આર્મિન રોનાચરે GPT-6 Astra ને 35 કલાક માટે એકલું છોડી દીધું.

આ વીડિયોમાં શું આવરી લેવામાં આવ્યું છે

• આર્મિન રોનાચર: 35 કલાક અનએટેન્ડેડ GPT-6 Astra, ~$1,200, 79 કમિટ્સ, +75k લાઇન્સ, કંઈપણ મોકલવામાં આવ્યું નથી
• ઇરેન્ડિલ / સ્લોપકોડબેંચ: એજન્ટ કોડ માનવ રેપો કરતાં ~2× વધુ વિસ્તૃત અને નબળો; કડક પાસ રેટ 0%
• ક્વેસ્મા: RTK 89% ટોકન્સ બચાવ્યા હોવાનું અહેવાલ આપે છે, પરંતુ DeepSeek સાથે ટર્મિનલ-બેંચનો ખર્ચ 17% વધે છે; એક ફરીથી લખવાની લૂપ સતત 339 વખત નિષ્ફળ ગઈ
• કોગ્નિશન SWE-2: કિમી K3 માંથી પોસ્ટ-ટ્રેઇન થયેલ, ત્રીજા ભાવે ફ્રન્ટિયરકોડ પર ફેબલ 5.1 સાથે મેળ ખાય છે; TB 2.1 92.8 વિરુદ્ધ TB 4 27.3; ડેવિન વોઇસ
• OpenAI એજન્ટ્સ API (એક સેવા તરીકે કોડેક્સ હાર્નેસ, ફક્ત US માં, કોઈ ZDR નહીં); Astra ની માંગને કારણે $200 પ્રો સાઇન-અપ્સ થોભાવવામાં આવ્યા

અનુવાદિત ટ્રાન્સક્રિપ્ટ

મૂળ અંગ્રેજી કથામાંથી અનુવાદિત. ઉપલબ્ધ ઑડિઓ અને કૅપ્શન્સ YouTube દ્વારા નિયંત્રિત થાય છે.

0:00 ફ્લાસ્ક લખનાર આર્મિન રોનાચરે GPT-6 Astra ને એક જ પ્રોમ્પ્ટ આપ્યો અને તેને પાંત્રીસ કલાક માટે એકલું છોડી દીધું. તે પંચોતેર હજાર લાઇન્સ કોડ સાથે પાછું આવ્યું અને, તેના શબ્દોમાં, બિલકુલ મૂલ્યવાન કંઈ નથી, જે તેને સૌથી વાસ્તવિક બનાવે છે સોફ્ટવેર ફેક્ટરી અત્યાર સુધીની બનાવેલી. તેણે બુધવારે લખેલું પોસ્ટ કર્યું. ગુરુવારે, કોગ્નિશને SWE-2 મોકલ્યું, અને OpenAI એ એજન્ટ્સ API મોકલ્યું અને તેના બેસો ડોલરના પ્લાન માટે સાઇન-અપ્સ થોભાવ્યા,

0:24 કારણ કે Astra એ સર્વર્સ ખાઈ લીધા. અને શુક્રવારે લખેલું હેકર ન્યૂઝના ફ્રન્ટ પેજ પર પહોંચ્યું, હેકર ન્યૂઝને કૃપા કરીને AI વિશે પોસ્ટ કરવાનું બંધ કરવા વિનંતી કરતી પોસ્ટથી થોડી પંક્તિઓ નીચે. આ વિડિયોમાં: એક અને અડધા દિવસના અનસુપરવાઇઝ્ડ Astra નું ઉત્પાદન શું છે, બે માપદંડો જે સ્લોપને સંખ્યામાં રૂપાંતરિત કરે છે, શા માટે સિત્તેર હજાર તારાવાળું ટૂલ તમારું બિલ મોટું કરે છે, અને કેવી રીતે હેકર ન્યૂઝે AI નો ઉપયોગ કરીને AI ને ફિલ્ટર કરવાનો પ્રયાસ કર્યો. AI, AI નો ઉપયોગ કરીને. આ શુક્રવાર, સપ્ટેમ્બર 11 છે, અને આ છે The Daily Diff.

