, clasament.Doar că nu am întâlnire.Nu este o omisiune, este o operaţiune standard: lăsând un "curând" nu există nici o promisiune, nici o încălcare.

Apropo, Google participă, de asemenea, la procesul de pre-testare în guvernul Statelor Unite. Acest lucru este ceva pentru a fi sigur, dar înseamnă, de asemenea, un singur lucru:Momentul pentru a fi deschis oficial pentru tine nu este în întregime până la Google.

iii. Linia cu cea mai mare valoare netă:

Cele trei criterii de referință externe, Google este foarte generos, sunt atât procente și pot fi găsite:

Indicator de referință	Pentru ce?	Scor
SEC-bench Pro	Caută găuri reale în software-ul real.	88.2%
ExpressGym	Verifică dacă portiţa de scăpare este exploatată.	54.8%
CWE-bench	Petic din rădăcină	71.0%

Cu toate acestea, există o notă pe suport în fața aceluiași paragraf, care este foarte modestă:Îmi pare rău, dar îmi pare rău."Azvârlit fără gard."

De ce este important? Pentru că este o confirmare a:Aceste trei cifre, care nu sunt capacitățile pe care le puteți utiliza efectiv, sunt plafoanele teoretice care au fost eliminate din restricțiile de securitate.Imediat ce gardurile vor fi puse înapoi în produsul real, scorurile vor scădea.

Mai mult decât atât, 54,8% din mijloc.Gardul a fost îndepărtat şi a dovedit doar că mai mult de jumătate din găuri au fost exploatate.Care e situaţia cu restul de 45%? Găsit, raportat, dar nu a putut dovedi consecințele

Nu cred că e o pată neagră. ExpluitGym este un punct de referință greu, 54,8% dintre care este deja cel mai bun. Dar citeste-l ca "AI a fost capabil de a rupe cele mai multe sisteme automat" si se mananca aceste cinci cuvinte.

IV. Singurul loc în care Google este dispus să piardă

Întregul buletin este despre primul, lider, de ultimă generaţie. O singură replică este excepţia:

WebDev Arena scor 4,1768, în sus 89 elo.

În această linie, am rămas în mod deliberat pentru că era singurul număr din tot textul care era "nu primul, ci singurul scris." Promovarea lui 89 Elo nu este mică în arenă, dar Google nu l-a împachetat ca "top" pentru că nu putea fi ambalat, aşa că era clar pe listă că linia albă era 4.

Acest detaliu îmi dă mai multă încredere în acele numere:Când o companie este dispusă să scrie numărul 4 în buletin, ştie că cititorul se va uita în ea.

Cinci, trei "mai bine decât un model." N, fără nume.

Şi aici e partea în care o să vomiţi. Trei dintre multiplicatorii de performanță din buletin sunt atâta timp cât acest lucru:

• "În indicele de referință intern, rata de succes de generare a codului de securitate este Argon De peste 2 oriCare referinţă internă? Calea nu e publică.
• "Chrome Team Report, high-quality Patch GenerationE de 10 ori mai mare decât un alt laborator.- Cine e celălalt?
• "Wiz a observat că este înaintea testului de penetrare a internetului" -- ce referinţă? Fără detalii.

"De zece ori mai bine decât un model care nu poate fi spus" este o parte clasică a publicaţiei. Acesta îndeplinește trei condiții simultan:Sună foarte puternic, nu poate fi sperjur şi nu-şi poate asuma responsabilitatea pentru alegerea greşită a comparatorului.

Nu spun că numerele astea sunt inventate. Echipa Chrome și Wiz sunt parteneri reali, iar această validare internă de obicei fuge. Dar când vine vorba de un articol,O combinație a indicilor de referință externi și a multiplilor interni nedetectabiliAtenţia cititorului este luată de acesta din urmă -- deoarece acesta din urmă pare mai puternic.De aceea este scris.

Pret: 50% reducere, valabil pentru confidentialitate

Această parte a Google este în cele din urmă curat:

Postul	Preț de introducere	După perioada de prezentare
Intrare	$2 milioane jeton	$4/ million token
Rezultat	$10, milioane jeton	20 / milioane dolari jeton
Intrare cache	Introduceți prețul pentru a juca 95% off (aproximativ 0,10 dolari)	Pe baza unui nou preț de bază

Cei doi vor fi văzuţi separat. Vestea bună este:Noul model este același preț ca Argon, nici o creștere a prețurilor.Modelele din prima linie nu erau scumpe și nu erau comune în cei doi ani.

Vestea proastă este:Preţul standard este dublu faţă de preţul de prezentare, iar data prezentării nu figurează în buletin.Bugetul anual este calculat la $4/$20. Cifra, calculată la $2/$10, va fi returnată la locul de muncă mai devreme sau mai târziu.

