+− THE DAILY DIFFdev & AI news
REVERT

Armin Ronacherrek GPT-6 Astra bakarrik utzi zuen 35 orduz.

Armin Ronacherrek (Flask, Jinja) GPT-6 Astra-ri gonbit bat eman zion eta 35 orduz bakarrik utzi zuen: mila milioi token inguru, 1.200 $ inguru, 79 commit, 75.000 lerro — eta "erabat ezertarako ez".

Want to see our stories first on Google? Add us to your preferred sources — it helps us grow.

Armin Ronacherrek (Flask, Jinja) GPT-6 Astra-ri gonbit bat eman zion eta 35 orduz bakarrik utzi zuen: mila milioi token inguru, 1.200 $ inguru, 79 commit, 75.000 lerro — eta "erabat ezertarako ez". Berreskuratu zuen kodea da istorioa: Python string-splicing heredoc-ekin adabakitutako C fitxategiak, Python-ek Node sortuz PowerShell sortuz, unitate probak tarte zuriak kenduta, tokenetan %10 merkeagoa delako. Bi neurketek babesten dute: Earendilen SlopCodeBench zenbakiak (agente kodea gizakien biltegiak baino bi aldiz bolumen handiagoa eta higatuagoa, %0ko gainditze tasa zorrotza) eta Quesmaren 1.500 $-ko RTKren benchmarka (79k izar, "%89 token aurreztuta" bere kontagailuan, +%17 DeepSeek-ekin zeregin bakoitzeko). Gainera: Cognitionen SWE-2 (Kimi K3 trenka-jaka batean, 92.8 Terminal-Bench 2.1-ean vs 27.3 Terminal-Bench 4-ean), OpenAIren Agents APIa eta pausatutako 200 $-ko Pro erregistroak, eta ostiralean Hacker News-ek AI albiste gutxiago eskatu zuen. Epaia: REVERT.

Irakurri idatzizko edizioa (ingelesez) ↗

Bideo honek zer jorratzen duen

  • Armin Ronacher: GPT-6 Astraren 35 ordu zaindu gabe, ~1.200 $, 79 commit, +75k lerro, ezer ez bidalita
  • Earendil / SlopCodeBench: agente kodea ~2× bolumen handiagoa eta higatuagoa gizakien biltegiak baino; gainditze tasa zorrotza %0
  • Quesma: RTK-k %89 token aurreztu direla jakinarazi du, baina Terminal-Bench kostuak %17 igo dira DeepSeek-ekin; berridazte ziklo batek 339 aldiz jarraian huts egin zuen
  • Cognition SWE-2: Kimi K3tik entrenatua, Fable 5.1rekin bat dator FrontierCode-n prezioaren heren batean; TB 2.1 92.8 vs TB 4 27.3; Devin Voice
  • OpenAI Agents API (Codex arnesa zerbitzu gisa, AEBetan bakarrik, ZDRrik gabe); 200 $-ko Pro erregistroak etenda Astra eskaeragatik

Galderak eta erantzunak

Zer gertatzen da GPT-6 Astra bezalako kodifikazio agente bat 35 orduz zaindu gabe uzten denean?

Armin Ronacherrek, Flask eta Jinja idatzi zituenak, GPT-6 Astrari agindu bat eman zion eta 35 orduz bakarrik utzi zuen. Mila milioi token inguru erabili zituen, mila berrehun dolar inguru kostatu zen eta 79 commit eta 75.000 lerro sortu zituen, eta horiek "baliozko ezer ere ez" bezala deskribatu zituen. Kodeak C fitxategiak Python heredoc-ekin adabaki zituen eta unitate probak zuriuneak kenduta zituen, tokenetan %10 merkeagoa baitzen.

lucumr.pocoo.org · news.ycombinator.com

AI agenteek idatzitako kodea gizakiak idatzitako kodea baino nabarmen okerragoa al da?

