← Visos naujienos

Google per kelias dienas išleido Gemini 4 Carbon, Hydrogen, Decision-1 ir AlphaProof Code

ModeliaiŠaltinis: Wes Roth YouTube kanalas·
Google per kelias dienas išleido Gemini 4 Carbon, Hydrogen, Decision-1 ir AlphaProof Code

Apžvalgoje teigiama, kad Google paskelbė modelių bangą: Gemini 4 Carbon su „swarm“ agentais, iš jo distiliuotą greitąjį Hydrogen (jau varo Google paieškos AI režimą), sprendimų modelį Decision-1, AlphaGenome 2 ir AlphaProof Code. Gemini 4 modeliai pirmauja Vending Bench 2, Cursor Bench 4.0 ir autoriaus paties kuriamame PvP benchmark'e, o Carbon autonomiškai sumontavo visą 30 minučių video — iškirpo pauzes, pridėjo grafikus ir skyrius. Autorius taip pat mini, kad bandant „swarm“ jo Gemini paskyra buvo užblokuota per kelias minutes.

Pilna santrauka

Google modelių bangos apžvalga0:00

Vaizdo įraše apžvelgiama Google išleistų modelių banga, pasirodžiusi per kelias paras, kol visuomenės dėmesys buvo nukrypęs į Fable 5.2. Autorius pristato Gemini 4 Carbon su „swarm“ funkcija, Gemini 4 Hydrogen, Gemini Decision-1, AlphaGenome 2 ir AlphaProof Code, ir teigia, kad Google sugrįžo labai stipriai.

Factorio ir šifravimo verifikacija0:31

Pirmas įspūdingas pavyzdys – Gemini 4 Carbon atvirkštinės inžinerijos būdu išnagrinėjo Factorio, sukūrė aplink jį harness'ą ir perėjo žaidimą speedrun stiliumi. AlphaProof Code, naudojantis tuos pačius carbon swarms, formaliai verifikavo šifravimo sistemą, kuria remiasi Signal ir Google Messages – tai paliečia daugiau nei milijardą žmonių; tai esą matematiniai įrodymai, tik pritaikyti šifravimui.

Benchmarkų rezultatai1:33

Benchmarkuose Gemini modeliai dominuoja. Vending Bench 2, kuriame LLM maždaug metus trunkančioje simuliacijoje valdo pardavimo automatų verslą, pirmą vietą užima Gemini 4 Carbon, trečią – Hydrogen, penktą – Argon. Gemini 4 Carbon taip pat dominuoja Cursor Bench 4.0. Autoriaus paties jau kelias savaites kuriamame PvP benchmark'e, kur modeliai varžosi tarpusavyje ir reitinguojami pagal pergales, Gemini 4 Argon su aukštu reasoning lygiu aplenkia Soul, Astra ir Opus, nors rezultatai dar ankstyvi.

Decision-1, AlphaGenome 2, pavadinimų logika2:36

Gemini Decision-1 – tai ne didelis kalbos modelis, o sprendimų priėmimo modelis: jis negeneruoja sakinių, o pateikia „taip / ne“ arba pasirinkimą iš variantų. Jis itin greitas ir pigus, tinkamas didelio masto rūšiavimui ir triažui, o sudėtingesniems uždaviniams galima jį derinti su dideliu kalbos modeliu. AlphaGenome 2 skirtas iššifruoti, kaip ląstelės skaito DNR, siekiant geriau suprasti ligas.

Autorius ironizuoja dėl pavadinimų: vandenilio atominis numeris – 1, anglies – 6, argono – 18, tačiau nei pagal svorį, nei pagal abėcėlę, nei pagal išleidimo tvarką (pirmas buvo Argon) logikos nėra. Nepaisant to, modeliai esą labai geri. Nuo šiol Google paiešką, t. y. AI režimo atsakymus, varo Gemini 4 Hydrogen, distiliuotas iš Carbon, o ne senas Flash checkpoint'as. Hydrogen itin greitas, bet neprarandantis intelekto – Vending Bench'e jį aplenkia tik GPT-6 Astra, o jis pats nugali 6.1 Soul, 6 Soul, Muse, Wonderful, visus Claude modelius ir Grok 4.7. Modelis multimodalus, žadama daugiau vizualinių atsakymų.

Video montavimas ir supratimas4:41

Didelę dalį vaizdo įrašo užima Carbon video montavimo gebėjimai. Autorius padavė neapdorotą failą ir paprašė sumontuoti: modelis pašalino nepavykusius startus, tylas tarp žodžių, suskirstė į skyrius su pavadinimais, pridėjo plaukiojančius informacinius elementus, prenumeratos mygtuką ir diagramas. Kalbant apie kosminius lazerius, jis savarankiškai nupiešė žemosios Žemės orbitos palydovų konsteliacijas, nors to nebuvo prašyta – taigi jis supranta patį vaizdą, o ne tik transkripciją.