0:53 ફેક્ટરી. એક પ્રોમ્પ્ટ: વર્ચ્યુઅલ થ્રેડ્સ અને લેક્સિકલ સ્કોપિંગ સાથે પાયથોન બનાવો. Astra એ તેની પોતાની નોંધો રાખી, તેના પોતાના સબએજન્ટ્સ શરૂ કર્યા, અને આર્મિને પ્લગ ખેંચ્યો ત્યાં સુધી ચાલ્યું, એક અને અડધો દિવસ અને લગભગ બારસો ડોલર પછી. સિત્તેર કમિટ્સ, એટલે કે પ્રતિ કમિટ પંદર અને અડધો ડોલર, જે લગભગ એક માનવ જે ચાર્જ કરે છે તેટલું જ છે, સિવાય કે માનવ આખરે અટકી જાય છે. કોડ એ વાર્તા છે. એડિટ ટૂલને બદલે, Astra C ફાઇલોને પાયથોન હેરેડોક્સ પાઇપ કરીને પેચ કરે છે જે ફાઇલ વાંચે છે, ફંક્શનને સ્ટ્રિંગ-રિપ્લેસ કરે છે અને તેને પાછું લખે છે.

1:20 એક વિન્ડોઝ ટેસ્ટ ચલાવવા માટે તેણે પાયથોન લખ્યું જેણે નોડને જન્મ આપ્યો જેણે પાવરશેલને જન્મ આપ્યો, પાસપોર્ટ સાથેનો કોલ સ્ટેક. તેણે કમિટ કરેલા યુનિટ ટેસ્ટ્સમાં બિલકુલ વ્હાઇટસ્પેસ નથી, કારણ કે ઇન્ડેન્ટેશન વિના તેઓ ટોકન્સમાં દસ ટકા સસ્તા હોય છે. અને કાર્ય સૂચિ એક, બે, ત્રણ થી ટાસ્ક 8b2c2b2b ચેકપોઇન્ટ એક સુધી બદલાઈ ગઈ, જેનાથી તમને ખબર પડે છે કે ઇન્ટર્ન બહુ લાંબા સમયથી એકલો છે. આર્મિનનો સિદ્ધાંત: મોડેલને લાંબા કાર્યો પૂર્ણ કરવા બદલ પુરસ્કૃત કરવામાં આવે છે અને કદરૂપા કોડ માટે ભાગ્યે જ સજા કરવામાં આવે છે, તેથી ટોકન-ગોલ્ફ્ડ ટૂલ કોલ્સ કોડબેઝમાં લીક થાય છે,

1:48 અને ઓછા માનવીઓ જુએ છે, તેટલું ઓછું મહત્વનું છે. તેણે તે વિભાગને AGI If You Don't Look નામ આપ્યું. હેકર ન્યૂઝે અર્થશાસ્ત્ર ઉમેર્યું: વધુ કોડ એટલે તેને જાળવવા માટે વધુ ટોકન્સ, જે સ્લોપને બગ નહીં પણ સબ્સ્ક્રિપ્શન બનાવે છે. શું તમે સ્લોપને માપી શકો છો? આ અઠવાડિયે આર્મિનની પોતાની કંપનીએ પ્રયાસ કર્યો. ઇરેન્ડિલે સ્લોપકોડબેંચ નંબર્સ ચલાવ્યા: એજન્ટ કોડ લગભગ બમણો વિસ્તૃત અને તેની સામે સરખાવવામાં આવેલા માનવ રેપો કરતાં બમણો નબળો છે,

2:10 અને જ્યારે બેંચમાર્ક ચેકપોઇન્ટ્સ વચ્ચે એજન્ટની મેમરી સાફ કરે છે, તેમણે પરીક્ષણ કરેલા દરેક મોડેલ માટે કડક પાસ રેટ શૂન્ય છે. તેમને મળેલો સૌથી વિશ્વસનીય સ્લોપ મેટ્રિક કાચી લાઇન ગણતરી હતી, જે કોઈ તેના માટે ઑપ્ટિમાઇઝ કરે કે તરત જ કામ કરવાનું બંધ કરી દે છે, તેથી કૃપા કરીને મોડેલ્સને કહો નહીં. પછી વોલેટ. RTK પાસે સિત્તેર હજાર ગિટહબ સ્ટાર્સ અને યુટ્યુબ થંબનેલ્સ છે જે તમારા ક્લોડ કોડ બિલને અડધું કરવાનું વચન આપે છે; તે એજન્ટ તેને વાંચે તે પહેલાં ટર્મિનલ આઉટપુટને કોમ્પ્રેસ કરે છે. ક્વેસ્માએ તેને પંદરસો ડોલરના ટોકન્સ માટે ટર્મિનલ-બેંચ પર ચલાવ્યું.

