මහජන පරීක්ෂණ වේදිකාවක (public testing platform) සිදුවූ අසාමාන්‍ය සිදුවීමකින් පසුව කෘත්‍රිම බුද්ධි කර්මාන්තය තුළ මේ දිනවල විවිධ කටකතා පැතිරෙමින් පවතී. පසුගිය සති අන්තයේ, LMSYS Chatbot Arena හි තිබූ එක් AI ආකෘතියක (model) අසාමාන්‍ය හැසිරීමක් මෘදුකාංග සංවර්ධකයින්ට (developers) නිරීක්ෂණය විය. මෙයින් අනුමාන කෙරෙන්නේ, Google සමාගම විසින් මෙතෙක් නිල වශයෙන් ප්‍රකාශයට පත් නොකළ, බොහෝ දෙනා බලාපොරොත්තු වන නවතම ‘Gemini 4’ ආකෘතියේ මූලික සංස්කරණයක් රහසිගතව මෙහි පරීක්ෂණ සඳහා එක්කර ඇති බවයි.

ව්‍යාජ “Flash” ආකෘතිය

මෙම අභිරහස ආරම්භ වූයේ “Gemini 3.8 Flash” ලෙස නම් කර තිබූ ආකෘතියක් සමගිනි. බැලූ බැල්මට මෙය සාමාන්‍ය දෙයකි; මන්ද Google විසින් සැබෑ Gemini 3.8 Flash ආකෘතිය සති කිහිපයකට පෙර, එනම් සැප්තැම්බර් 2 වැනිදා නිල වශයෙන් නිකුත් කළ බැවිනි. මෙම “Flash” කාණ්ඩය විශේෂයෙන් නිර්මාණය කර ඇත්තේ වේගය සඳහා වන අතර, සංකීර්ණ තර්කනයන් වෙනුවට ඉක්මන්, ආසන්න පිළිතුරු ලබා දීමට එය සකසා ඇත.

කෙසේ වෙතත්, මෙම Arena ආකෘතිය සමඟ අන්තර්ක්‍රියා කළ පරිශීලකයින්ට එහි හැසිරීම මුළුමනින්ම වෙනස් බව නිරීක්ෂණය විය.

ත්‍රිමාණ (3D) වස්තූන් සඳහා ඉතා සංකීර්ණ vector කේතයන් (SVG) නිර්මාණය කරන ලෙස ඉල්ලා සිටි විට, මෙම ආකෘතියෙන් ඉක්මන්, නොපැහැදිලි පිළිතුරක් ලැබුණේ නැත. ඒ වෙනුවට, එය විනාඩි 10ක් දක්වා සම්පූර්ණයෙන්ම නිහඬ විය. අවසානයේ පිළිතුරු ලබා දෙන විට, PlayStation 5 එකක් සහ Airbus H145 හෙලිකොප්ටරයක් වැනි වස්තූන්, එහි ආලෝකකරණය (lighting), ගැඹුර (depth), සෙවනැලි (shading) සහ ජ්‍යාමිතික හැඩතල දෝෂ රහිතව පෙන්වමින් පරිපූර්ණ කේත පේළි දහස් ගණනක් එය විසින් ලබා දෙන ලදී.

මෙම දිගු සැකසුම් කාලය “test-time compute” ලෙස හැඳින්වේ. මෙයින් පෙන්නුම් කරන්නේ, පරිශීලකයාට එක් වචනයක් හෝ පෙන්වීමට පෙර, අභ්‍යන්තරව සැලසුම් කිරීමට, දෝෂ නිවැරදි කිරීමට සහ පිළිතුර ඔපමට්ටම් කිරීමට මෙම ආකෘතිය විනාඩි ගණනක් වැය කරන බවයි. මෙම සැලසුම් සංකල්පය “Flash” මාදිලියේ වේගවත් බවට සම්පූර්ණයෙන්ම පටහැනි වේ. මේ නිසා සංවර්ධකයින් නිගමනය කළේ, Google විසින් “Gemini 3.8 Flash” යන නාමය භාවිතා කරන්නේ, ඊට වඩා ඉතා බලවත්, තරමක් මන්දගාමී සහ ඉහළ තර්කන හැකියාවක් ඇති නව ආකෘතියක් සැඟවීම සඳහා (camouflage) බවයි.