Earendilen SlopCodeBench zenbakiek aurkitu zuten agenteen kodea ia bi aldiz luzeagoa eta bi aldiz higatuagoa zela alderatu zen giza biltegiekin alderatuta. Konparazioak agentearen memoria kontrol-puntuen artean garbitzen zuenean, onartze tasa zorrotza %0koa izan zen probatutako modelo guztietan. Ikertzaileek aurkitu zuten slop metrika fidagarriena lerro kopuru gordina izan zen.

earendil.com · news.ycombinator.com

RTK bezalako token-aurrezteko tresnek benetan murrizten al dute kodifikazio agente bat exekutatzeko kostua?

Quesmaren RTKren kostuaren konparaketak, Terminal-Bench-en egindakoak, 1.500 dolarreko tokenekin, ez zuen fidagarritasunez kostuak murrizten. Fable-rekin faktura bost ehuneko jaitsi zen, ia guztia zeregin bakar batetik, eta DeepSeek-ekin, berriz, zeregin bakoitzaren batez besteko kostua %17 handitu zen. RTKren kontagailuak %89ko aurrezpena eman zuen, kendutako byteak zenbatzen baititu. Bertsio-akats batek, gainera, huts egiten zuen komando-begizta bat eragin zuen, 339 aldiz errepikatu zena.

quesma.com · github.com

Zer da Cognition-en SWE-2 eredua eta nola konparatzen da beste kodifikazio ereduekin?

Cognition-en SWE-2 Kimi K3 da, Txinako eredu irekia, post-entrenatua, Fable 5.1-rekin bat datorren arte Cognition-en FrontierCode konparazioan, prezioaren heren batean. 92.8 puntuazioa lortu du Terminal-Bench 2.1-en, baina 27.3 Terminal-Bench 4-n, atalean oraindik inork memorizatu ez duen konparazio gisa deskribatu dena. Cognitionek Devin Voice ere iragarri zuen.

cognition.com · news.ycombinator.com

Taldeek AI kodifikazio agenteak proiektu osoetan zaindu gabe exekutatzen utzi beharko lituzkete?

The Daily Diff-en epaia REVERT izan zen. Inork irakurri ez zituen hirurogeita hemeretzi commit-ek erantzukizun bat suposatzen dute git log batekin. Ronacherren teoria zen ereduek zeregin luzeak amaitzeagatik saritzen direla eta apenas zigortzen direla kode itsusiagatik, beraz, zenbat eta giza gutxiago begiratu, orduan eta garrantzi gutxiago du. Atal honek Astra ikusgarria zela eta zaindu gabeko fabrika atzera egiteko zatia zela esan zuen.

lucumr.pocoo.org · earendil.com

Itzulitako transkripzioa

Jatorrizko ingelesezko narraziotik itzulia. Eskuragarri dauden audioa eta azpitituluak YouTube-k kontrolatzen ditu.

0:00 Armin Ronacherrek, Flask idatzi zuen gizonak, GPT-6 Astra-ri gonbit bakarra eman zion eta hogeita hamabost orduz bakarrik utzi zuen. Hirurogeita hamabost mila kode lerrorekin itzuli zen eta, bere hitzetan, erabat ezertarako ez, eta horrek egiten du eraiki den software fabrika errealistena. Asteazkenean argitaratu zuen idazkia. Ostegunean, Cognition-ek SWE-2 bidali zuen, eta OpenAI-k Agents API bat eta bere berrehun dolarreko planaren erregistroak pausatu zituen,

0:24 Astra-k zerbitzariak jan zituelako. Eta ostiralean idazkia Hacker News-en lehen orrialdera iritsi zen, AI-ri buruz argitaratzeari uzteko eskatzen zuen mezu baten azpian. Bideo honetan: gainbegiratu gabeko Astraren egun eta erdi batek zer sortzen duen, zaborra zenbaki bihurtzen duten bi neurketa, hirurogeita hemeretzi mila izarra dituen tresna batek zure faktura zergatik handitzen duen, eta Hacker News-ek nola saiatu zen AI iragazten, AI erabiliz. Ostirala da, irailaren 11a, eta hau The Daily Diff da.

