Gemini 4 Argon knackt die 1-Million-Token-Grenze

Die wichtige Erkenntnis hier: Das Überholen, das wir dieses Jahr gesehen haben, scheint keine vorübergehende Sache zu sein. Die berühmte Theorie von Dario Amodei war, dass KI ein Winner-takes-all-Feld sei, in dem das erste Team, das einen Vorsprung erlangt, niemals Boden abgeben würde. Der Begriff, den er gerne verwendete, war „concentrating“. Dies ist ein weiterer Datenpunkt, der zeigt, dass er sich darin geirrt hat. KI scheint mehr verteilt unter Neoclouds und traditionellen Hyperscalern, FAANG und Startups, GPUs und ASICs als noch vor einem Jahr.

Niemand hat einen Burggraben.

> Wir werden weiterhin Feedback von frühen Testern sammeln, während wir an den Guardrails arbeiten, bevor wir Argon so schnell wie möglich für Entwickler, Unternehmen und Verbraucher verfügbar machen.

Gemini entkommt den „kann kein Modell veröffentlichen“-Vorwürfen nicht

> Argon-Agenten arbeiten daran, C/C++-Codebasen bei Google auf Rust zu migrieren

Mann, ich erinnere mich an die Zeiten, als das cppnext-Team sich weigerte, Rust auch nur in Betracht zu ziehen, und stattdessen absurde Sachen wie Carbon und Swift (!) anschaute, obwohl die Hälfte der Entwickler bereits wusste, wohin das führen würde. Ich hoffe, sie haben wenigstens ein paar gute Beförderungen aus den Verzögerungen herausgeholt.

> Large Scale Codebase Migrations and Optimizations: Argon-Agenten arbeiten daran, C/C++-Codebasen bei Google auf Rust zu migrieren – skalierend von Zehntausenden von Zeilen in Kernbibliotheken wie re2, libgav1 bis zu über 800K Zeilen für den Fuchsia OS Zircon Kernel.

Für mich ist das viel bedeutender als andere zufällige C++-zu-Rust-KI-Umschreibungen. Wenn sie das massenhaft bei Kern-C++-Bibliotheken schaffen, weiß ich nicht, ob C++ in ein paar Jahren noch relevant sein wird.

Ich freue mich auf einen Beitrag von Google zu dieser Anstrengung.

Was auch immer dein Workflow ist, stelle sicher, dass Modell und Anbieter austauschbar sind. Frontier-Labs werden sich weiterhin gegenseitig überholen, wie sie es seit Monaten tun.

Damit die Vorteile von KI verteilt werden, muss Intelligenz zur Ware werden.

Solange du die Fähigkeiten, das Gelernte und das Infrastruktur-Setup kontrollierst, wirst du fine sein.

Großartig, also haben sie sich _endlich_ entschieden, ein Nicht-Flash-Modell hinzuzufügen, und es ist für normale Abonnenten für unbestimmte Zeit nicht verfügbar. Was ist der Sinn, für den AI Ultra-Plan zu bezahlen? Anthropic macht dasselbe mit Fable, soweit ich weiß, OpenAI erlaubt wenigstens Pro-Plan-Abonnenten, Astra zu nutzen. Ich abonniere Gemini AI Ultra und ChatGPT Pro und habe bei der Arbeit Enterprise-Zugang zu Claude. Um fair zu sein, Geminis Flash-Modelle sind seit mindestens 3.6 recht nützlich für nicht-komplexe Arbeit, aber bei jeder Aufgabe mit ein bisschen Komplexität musste ich die Arbeit mehrfach selbst überprüfen oder manchmal mit einem anderen LLM, um es dazu zu bringen, Pläne genau zu befolgen. Es ist enttäuschend zu sehen, dass ein weiteres Gemini-Release das Hinzufügen neuerer Pro-Modelle ignoriert.

Bearbeiten: Scheint, ich lag falsch bezüglich Anthropics Einschränkung von Fable, ich schätze, unser Enterprise-Plan enthält es nicht. Aber die Blockade von Anthropic bezüglich Mythos für normale Abonnenten/Enterprise-Nutzer ist meiner Meinung nach immer noch wahr.

Die Breaking News ist nicht das Modell. Die Breaking News ist, dass es innerhalb von Google stark auf großen Codebasen zum Schreiben von Code verwendet wird und bereits 800k Zeilen C++-Code auf Rust migriert.

In diesem Bereich ist jedes andere Unternehmen, das ich respektiere, außer DeepSeek – das wäre Google. Sie waren von Anfang an ehrlich, einschließlich ihres berüchtigten „we have no moat“-Memos.

Dieses Unternehmen hat enorme Daten, eigene Hardware (TPUs) und eigene interne Experten. Eigentlich wurden LLMs hier erfunden.

Gute Ergänzung zum Arsenal.

> sorgfältige Vorsichtsmaßnahmen zu treffen, um die Ergebnisse nicht zurück in das Training einfließen zu lassen, um nicht zu riskieren, Argons Argumentation so zu formen, dass sie unsere Überwachung umgeht. Wir ermutigen den Rest der Branche nachdrücklich, in diesen entscheidenden Momenten erhöhter Fähigkeiten die Transparenz der Argumentation zu bewahren, während wir Alignment-Risiken navigieren, damit Modellgedanken hilfreich bleiben, um Fehlausrichtungen zu identifizieren und zu diagnostizieren.

Das ist gut, aber sie sind genau deswegen der langsame Beweger.

Google wird dafür bestraft, dass es die Modelle nicht in eine Echokammer lässt und schneller als menschlich möglich vorangeht.

Ich frage mich, warum Google Gemini nicht als Open-Weights-Modell anbietet?

In Anbetracht dessen, dass Gemini 4 im selben Bereich wie SOTA-Modelle liegt, einfach Open Source machen und jede Konkurrenz von OpenAI und Anthropic ausschalten und Marktführer werden.

Das wäre in so vielen Dimensionen gut – Zeit für Google gewinnen, um am nächsten Modell zu iterieren, das Beste für Leute wie uns, Finanzierung von Konkurrenten abwürgen oder deren Bewertung zerstören und sie zwingen, ihr Modell zu öffnen oder ein viel überlegenes Modell als Open-Source-Gemini zu entwickeln.

Einziger Nachteil ist der Umsatzverlust durch die Gemini-API, von dem ich nicht sicher bin, ob er im Vergleich zu Googles anderen Einnahmequellen wirklich signifikant ist, und ein Teil davon kann durch GCP aufgefangen werden, da man das Modell irgendwo hosten muss.