කාර්යසාධන පරීක්ෂණ (Benchmark) දත්ත සහ පෙර නොවූ විරූ පිරිවිතර (Specs)

සංවර්ධකයින් විසින් මෙම නිර්නාමික ආකෘතිය තවදුරටත් පරීක්ෂා කිරීමත් සමඟ, එහි කාර්යසාධන ලකුණු සහ අභ්‍යන්තර තාක්ෂණික පිරිවිතරයන් (backend specifications) පිළිබඳ තොරතුරු තාක්ෂණික ප්‍රජාව අතරට කාන්දු වන්නට විය. මේවා සත්‍ය නම්, OpenAI හි Astra සහ Anthropic හි Fable 5.1 වැනි වර්තමාන ප්‍රමුඛතම මාදිලි අභිබවා යන දැවැන්ත ඉදිරි පිම්මක් මෙමගින් නියෝජනය කෙරේ.

• කේතකරණය සහ නියෝජිත මෙහෙයුම් (Coding and Agentic Operations): තහවුරු නොකළ පරීක්ෂණ දත්ත වලට අනුව, මෙම ආකෘතිය deepsw SWEV1.1 පරීක්ෂණයේදී (agentic කේතකරණය මනිනු ලබන) 88% ක සාර්ථකත්වයක් පෙන්වා ඇත. මෙය Astra අභිබවා ලකුණු දෙකකින් ඉදිරියට යාමකි. එමෙන්ම Terminal Bench 2.1 හි 95.3% ක් සහ OSWorld 2.0 (පරිගණක භාවිතය මනිනු ලබන) පරීක්ෂණයේදී 86.8% ක ලකුණු ප්‍රමාණයක් ලබා ගනිමින් Astra සහ Fable 5.1 යන දෙකම පරාජය කිරීමට එය සමත් වී ඇති බව පැවසේ.
• දැවැන්ත ප්‍රතිදාන කවුළුවක් (Massive Output Window): අභ්‍යන්තර පද්ධතිය පරීක්ෂා කළ පර්යේෂකයන්ට අනුව, මෙහි ටෝකන (tokens) මිලියන 10 ක ආදාන සීමාවක් (input ceiling) සහ පුදුම සහගත ටෝකන 256,000 ක ප්‍රතිදාන සීමාවක් (output ceiling) පවතී. වර්තමානයේ බොහෝ ප්‍රමුඛතම ආකෘතීන් සඳහා මෙම ප්‍රතිදාන සීමාව ටෝකන 4,000 ත් 16,000 ත් අතර වේ. 256k ප්‍රතිදාන ධාරිතාවක් යනු න්‍යායාත්මකව, සම්පූර්ණ මෘදුකාංග පද්ධතියක් (software repositories) නැවත ලිවීමට හෝ සම්පූර්ණ නවකතාවක් එකවර නිර්මාණය කිරීමට මෙම ආකෘතියට හැකි බවයි.
• භෞතික ඒකාබද්ධතාව (Physical Integration): මෙහි ඇති වඩාත් පුදුම සහගත ලක්ෂණයක් වන්නේ රොබෝ මෝටර් පාලන ප්‍රොටෝකෝල සඳහා (robotic motor control protocols) ඊට ඇති සහජ සහයෝගයයි. එය හුදෙක් API හරහා සම්බන්ධ වීමක් නොව, සැබෑ මෝටර් පාලන පරිවර්තනයකි. භෞතික රොබෝ දෘඪාංග මත සෘජුවම ක්‍රියාත්මක වීමට අපේක්ෂා කරන ඒකාබද්ධ මාදිලි නිර්මාණය කිරීමට DeepMind සමාගම සතුව ඇති අභිලාෂය මෙයින් මනාව පැහැදිලි වේ.

මිල ගණන් වල විප්ලවීය වෙනසක්

කාන්දු වී ඇති මිල ගණන් ද ඒ හා සමානව තරඟකාරී වේ. මෙම නව ආකෘතිය සඳහා ආදාන ටෝකන මිලියනයක් වෙනුවෙන් ඩොලර් 2.25 ක් සහ ප්‍රතිදාන ටෝකන මිලියනයක් වෙනුවෙන් ඩොලර් 11.25 ක් අය කරනු ඇති බවට කටකතා පැතිරෙයි.

