Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Google zostawia Flash-Lite w darmowym planie, Gemini 4 Argon czeka w kolejce

Od 9 października darmowi użytkownicy aplikacji Gemini stracą dostęp do modeli Flash i Pro. Zostanie im tylko Flash-Lite, wynika z zaktualizowanego dokumentu pomocy Google, o którym 3 października napisał 9to5Google.

AI i modeleWyjaśnienieMarta ZielińskaOpublikowano: 4 października 20268 min czytaniaŹródła 8
Google zostawia Flash-Lite w darmowym planie, Gemini 4 Argon czeka w kolejce

Google przestanie dawać darmowym użytkownikom aplikacji Gemini dostęp do Flash i Pro 9 października. Zostanie im tylko Flash-Lite, wynika z zaktualizowanego dokumentu pomocy, o którym 9to5Google napisał 3 października. Ten sam dokument mówi, że subskrybenci AI Plus, którzy płacą 4,99 dol. miesięcznie, stracą Pro, a zachowają Flash-Lite i Flash.

To obniżenie poziomu, nie reorganizacja. Do tej pory darmowy plan obejmował 3.6 Flash i zmienny dostęp do 3.1 Pro, pisał The Decoder 4 października. Po 9 października wszystkie trzy modele są dostępne dopiero w AI Pro za 19,99 dol. miesięcznie albo w AI Ultra za 99,99 lub 199,99 dol. miesięcznie. Trzy modele to Flash-Lite, Flash i Pro. Dla czytelnika zmienia się jedno. Wybór modelu w aplikacji Gemini przestaje być menu wszystkiego i staje się cennikiem. Kto liczył na Pro za darmo albo płacił 4,99 dol., licząc właśnie na niego, dostanie słabszy model albo wyższy rachunek. Wciąż nie wiadomo, jak Google potraktuje swój następny flagowiec, Gemini 4 Argon, kiedy ten się pojawi.

Dwa serwisy, jedna strona pomocy, trochę inne ujęcie

Oba teksty różnią się w kwestii terminu. 9to5Google datuje zmianę na 9 października. Podaje, że subskrybenci AI Plus dostaną maila z informacją, kiedy zmiany wejdą w życie. The Decoder pisze, że zmiana startuje w październiku 2026 r., nie podając dnia. Oba serwisy powołują się na tę samą stronę pomocy Google, więc różnica wygląda na inne ujęcie, nie na sprzeczność. Żaden z nich nie podaje oświadczenia Google poza samym dokumentem.

9to5Google pisze też, że limity nakładają się na zmianę rozliczania opartego na mocy obliczeniowej, którą Google wprowadził w maju. Użytkownicy AI Pro i AI Ultra nic nie tracą. Plan za 19,99 dol. zyskuje opcję Deep Think do „maksymalnego równoległego rozumowania”, która dotąd była zarezerwowana dla planów za 99,99 i 199,99 dol. Aplikacja ma też dodać poziomy wysiłku „low”, „medium” i „high” dla każdego dostępnego modelu. Tak samo działa to już w Google AI Studio i Antigravity.

Model, którego nikt nie umie umiejscowić

Gdzie pasuje Gemini 4 Argon, pozostaje otwartym pytaniem. 9to5Google podaje, że Google oświadczył wcześniej w tym tygodniu, iż Argon najpierw trafi do subskrybentów AI Ultra. Firma nie sprecyzowała, czy Argon liczy się jako model z rodziny Pro, czy stoi w nowym poziomie ponad nim. Ta niejasność waży więcej niż cięcie Flash-Lite. Jeśli Argon wyląduje ponad Pro, 19,99 dol. kupuje dostęp do modelu z ery 3.1, a czołówka jest o poziom lub dwa wyżej.

The Decoder wskazuje pokrewną możliwość: że podział na poziomy to przygotowanie gruntu pod Argon, który może być droższy w utrzymaniu. Twierdzi też, że wpływ na codzienne użycie będzie zapewne niewielki. Większość okazjonalnych użytkowników Google AI nie ma pojęcia, na jakim modelu pracuje, a ci, którzy to zauważają, prawdopodobnie już płacą. To rozsądna interpretacja i jednocześnie taka, którą Google wolałby, żebyś przyjął.

