Megjelent a Gemini 3.8 Flash és a kiberbiztonsági 3.8 Flash Cyber

Két új Gemini 3.8 változat érkezett

A Google DeepMind közlése szerint a Gemini 3.8 a vállalat eddigi legjobb érvelő és kódoló modellje, amely a három hete bemutatott 3.7 Flash lendületére épít. A cég azt írja, ez már a harmadik Flash-kiadás hat héten belül.

A bejelentés két változatot tartalmaz. A Gemini 3.8 Flash a Google DeepMind megfogalmazása szerint a legintelligensebb általános munkamodelljük, amely a 3.7 Flashhez képest jelentős javulást hoz szoftvermérnöki, ügynöki feladatokban és speciális területeken végzett, kritikus, többlépéses érvelésben. Az induló ára megegyezik a 3.7 Flashével: 0,75 dollár egymillió bemeneti tokenenként és 3,75 dollár egymillió kimeneti tokenenként.

A Gemini 3.8 Flash Cyber a vállalat szerint a legképzettebb kiberbiztonsági modelljük, amely sebezhetőségkeresésben és automatizált javításban nyújt határterületi teljesítményt. Ezt a változatot megbízható védők érhetik el az új Fairwind Programon keresztül.

A két modell eltérő felhasználási környezetre készült, de a Google DeepMind szerint ugyanarra az alapintelligenciára épülnek. A vállalat azt is kiemeli, hogy a kódolási és érvelési javulásokat több fejlesztés, köztük a kiberbiztonság igényes területén végzett szigorú tréning segítette.

A 3.8 Flash hosszabb távú kódolási és ügynöki feladatokra céloz

A Google DeepMind szerint a Gemini 3.8 Flash jelentős előrelépést mutat a 3.7 Flashhez képest, és több esetben megközelíti a drágább határterületi modellek teljesítményét. A DeepSWE v1.1, Long-Horizon Software Engineering benchmarkon a vállalat állítása szerint a 3.8 Flash a legtöbb nagyobb határterületi modellnél jobban teljesít összetett mérnöki problémák önálló, végponttól végpontig tartó megoldásában, a költség töredékéért.

A cég a vállalati autonómiához szükséges megbízhatóságot is hangsúlyozza. A bejelentés szerint a 3.8 Flash a 3.7 Flashnél és más határterületi modelleknél jobban szerepel olyan, kvantitatív és szakmai területeket mérő teszteken, mint a Vals Finance Agent V2 és a Harvey's Legal Agent Benchmark. A HLE-Verified teszten 54,9 százalékot ért el, ami a Google DeepMind szerint azt mutatja, hogy STEM, bölcsészeti és szakmai területeken is képes többlépéses érvelésre.

A vállalat magyarázata szerint a javulás egyik oka, hogy a 3.8 Flash összetett feladatoknál több munkát végez: több érvelési lépést hajt végre, és ismételten hív eszközöket. Emiatt bizonyos helyzetekben több tokent használhat, különösen magasabb erőfeszítési szinteken. Azoknál az alkalmazásoknál, ahol a számítási hatékonyság a fő korlát, a fejlesztők alacsonyabb erőfeszítési szinteket használhatnak, vagy továbbra is a Gemini 3.7 Flashre támaszkodhatnak, amelyet a Google DeepMind továbbra is teljesen támogat hatékonyságközpontú feladatokra.

A Flash Cyber a védekező kiberbiztonsági munkát célozza

A Gemini 3.8 Flash Cyber a Fairwind Programon keresztül egy kiválasztott, megbízható védői kör számára érhető el. A Google DeepMind szerint a modell a Flash sebességét és költségszintjét adja kiberbiztonsági feladatokhoz, ami gyors iterációt tesz lehetővé.

A sebezhetőségek önálló felismerésére használt iparági CyberGym benchmarkon a vállalat szerint a Gemini 3.8 Flash Cyber határterületi teljesítményt mutat, és felülmúlja a 3.5 Flash Cybert, valamint lényegesen nagyobb határterületi modelleket is. A Google DeepMind egy belső teszten is értékelte a modellt, amelyben 20 programozási nyelvet lefedő, összetett kódbázisokban kellett különféle sebezhetőségeket megtalálnia. Itt a közlés szerint a sikerarány meghaladta a 70 százalékot.