මේ හා තරඟ කරන අනෙකුත් ප්‍රමුඛතම මාදිලි වන Astra (සැප්. 3 නිකුත් කළ) සහ Fable 5.1 (සැප්. 1 නිකුත් කළ) යන දෙකෙහිම ආදාන සඳහා ඩොලර් 10 ක් සහ ප්‍රතිදාන සඳහා ඩොලර් 50 ක් අය කෙරේ. මෙම කාන්දු වූ තොරතුරු සත්‍ය නම්, ප්‍රධාන තරඟකරුවන් අය කරන මුදලින් 22.5% ක පමණ අඩු අගයක් අය කරමින් සමස්ත වෙළඳපල අභිබවා යාමට Google සූදානම් වේ.

RSI පිළිබඳ කටකතාව: ආකෘතිය විසින්ම එය පුහුණු කර ගත්තේද?

මෙම සිදුවීම් මාලාවට පසුබිම් වී ඇත්තේ අග්‍රගන්‍ය AI ක්‍ෂේත්‍රය තුළ Google සමාගම මුහුණ දුන් අභියෝගාත්මක වසරයි. සමාගම මාස හතකින් සැබෑ “Pro” කාණ්ඩයේ යාවත්කාලීන කිරීමක් නිකුත් කර නොමැත. Flash කාණ්ඩය අභිබවා යාමට නොහැකි වූ නිසා Gemini 3.5 Pro හි සැලැස්ම සම්පූර්ණයෙන්ම ඉවත දැමූ බවට වාර්තා වීමෙන් පසු, Alphabet සමාගමේ ප්‍රධාන විධායක නිලධාරී සුන්දර් පිචායි ප්‍රකාශ කළේ තරඟකාරීව සිටීම සඳහා සමාගමේ අවධානය මුළුමනින්ම යොමු වී ඇත්තේ Gemini 4 වෙත බවයි.

දැනට පැතිරෙන කටකතා වලට අනුව, Recursive Self-Improvement (RSI) තාක්ෂණයේ ඇතිවූ විශිෂ්ට ජයග්‍රහණයක් හේතුවෙන් Gemini 4 එහි මූලික පුහුණු කිරීම් (pre-training) නියමිත කාලයට පෙර නිම කර ඇත. RSI යනු AI නියෝජිතයෙකු විසින් අඛණ්ඩව තම උපාය මාර්ග වැඩිදියුණු කරමින් එම අත්දැකීම් ඉදිරියට ගෙන යාමේ ක්‍රියාවලියයි. ප්‍රායෝගික, අඛණ්ඩ RSI තාක්ෂණය 2027 හෝ 2028 වන විට ළඟා කර ගත හැකි වනු ඇතැයි කර්මාන්ත පර්යේෂකයන් මීට පෙර ඇස්තමේන්තු කර තිබුණද, මෙම නව මාදිලිය පුහුණු කිරීමේදී DeepMind විසින් RSI ක්‍රියාවලියක් සාර්ථකව නිම කර ඇති බවට කටකතා පළ වේ.

Gemini 4 පිළිබඳව Google විසින් නිල වශයෙන් කිසිදු තොරතුරක් තහවුරු කර නොමැති වුවද, තාක්ෂණික ක්‍ෂේත්‍රය Chatbot Arena හි ක්‍රියාකාරකම් පිළිබඳව දැඩි අවධානයෙන් පසුවේ. බොහෝ දෙනාගේ අනුමානය වන්නේ මෙම වසරේ අගභාගයේදී (බොහෝ දුරට ඔක්තෝබර් මාසයේ) පැවැත්වෙන මෘදුකාංග සංවර්ධක හමුවකදී මෙය නිල වශයෙන් එළිදක්වනු ඇති බවයි.

(සටහන: ඉදිරියට පැමිණෙන මාදිලි, මිල ගණන් සහ පරීක්ෂණ දත්ත පිළිබඳ මෙම තොරතුරු පදනම් වී ඇත්තේ තහවුරු නොකළ වාර්තා සහ ප්‍රජා පරීක්ෂණ මතයි. Google වෙතින් නිල තොරතුරු මෙතෙක් නිකුත් කර නොමැත.)