Încă un lucru de ţinut minte:Cache intrare lovește 95% off, sau 0,05 ori prețul de intrare.Această reducere este acum cea mai proastă dintre toți producătorii principali. Dacă aveți scena "același context super-lung," structura prețurilor este reală -- dacă o puteți folosi mai întâi.

Şapte, partea sigură, numerele sunt atât de frumoase.

Google are un set de indicatori de aliniere în buletin, care am copiat așa cum sunt, pentru că sunt frumoase:

• Triminal-Bench 4.0 a redus rata de succes 0.0%Iar încercarea de trişare a scăzut la 0,4%, în timp ce rata de precizie a crescut.
• În mediul de codare a discului interior, picături de alertă cu risc ridicat.Aproape 80%Nu ştiu.
• Creanţele nesusţinute sunt mai mici decât Argon Jumătate.Nu ştiu.
• Traversare (extras) 26%, sub-serviciu 29%Nu ştiu.
• Indiciul indirect al lui Gray Swan este injectat în linia de bază. 0.0%(Argonul este 0, 7%).

0, 0, 80, 50 %, 50 %De ce este totul "jos" și "zero" și nici unul nu este absolut?

Pentru că acestea sunt...Îmbunătăţire faţă de ArgonŞi Argon a fost trimis acum două săptămâni. Două săptămâni.Două săptămâni pentru a reduce alertele cu risc ridicat cu 80%, ceea ce înseamnă că generația anterioară a fost foarte rea, sau că setul intern a fost mult mai rău decât se aștepta.Ambele explicaţii nu sunt foarte bune.

Aş vrea să scriu jumătate: Se afirmă clar că, la baza publică a lui Gray Swan, rata de succes zero a atacului înseamnă că "toate încercările din această versiune au eşuat."Această versiune a evaluăriiNu ştiu. Ofensiva este o confruntare continuă, astăzi zero la sută nu este mâine zero la sută.

Mai e un lucru pe care nu-l spun: o generaţie de două săptămâni.

Gemini 4 Argon a fost eliberat acum două săptămâni. Carbon construit pe ea.

Cuvintele lui Google, "Ilustrează locul în care împingem înainte" -- arată cât de repede avansăm.Acesta este adevărul şi problema.

Pentru cei care produc, aceasta înseamnă:Tocmai ai pus Argon pe linie, de referință afară, prompt afară, următoarea generație este pe drum.Modelul a fost schimbat de la "procesul decizional anual" la "întreţinerea lunară." Nu e vorba de familia Google, ci de cea mai radicală.

E valabil şi pentru autor. Când a ieșit, următorul număr de cod ar fi fost împărțit intern.

Nouă, deci ce crezi despre această eliberare?

Ar trebui să recunoşti.

• Acesta a luat AA Inteligence Index v. 5.0, în primul rând, 59 de puncte, pentru informații.
• Linia securității cibernetice funcționează cu adevărat: cele trei criterii de referință externe sunt cele mai bune în acest moment, nu cuvintele.
• Structura prețurilor este limitată în modelul din față.
• Ordinea de a da partea defensivă în primul rând, apoi evaluarea, este logic posibilitatea de a găsi lacune este mai periculos pentru atacatori.

Trebuia să pui semnul întrebării.

• Cu un punct înainte, mai puţin decât diferenţa dintre propriul slot de gândire al adversarului.Aceasta este sortarea în aceeași bandă orizontală, nu proxy.
• Lista tocmai a fost schimbată în v. 5.0, istoria este de neegalat."Return Number One" nu este valid din punct de vedere metodologic.
• Niciunul dintre cei trei multipli interni nu are un nume comparativ.Nicio revizuire nu este posibilă și nu ar trebui citată ca o concluzie.
• Criteriul de referință extern a fost de a elimina gardul.Asta nu înseamnă că o poţi face.
• Este 50% reducere, dar nici un termen limită.Dublează bugetul.

Ar trebui să aşteptăm.

• Aşteaptă până se deschide API-ul public şi conduce adevărata misiune. Există o evaluare completă între punctaj şi slujbă.
• Asteptati pentru a treia parte.Adu gardul.Cele trei valori de referință de securitate sunt reproduse în condiții.
• Așteptați până când cineva pune carbon și Opus 5.5 pe același slot Max -- iar acum acest lucru este 59, dreapta, 58, iar slotul nu este aliniat.

În sfârşit, titlul. Google s-a întors pe primul loc de data asta şi nu va mai fi aşa. Dar în expresia "Întoarce-te la lume mai întâi" există o presupunere mai puțin valabilă:Există un grajd, "înapoi" mai întâi.

Situaţia reală este că cele trei familii sunt înghesuite într-o centură fracţională, schimbând locurile la fiecare câteva săptămâni, de fiecare dată cu un anunţ "top-up."Acest "prim" timp de înjumătățire este, probabil, atâta timp cât generația următoare.

E adevărat să câştigi un punct. Mai întâi, e adevărat. Nu-l poţi folosi azi. Aceasta este forma completă a acestei eliberări.