Az automatizált javításnál a Google DeepMind azt írja, hogy a védők támogatását helyezte előtérbe, ezért a sebezhetőségek javításába fektetett a kezdetektől, és ezt előrébb sorolta, mint az olyan támadó képességeket, mint a kihasználás. A Collinear által futtatott CWE-Bench külső benchmarkon a Gemini 3.8 Flash Cyber pass@1 értéke 47,2 százalék, míg egy vezető határterületi modellé 47,8 százalék, a Google DeepMind szerint azonban az új modell jóval alacsonyabb költségen érhető el.

A vállalat már a Google kódjának védelmében is használja a modellt. A bejelentés szerint a Chrome Security csapat azt találta, hogy a 3.8 Flash Cyber 2,6-szor több helyes javítást készített Chrome-sebezhetőségekre, mint a legjobb, sokkal nagyobb kereskedelmi modellek. A Wiz belső behatolástesztelési benchmarkján a modell 7,5 és 9,7 százalékpont közötti visszahívási előnyt ért el, 2,3 és 5,2-szer alacsonyabb költség mellett más vezető határterületi modellekhez képest. A Google Cloud Vulnerability Research csapata a közlés szerint kevesebb mint 2 óra alatt talált a modellel egy kritikus alapvető sebezhetőséget, amelynek kutatása és felfedezése általában hónapokig tart.

Biztonsági korlátok és elérhetőség

A Google DeepMind közlése szerint a 3.8 Flash olyan védelmi mechanizmusokkal érkezik, amelyek a vegyi, biológiai, radiológiai és nukleáris területeken, valamint a kiber-támadó felhasználásoknál próbálják csökkenteni a visszaélés kockázatát, miközben a hasznos felhasználási eseteket engedélyezik a Frontier Safety Framework szerint. A 3.8 Flash Cyber kiberbiztonsági területen megengedőbb enyhítéseket kapott, ezért csak megbízható védők számára érhető el, akiknek szélesebb kiberképesség-készletre van szükségük.

A vállalat azt is írja, hogy a Gemini 3.8 modellek nagy előrelépést értek el a prompt injection támadásokkal szembeni robusztusságban a Gray Swan mérései alapján. Ennek célja, hogy a Gemini-felhasználókat jobban védje a prompt injection jellegű rosszindulatú támadásoktól.

A fejlesztők a 3.8 Flash modellt a Google Antigravityben, a Gemini API-n keresztül Google AI Studióban és Android Studióban, valamint a Stitchben használhatják. A vállalatok a Gemini Enterprise-ban férhetnek hozzá a 3.8 Flashhez. A fogyasztók számára a 3.8 Flash a Google AI Pro és Ultra előfizetőknek érhető el a Gemini alkalmazásban, a Google Search AI Mode funkciójában és a Google Sheetsben használt Geminiben. A Fairwind Program a közlés szerint megbízható kormányzati hatóságoknak, kritikus infrastruktúra üzemeltetőinek és szoftverkarbantartóknak ad kiemelt hozzáférést a Gemini 3.8 Flash Cyberhez.

Mit jelent ez a felhasználóknak és a piacnak?

A bejelentés alapján a Google DeepMind két irányban erősíti a Flash-vonalat. Az egyik a szélesebb fejlesztői és vállalati felhasználás, ahol a 3.8 Flash a 3.7 Flashhez hasonló sebesség és ár mellett ígér jobb kódolási, érvelési és ügynöki képességeket. Ez azoknak lehet fontos, akik összetett, több lépésből álló munkafolyamatokat futtatnának, de figyelniük kell a tokenköltségre is.

A másik irány a kiberbiztonság, ahol a 3.8 Flash Cyber elérhetőségét a Google DeepMind szűkebb, ellenőrzött körre korlátozza. A vállalat közlése szerint ez a megközelítés a védekező felhasználásokat támogatja, miközben a támadó célú kockázatokat biztonsági korlátokkal kezeli. A modell így elsősorban azoknak a szervezeteknek szól, amelyeknek sebezhetőségek megtalálására, javítására és nagy kódbázisok védelmére van szükségük.