0:53 Fabrika. Gonbit bat: eraiki Python bat hari birtualekin eta esparru lexikoarekin. Astra-k bere oharrak gorde zituen, bere azpi-agenteak martxan jarri zituen, eta Armin-ek entxufea kendu arte ibili zen, egun eta erdi bat eta mila berrehun dolar inguru geroago. Hirurogeita hemeretzi commit, beraz, hamabost dolar eta erdi commit bakoitzeko, gutxi gorabehera gizaki batek kobratzen duena, gizakiak azkenean gelditzen dela izan ezik. Kodea da istorioa. Editatzeko tresnaren ordez, Astra-k C fitxategiak adabakitzen ditu Python heredoc-ak erabiliz, hauek fitxategia irakurtzen dute, funtzio bat kate-ordezten dute eta idatzi egiten dute.

1:20 Windows proba bat exekutatzeko Python bat idatzi zuen, honek Node sortu zuen, honek PowerShell sortu zuen, pasaportea zuen deien pila bat. Bidali zituen unitate probek ez dute batere tarterik, indentaziorik gabe tokenetan %10 merkeagoak direlako. Eta zereginen zerrenda bat, bi, hirutik 8b2c2b2b zeregin puntura pasatu zen, horrela dakizu praktikantea bakarrik egon dela denbora gehiegi. Armin-en teoria: eredua zeregin luzeak amaitzeagatik saritzen da eta ia ez da kode itsusiagatik zigortzen, beraz token-golfeatu tresna deialdiak kode-basera isurtzen dira,

1:48 eta zenbat eta gizaki gutxiagok begiratu, orduan eta garrantzi gutxiago du. Atal horri It's AGI If You Don't Look izena jarri zion. Hacker News-ek ekonomia gehitu zuen: kode gehiago mantentzeko token gehiago esan nahi du, eta horrek zaborra ez du akats bihurtzen, baizik eta harpidetza. Neurtu al dezakezu zaborra? Armin-en konpainiak saiatu zen aste honetan. Earendil-ek SlopCodeBench zenbakiak exekutatu zituen: agente kodea bi aldiz bolumen handiagoa da eta bi aldiz higatuagoa gizakien biltegiak baino,

2:10 eta benchmarkak agentearen memoria garbitzen duenean checkpointen artean, probatu zituzten modelo guztien gainditze tasa zorrotza zero da. Aurkitu zuten zabor metrikarik fidagarriena lerro kopuru gordina zen, optimizatzen den unean bertan funtzionatzeari uzten diona, beraz, mesedez, ez esan modelo horiei. Gero zorroa. RTK-k hirurogeita hemeretzi mila GitHub izar eta YouTube irudi txiki ditu, zure Claude Code faktura erdira murrizteko promesak eginez; terminaleko irteera konprimitzen du agenteak

2:34 irakurri aurretik. Quesma-k Terminal-Bench-en exekutatu zuen mila bostehun dolarreko tokenengatik. Fable-rekin faktura bost ehuneko jaitsi zen, ia guztia zeregin batetik; DeepSeek-ekin batez besteko zeregina hamazazpi ehuneko garestiagoa izan zen. Bitartean, RTK-ren kontagailuak ehuneko laurogeita bederatzi aurreztu direla jakinarazi zuen, kendutako byteak kontatzen dituelako, ez eragindako bira gehigarriak: neurgailu adimendun bat bizilagunari fakturatzen diona. Eta bertsio akats batek find komando bat bihurtu zuen, honek huts egin zuen, hirurehun eta hogeita hemeretzi aldiz jarraian, bederatzi aldiz garestiago.