Kitame pavyzdyje, dirbant su Claude ir Kaneis 2.5 Pro klipais, Gemini pridėjo garso vizualizaciją, „gyvatės“ elementą ir Matricos stiliaus kodą, pats suprasdamas, kad tai muzikinis video. Visa grafika sukurta grynai kodu. Minima daina „What's the Color of the Night?“.

Dar vienas testas – video supratimas. Autorius paėmė virusinį open-source projektą, simuliuojantį žmogaus kvėpavimo takus ir visą anatomiją nuo oro srauto iki garso slėgio, gebantį formuoti žodžius, dainuoti ir net beatboxinti; populiarus pavyzdys – „Halls of the Mountain King“, paskelbtas, atrodo, Jan Will Make. Carbon peržiūrėjo šį video, suprato, kad tai būtent tas open-source projektas, ir sukūrė analogą su kita, autorių teisėmis nesaugoma daina – sceną apie katiną, 4 valandą ryto stumiantį vandens stiklinę nuo naktinio staliuko, su plaukiojančių galvų choru.

Autorius vertina rezultatą kaip gerą, nors ne tokį įtraukiantį kaip originalas, ir pabrėžia, kad pokšto iš transkripcijos suprasti būtų buvę neįmanoma.

Minimas Ethan Mollick pavyzdys: kairėje – tikra medžiaga iš traukinio priekio, dešinėje – Gemini 4 Carbon atkartota versija su 3JS, pilnai perversta į kodą. Sluoksniuojant abu variantus atsiranda galimybė realiai keisti dalykus video, nes vietoj pikselių turima kodu aprašyta versija.

Factorio atvirkštinė inžinerija7:54

Apie Factorio projektą: Carbon atliko atvirkštinę inžineriją, sukūrė harness'ą, panaudojo kelis egzistuojančius modus ir paleido agentus per simuliaciją – kasti, kurti pramonę, vykdyti tyrimus. Pradinis tikslas buvo pasiekti geležinkelio bėgius ir traukinius; tai pavyko. Autorius giria atvirkštinės inžinerijos gebėjimus: Fable ir Opus dažnai atsisako tokių užduočių, Astra neatsisako, o Carbon yra Astros lygio. Beveik viskas suveikė iš pirmo karto, išskyrus žaidimo pakartojimą (replay), kurį prireikė taisyti antru ratu.

Modelis mažiau gludina ir dokumentuoja nei Fable ar Astra, agresyviai veržiasi į finišą ir neišplečia apimties, tačiau su aukštu reasoning lygiu mąsto ir dirba daug ilgiau – maždaug tris keturis kartus ilgiau nei Opus.

Autoriaus žaidimo benchmark'as15:48

Toliau aprašomas autoriaus kuriamas benchmark'as, įkvėptas seno Dungeons and Dragons stiliaus stalo žaidimo, kuriame fantastiniai padarai žaidžia smurtinę amerikietiško futbolo versiją su tačdaunais. Žaidime yra šachmatų ir Texas hold'em elementų, daug kontroliuojamo atsitiktinumo, statistikos ir tikimybių; tai žaidimas apie išteklių paskirstymą ir rizikos valdymą chaotiškame pasaulyje, kur geriausi planai nueina perniek, o žvaigždė žaidėjas gali žūti aikštėje. Autorius kuria savo versiją, nes originalas – kažkieno intelektinė nuosavybė.

Paaiškinama, kodėl toks benchmark'as geras, pasitelkiant Max Bench pavyzdį: jis tikrina, ar modeliai nebuvo treniruoti ant benchmarkų. Imama detektyvinė mįslė apie lordą Blackwoodą, rastą negyvą Blackwood dvare, su virėja, tarnaite ir liokajumi; tada pakeičiami vardai ir vietovardžiai, nekeičiant pačios dedukcijos logikos. Jei modelis pataiko tik su originaliais vardais, vadinasi, atsakymus įsiminė. Brūkšniuotos linijos grafike rodo skirtumą tarp rezultatų originaliame ir pakeistame benchmark'e; nedidelė dispersija normali, bet 20–30 taškų skirtumas rodo įtartiną elgesį.