Kształt freemium jest zapożyczony. The Decoder zauważa, że układ przypomina model OpenAI z ChatGPT, gdzie darmowi użytkownicy dostają ograniczone doświadczenie, a płacący klienci czołówkę. Wersja Google jest bardziej dosłowna. Firma nie odmierza, ile dobrego modelu zużywasz, tylko usuwa dobry model z tanich planów. Do tego dochodzi tabela cen. Strona pomocy Google, przytoczona przez The Decoder, daje Flash-Lite wszystkim, Flash od AI Plus w górę, a Pro tylko w AI Pro i AI Ultra. Cztery poziomy, trzy modele, jeden wyraźny punkt nacisku przy 4,99 dol.

Gdzie indziej w modelach: premiery nie są testami porównawczymi

Reszta tygodniowych nowości modelowych dotyczy mniej rankingów, a bardziej tego, co trafia na rynek i kto może to uruchomić. Ideogram opublikował szczegóły Ideogram 4.5 4 października. Reklamuje model jako narzędzie do precyzyjnej edycji w natywnej rozdzielczości 2 000 px, dostępne w aplikacji, integracji MCP i API. Firma twierdzi, że model eliminuje narastanie artefaktów przy kolejnych edycjach. To właśnie umożliwia edycję wieloetapową, a nie jednorazową sztuczkę.

Cennik jest za obraz i stały: 0,008 dol. przy bardzo niskiej jakości, 0,03 dol. przy niskiej, 0,06 dol. przy średniej i od 0,10 do 0,22 dol. przy wysokiej. Wyższa stawka obejmuje generowanie z referencjami i precyzyjne edycje. Ideogram podaje, że cena nie zmienia się z długością promptu, liczbą obrazów referencyjnych ani rozdzielczością wyniku, i że subskrypcja nie jest wymagana. Dla kogoś, kto porównuje modele obrazowe po koszcie użytecznego wyniku, a nie po demie, to jest ta liczba, która się liczy.

Po stronie otwartych wag najciekawsza premiera tygodnia wcale nie jest modelem czołówkowym. Jerry Gamblin przepuścił Clef i Clef Flash od Cloudflare przez wszystkie 27 489 podatności CVE opublikowane w 60 dni do 3 października. Każdemu opisowi zadał dwa pytania: czy ustala wpływ na bezpieczeństwo i czy jest zrozumiały dla obrońcy. Clef Flash, model z 9 000 000 000 parametrów dostrojony z Qwen 3.5, odpowiedział na oba przy medianie poniżej sekundy na CVE na laptopie, bez klucza API.

Wyniki są testem prozy, nie rozumowania. Poza jądrem Linuksa 989 z 23 736 opisów, czyli 4,2%, nigdy nie mówi, co atakujący mógłby zrobić. Jądro to osobny przypadek: jego polityka zostawia ocenę wpływu użytkownikowi. Dlatego 3 661 z jego 3 753 rekordów też nie podaje żadnego wpływu, co podnosi wynik dla wszystkich CVE do 4 650 z 27 489, czyli 16,9%. Gamblin zasiada w grupach roboczych programu CVE i zaznacza, że nic tu nie jest stanowiskiem programu. Sam model Flash uznał za zbyt surowy: Clef z 27 000 000 000 parametrami odwrócił 1 198 z 2 187 oznaczeń, 54,8%. Na 129 CVE oznaczonych ręcznie odpowiedź dwuetapowa wyłapała 15 z 16, które nie podają wpływu.

To taki rodzaj premiery testowej, który rzadko trafia do wpisu ogłaszającego, a zmienia więcej codziennej pracy niż punkt w rankingu. Mały model, który działa lokalnie i tanio klasyfikuje tekst, to inna kategoria produktu niż czołówkowy chatbot. Wagi Clef są na licencji Apache 2.0 na Hugging Face i uruchamiają się przez Ollama.

Dwa artykuły, jedno ostrzeżenie przed trenowaniem na własnym wyniku

Dwa materiały badawcze z tego tygodnia krążą wokół tego samego problemu: modele trenowane na wynikach modeli się degradują. Praca Lewisa Mitchella, złożona do arXiv 1 października, zajmuje się zapadaniem modelu przy iteracyjnym dostrajaniu. W eksperymencie było sześć generacji QLoRA na Llama-3.1-8B, modelu z 8 000 000 000 parametrów. Filtrowanie oparte na logprob, ustalony punkt odniesienia wymagający dostępu do prawdopodobieństw modelu, nie dało istotnej korzyści w różnorodności tekstu na żadnej metryce (p > 0,23). Filtrowanie po estymatorze entropii nieparametrycznej, liczonym wyłącznie z surowego tekstu, dało 42% więcej unikalnych trigramów, 30% większe słownictwo i 19% mniej powtórzeń, wszystko przy p < 0,001.