3:01 Tokenak hiltzen dituen tresnak begizta bat du. Uholdea bera. Cognition-en SWE-2 Kimi K3 da, txinatar modelo irekia, entrenatua, Cognition-en bere benchmarkean Fable 5.1rekin bat etorri arte prezioaren heren batean; Hacker News: zergatik dira AEBetako AI modelo guztiak Kimi trenka-jaka batean. Terminal-Bench 2.1-ean taula osoa gainditzen du; Terminal-Bench 4-ean, inorrek oraindik memorizatu ez duena, hogeita zazpi puntu lortzen ditu Fable-ren berrogeita hamaseiren aurrean,

3:28 beraz, slide-deck benchmarketan zutabe onena denek dagoeneko gainditu duten azterketa da. Cognition-ek Devin Voice ere iragarri zuen, zure AI software ingeniari gogokoenak telefono finko bat eskuratu du, kodeketa agentzian falta zen gauza bakarra itxaron musika zelako. OpenAI, egun berean: Agents APIa, Codex arnesa zerbitzu gisa salduta dagoena. OpenAI-k sandbox-a exekutatzen du, AEBetako datuen erresidentzia bakarrik, datuak ez dira gordetzen (ZDRrik gabe), beraz, agenteak zure kode-basea ChatGPT-k bezain ondo gogoratzen du. Gero OpenAI-k berrehun dolarreko Pro planaren erregistroak pausatu zituen,

3:57 Astraren eskaria, "aurrekaririk gabekoa" delako: itxaron zerrenda duen lehen produktua gehiago ordaintzeko. Armin-ek bere fabrikan berrezarpen osoa erre zuen. Bera da eskaria. Eta horrek ostiraleko Ask HN-ra garamatza: mesedez, mugatu al dezakegu AI albisteen uholdea, seiehun eta berrogeita hamasei puntu, zeren, "OpenAI edo Anthropic-eko norbaitek piztu bat egiten duen bakoitzean, hamar post onenen artean dago".

4:17 Erantzunak iragazkiak ziren: hcker.news-ek AI istorioak kentzen ditu BERT sailkatzaile batekin, zortzi mila adibidetan entrenatuta, AI AI ezabatzeko, belarrez elikatua; eta A-I maiuskulak eta minuskulak ez dituen uBlock regex batek ere ezabatzen ditu email, daily, main, domain eta train, beraz, regexa, beti bezala, bilaia da. Arratsalde berean, laurehun eta hamabost iruzkin eztabaidatu zuten Claude-ren laguntza-orri bati buruz Claude hemezortzi urtetik gorakoentzat dela esanez.

4:38 Orria maiatzekoa da. Ezer ez da aldatu. Albiste ez den AI albistea ere albiste da, eta hori, zintzoa izateko, nire negozio eredua ere bada. Hau irakurri nahiago baduzu niri esaten entzun baino, diff-a zure sarrera-ontzira iristen da goizero — doan thedailydiff.dev helbidean, esteka behean. Ezinbestean, AI albisteak dira. Beraz — gaurko epaia hogeita hamabost orduko software fabrikari buruz: revert. Inorrek irakurri ez dituen hirurogeita hemeretzi commit ez dira kode-base bat, git

5:04 log bat duen erantzukizun bat da; Astra ikusgarria da, eta fabrika da atzera bota beharrekoa. Eta hori da gaurko diff-a. Axrisi-ko Niko naiz. Batu arduraz.

Iturriak

  1. Armin Ronacher — Astra for Coding: Why Are We Doing This Again?lucumr.pocoo.org
  2. HN: Astra for Codingnews.ycombinator.com
  3. Earendil — Measuring the sloppiness of codeearendil.com
  4. HN: Measuring the sloppiness of codenews.ycombinator.com
  5. Quesma — RTK reports huge token savings, but our cost benchmarks disagreequesma.com
  6. HN: RTKnews.ycombinator.com
  7. RTK (Rust Token Killer)github.com
  8. Cognition — Introducing SWE-2cognition.com
  9. HN: Cognition SWE-2news.ycombinator.com
  10. OpenAI — Agents APIdevelopers.openai.com
  11. HN: OpenAI Agents APInews.ycombinator.com
  12. TechCrunch — OpenAI puts Pro subscriptions on hold due to Astra demandtechcrunch.com
  13. Ask HN: Can we please limit the AI news flood?news.ycombinator.com
  14. HN: Claude is only available to people over 18 yearsnews.ycombinator.com

Niko from Axrisi

Nikoloz Turazashvili · Vexrail · Axrisi

LinkedIn · dev.to · GitHub · X · Substack

Lotutako bideoak