Autorius pastebi, kad labiausiai atsilieka maži flash ir Luna tipo modeliai, o dideli – Astra, Opus 5.5, Soul, Fable – laikosi arčiau. Išvada: geras benchmark'as turi turėti chaoso elementą, kad atsakymų nebūtų galima įsiminti. Autorius planuoja žaidžiamą režimą, kad žmonės galėtų varžytis su LLM. Jo duomenimis, Gemini 4 Argon dirba ilgai, bet turi išskirtinai aukštą pergalių procentą, nors reikia daugiau partijų.

Užblokuota paskyra ir kvotos21:00

Istorija apie užblokuotą paskyrą: autorius paprašė Claude Fable 5.2 prijungti Antigravity ir naują modelį ir paleisti kelis testus. Po maždaug 10 minučių Claude pranešė, kad Antigravity paskyra atmeta kiekvieną užklausą ir kad tai beveik neabejotinai sukėlė jo testas – Claude paleido swarm'ą, maždaug 50–100 egzempliorių per kelias sekundes su pigiu modeliu. Google blokavimas automatinis; pateikus apeliaciją paskyra atstatyta greičiau nei per 6 valandas.

Google developers forumuose Google atstovas paaiškino, kad toks naudojimas yra palaikomas ir nurašomas iš savaitinės kvotos (OpenAI irgi leidžia, kitos kompanijos po OpenClaw laikų griežtesnės), tačiau didelės apimties neprižiūrimi fono ciklai gali suaktyvinti automatines apsaugas nuo piktnaudžiavimo. Dėl to dalis planuotų Carbon ir Hydrogen benchmarkų liko neatlikta.

Antigravity ir swarm funkcija24:37

Aprašoma Antigravity – Google atsakas į Codex ar Claude Desktop; veikia kaip CLI (komanda „agy“) ir kaip desktop aplikacija, prašo daug leidimų, tad galima naudoti „dangerously skip permissions“. Modelius galima paleisti per MCP, API, programą ar CLI, taip pat headless režimu fone, kad vienu metu veiktų daug partijų – autorius yra paleidęs 30 lygiagrečių partijų, šiuo metu oficialiai sekama 307 partijos. Viską jis sukasi ant mažo mini kompiuterio, kuris per naktį sugeneruoja šimtus žaidimų. Jis rekomenduoja susidėti visų paskyrų savaitinę kvotą į vieną sekimo įrankį su atstatymo laikmačiu; jo paties kvota buvo išnaudota 60 %.

Apie swarm funkciją: ji aktyvuojama komanda /swarm, yra preview stadijoje ir stipriai ryja kvotą. Google, autoriaus nuomone, pasielgė protingai įmontavusi lentą, per kurią agentai tarpusavyje bendrauja – priešingai nei OpenAI atveju su Hugging Face, kur tokios lentos nebuvo ir tai buvo klaida. Taip pat yra grafikas, rodantis koordinatorių, jo paleidžiamus agentus ir jų ataskaitas. Autorius džiaugiasi, kad Google nepabijojo vartoti paties termino „swarm“, o ne kokio nuobodaus korporatyvinio pavadinimo. Savo swarm testui jis skiria A+ – viskas, ko jis norėjo, buvo užbaigta ir veikė, o replay problema ištaisyta pačios swarm koordinacijos metu.

Raketos paleidimo bandymas27:43

Pabaigoje autorius pasakoja, kad šiandien paleido naują bandymą su tikslu paleisti raketą – žaidimo pabaigos etapą. Agentas dirba jau beveik 10 valandų, turi 87 elektrinius kasybos grąžtus, 11 chemijos gamyklų, vykdo pažangų naftos apdirbimą (naftos sistema žaidime ypač sudėtinga), baigė trečią pakopą ir turi įveikti ketvirtą bei penktą. Agentas valdomas natūralia kalba: nurodymai rasti anglį, nueiti į koordinates, iškasti 20 anglies, sudėti 10 anglies į krosnį; jis gali pagreitinti laiką ir statyti pastatus per atstumą.

Ateivių ar PVE nėra, tai vieno žaidėjo režimas, tačiau autorius svarsto paversti tai PvP, kur keli LLM kovotų tarpusavyje – žaidimas to niekada nepalaikė, bet su Gemini 4 tai įmanoma. Jam svarbiausia ne navigacija, o tai, ar modelis supranta gilią žaidimo logiką ir sugeba pastatyti visus reikalingus pirmtakus bei išdėstymus. Autorius žada toliau leisti modelius per savo benchmark'ą ir kviečia žiūrovus komentuoti.

Dalintis:

Originalas: Gemini 4 Swarm is out of control... (Wes Roth YouTube kanalas)

Visos 2026 m. lapkričio 13 d. naujienos · Archyvas