Google Gemini 3 появляется в интерфейсах — 69% шанс, объем ставок $803k

Промо‑карточка Google Vids для «Nano Banana Pro» появляется в интерфейсе с кнопкой Try it и надписью «powered by Gemini 3 Pro», что подразумевает доставку обновленного стека изображений вместе с Gemini 3. Утечка имеет значение для творческих пайплайнов, выбирающих между инструментами OpenAI/Gemini для изображений на следующей неделе. Подробности смотрите в визуализации функции leak screenshot и в статье full scoop.

Панель выбора модели в темном режиме добавляет новую опцию «3 Pro» рядом с «2.5 Pro», что указывает на включение Gemini 3, по крайней мере в некоторых внутренних или тестовых окружениях. Для команд, планирующих миграции, это конкретный сигнал заранее подготовить наборы для оценки и предусмотреть контрольные ворота безопасности сейчас model picker shot.

Продолжая обсуждение слухов на прошлой неделе, Сундар Пичай процитировал твит-маркет, предсказывающий падение 22 ноября, с подмигиванием и задумчивостью, что закрепило временную шкалу. Рынок показывает 69% вероятности «Да» и объём около $803k — полезно для планирования коммуникаций и окон оценки Sundar quote.). Отдельный скриншот показывает те же 69% вероятности odds chart.)

Множество намёков накапливается: заметка с обещанием «будет классная неделя» от руководителя Google AI Googler tease,) широкое воодушевление команды team excitement,) и короткий клип, показывающий экран «Gemini 3.0» teaser clip.) Рассматривайте это как сигнал подготовки к запуску: зафиксируйте промпты, выстроите попарные оценки и проверьте поведение использования инструментов.

Ранние образцы с пометкой «Nano Banana Pro» уже распространяются, включая драматическую сцену портала Нижнего мира с точной моделью Хоглинов и атмосферой лавы. Если это действительно подлинно, качество вывода выглядит производственно дружественным для стилизованных миров; командам следует оставить окончательное суждение за официальными образцами пример изображения.

Распространяемый макет интерфейса телефона утверждает о «потрясающем выводе SVG» от Gemini 3, намекая на генерацию векторной графики более высокого разрешения, полезной для адаптивного дизайна и систем иконок. Рассматривайте как неподтверждённую утечку до тех пор, пока Google не опубликует образцы или документацию svg claim.)

Оценки IBM в области финансового применения показывают, что меньшие модели размером 7–8 млрд параметров выдали на температуре 0 на 100% идентичные выводы, в то время как модель размером 120 млрд достигла 12,5%, объясняя дрейф порядком получения и вариациями декодирования. Их рабочий набор — жадное декодирование, зафиксированный порядок выборки, проверки схемы — сохранял стабильность SQL/JSON и предлагает многоуровневый выбор моделей для регламентируемых процессов. Аннотация и детали настройки приведены в разделе share. paper summary

)

Новая маскированная модель OpenRouter «Sherlock Think Alpha» демонстрирует первые результаты: 1805.67 на LisanBench с средним коэффициентом валидности 0,96, уступая топовым моделям рассуждений по баллам, но обойдя Grok‑4 по валидности ответов (0,87). Такое сочетание указывает на сильное следование инструкциям и надёжность использования инструментов для цепочек агентов. Посмотрите снимок таблицы лидеров и график валидности, опубликованные вместе с запуском. benchmarks chart, и примечание о доступности модели здесь model page.

Salesforce и др. предлагают Socratic Self‑Refine: разделение решений на микрокроки, оценку уверенности на каждом шаге с помощью повторной выборки, затем переработку только сомнительных шагов. Для математических и логических наборов тестов метод повышает точность примерно на 68% при сохранении интерпретируемости и демонстрирует более выгодные кривые соотношения затрат и выигрыша по сравнению с переписыванием всего решения. Иллюстрации и обзор метода здесь. paper thread

DeepMind’s AlphaEvolve изучает 67 количественных математических задач (например, числа поцелуев, перемещение дивана), эволюционируя программы-решения с параллельным поиском и верификацией. Результаты показывают более быструю сходимость на базе сильных базовых моделей, преимущества параллелизма и видимые режимы сбоев, связанных с «обманом вознаграждения» — явные сигналы для тех, кто строит рассуждения в масштабах. Прочитайте исследование и ознакомьтесь с наборами задач. paper recap, ArXiv paper, and GitHub repo

Новый бенчмарк (Moral RolePlay) показывает, что модели, которые хорошо выровнены по полезности/честности, теряют достоверность, когда их просят играть эгоистов или злодеев, часто заменяя замысленность на гнев и нарушая последовательность персонажа. Это выявляет пробел в качестве для инструментов художественного описания и NPC‑агентов, которым требуются мотивации, выходящие за пределы просоциальности. Аннотация и диаграмма здесь. paper overview

Исследователи показывают, что можно уловить молчаливые сбои в работе мультиагентной системы (drift, петли, отсутствующие детали), создавая признаки исполняемых трасс — шаги, инструменты, количество токенов, время исполнения — и обучая небольшие детекторы. XGBoost по 16 признакам достигал вплоть до 98% точности на отобранных наборах данных, варианты одного класса позади, предлагая дешёвый защитный слой для агентов в продакшене. См. настройку и метрики. paper abstract

)

Свежий Video Prompt Benchmark вышел с быстрым монтажом, который показывает промпты и сгенерированные клипы бок о бок. Это полезно для творческих команд, сравнивающих чувствительность промптов и визуальную согласованность между видеомоделями без запуска частных оценочных наборов. Посмотрите краткий ролик запуска формата. ролик запуска)

Andon Labs повторно запустил Vending‑Bench и сообщает, что Kimi K2 является текущей ведущей открытой моделью на доске. Если вы тестируете агентное кодирование с длинными цепочками инструментов, это полезная базовая отправная точка маршрутизации для сравнения с вариантами с фиксированными весами. заметка повторного запуска

Популярный обзор сообщества находит ERNIE 5.0 гораздо чище, чем X1.1 (лучшее выполнение инструкций и читаемость), но всё ещё уступает Kimi K2 и MiniMax M2 в более сложном рассуждении и стабильности на множественных витках; пик 65.57/медиана 46.36 по общей шкале. Таблица сводки и выводы стоит просмотреть, если вы нацелены на китайские стеки. обзор резюме

Низовой проект Lisan RL‑Shizo_Bench предлагает проверочные подсказки, которые намеренно бессмысленны; berichten claims claim что даже ведущие “мыслящие” модели тратят минуты и тысячи токенов вместо откладывания, тогда как более мощные крупные модели чаще отказываются или сводят неоднозначность к резюме. Рассматривайте это как полезную ось красной команды для маршрутизации агентов и ограничений по расходам. питч стенда, и пример пары здесь пример выводов.