Wniosek jest wąski, a warunki całkowicie syntetyczne, z dostrajaniem w jednej linii. Wskazuje jednak na coś praktycznego: można filtrować dane treningowe pod kątem różnorodności bez modelu w pętli. Praca liczy 17 stron, ma 8 rycin, a w komentarzach widnieje NeurIPS 2026.

Wpis Alexa L. Zhanga o „kształcie” modeli językowych, opublikowany 4 października, argumentuje z innej strony. Autor zauważa, że kształt wejścia i wyjścia modeli językowych jest mniej więcej stały od czasów ChatGPT. Cała praca nad agentami powstaje jako uprząż wokół modelu autoregresyjnego, a nie odwrotnie. Przywołuje Jev z Typesafe AI, model, którego przestrzeń wyjścia jest ograniczona do przedziału od 0 do 1, jako przykład innej przestrzeni kompromisów. To argument projektowy, nie wynik testu, i tak należy go czytać.

Historia bezpieczeństwa, która nie jest premierą modelu

Najpoważniejsze ujawnienie w dziedzinie bezpieczeństwa AI w tym tygodniu nie ma dołączonego testu. OpenAI poinformował 4 października, że udaremnił skoordynowaną kampanię wyciągania chronionego rozumowania ze swoich modeli. Najwcześniejsza aktywność pojawiła się w pierwszym tygodniu lipca. Operatorzy nie złamali szyfrowania ani nie dotarli do zapisanych rozmów, twierdzi firma. Manipulowali interakcjami z modelem tak, by ukryte rozumowanie dało się odtworzyć na skalę.

Relacja OpenAI podaje daty i wolumeny. Aktywność zaczęła się 1 lipca. Skoki dużego ruchu 24 i 25 lipca to 16 000 zapytań od ponad 4 000 użytkowników. Powiązana aktywność wzorców promptów w klastrze ponad 15 000 użytkowników została w pełni udaremniona do 28 lipca. OpenAI przypisuje główny klaster działań osobom związanym z Moonshot AI, twórcą Kimi. Firma podaje, że nie jest jasne, czy wszyscy operatorzy pochodzili od jednego podmiotu.

Czytane razem ze zmianą planów Gemini, obie historie opisują ten sam rynek z przeciwnych stron. Google zaciska to, do czego mogą dotrzeć jego najtańsi klienci. OpenAI ma do czynienia z ludźmi, którzy obeszli frontowe drzwi, żeby dostać się do rozumowania, którego model nie pokazuje. Żadna z firm nie podała, ile kosztowały ją te zmiany. Żadna nie opublikowała liczby mówiącej, ile było warte wyciągnięte rozumowanie.

Czego zmiana w Gemini nie mówi, to czy Argon uzasadni całą drabinkę. Google potwierdził, że Argon trafi najpierw do AI Ultra. Nie powiedział, gdzie Argon stoi względem Pro. Dopóki to się nie wyjaśni, cięcie z 9 października jest decyzją cenową, nad którą wisi jeszcze pytanie o produkt.

Komentarze 0

Źródła

8
  1. 01Gemini app limiting what models free and AI Plus users can accessEN
  2. 02Google's new Gemini tiers cut free users to its weakest model and lock $5/month subscribers out of ProEN
  3. 03Ideogram 4.5: The most precise edit modelEN
  4. 04Decision Models vs. CVE DataEN
  5. 05No Model Required: Text Entropy Rate Filtering Mitigates Iterative Fine-Tuning CollapseEN
  6. 06Language Model "Shape"EN
  7. 07Disrupting a coordinated model-distillation campaignEN
  8. 08OpenAI's latest features take direct aim at the app store modelEN

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Marta Zielińska

Marta Zielińska

AI, modele i technologie

Marta Zielińska pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, preprintach i danych z API, a nie na zapowiedziach producentów. Przy każdej publikacji sprawdza karty modeli, parametry treningowe i benchmarki, a liczby porównuje z niezależnymi testami i wynikami z repozytoriów. Rozmawia z badaczami i inżynierami, czeka na kolejne wydania modeli i zestawia ich działanie z wcześniejszymi wersjami. Prywatnie drukuje w 3D, naprawia stare komputery i sprawdza, jak modele uczą się na śmieciach z internetu. Nie publikuje wyników, których nie może odtworzyć na własnym sprzęcie.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.