2:34 ક્વેસ્માએ તેને પંદરસો ડોલરના ટોકન્સ માટે ટર્મિનલ-બેંચ પર ચલાવ્યું. ફેબલ સાથે બિલ પાંચ ટકા ઘટ્યું, લગભગ બધું એક કાર્યમાંથી; DeepSeek સાથે સરેરાશ કાર્ય સત્તર ટકા વધુ મોંઘું બન્યું. દરમિયાન RTK ના પોતાના કાઉન્ટર પર એંસી ટકા બચત નોંધાઈ, કારણ કે તે દૂર કરાયેલા બાઇટ્સ ગણે છે, વધારાના ટર્ન નહીં: એક સ્માર્ટ મીટર જે પડોશીને બિલ આપે છે. અને એક વર્ઝન બગને કારણે ફાઇન્ડ કમાન્ડમાં ફરીથી લખવામાં આવ્યું જે નિષ્ફળ ગયું, સતત ત્રણસો ઓગણત્રીસ વખત, નવ ગણા ભાવે.

3:01 ટોકન્સને ખતમ કરનાર ટૂલમાં એક લૂપ છે. પૂર પોતે જ. કોગ્નિશનનું SWE-2 એ કિમી K3 છે, ખુલ્લું ચાઇનીઝ મોડેલ, પોસ્ટ-ટ્રેઇન થયું ત્યાં સુધી કે તે કોગ્નિશનના પોતાના બેંચમાર્ક પર ત્રીજા ભાવે ફેબલ 5.1 સાથે મેળ ખાતું હતું; હેકર ન્યૂઝ: શા માટે બધા અમેરિકન AI મોડેલ મૂળભૂત રીતે ટ્રેન્ચ કોટમાં કિમી છે. ટ્રેન્ચ કોટમાં કિમી. ટર્મિનલ-બેંચ 2.1 પર તે આખા ટેબલ પર ટોચ પર છે; ટર્મિનલ-બેંચ 4 પર, જેને હજી કોઈએ યાદ નથી કર્યું, તે ફેબલના છપ્પન સામે સત્તાવીસ સ્કોર કરે છે,

3:28 તેથી સ્લાઇડ-ડેક બેંચમાર્ક્સ પર શ્રેષ્ઠ કૉલમ એ પરીક્ષા છે જે દરેક પહેલેથી જ પાસ કરી ચૂક્યા છે. કોગ્નિશને ડેવિન વોઇસની પણ જાહેરાત કરી, તમારા મનપસંદ AI સોફ્ટવેર એન્જિનિયરને હમણાં જ લેન્ડલાઇન મળી છે, કારણ કે એજન્ટિક કોડિંગમાં એક વસ્તુ ખૂટતી હતી તે હોલ્ડ મ્યુઝિક હતું. OpenAI, એ જ દિવસે: એજન્ટ્સ API, જે કોડેક્સ હાર્નેસને સેવા તરીકે વેચે છે. OpenAI સેન્ડબોક્સ ચલાવે છે, ફક્ત US ડેટા રેસિડેન્સી, કોઈ ઝીરો-ડેટા-રીટેન્શન નહીં, જેથી એજન્ટ તમારા કોડબેઝને બિલકુલ ChatGPT જેટલું જ યાદ રાખે છે. પછી OpenAI એ બેસો ડોલરના પ્રો પ્લાન માટે સાઇન-અપ્સ થોભાવ્યા,

3:57 કારણ કે Astra ની માંગ, ઉદ્ધરણ, અભૂતપૂર્વ છે: વધુ ચૂકવવા માટે વેઇટલિસ્ટ સાથેનું પ્રથમ ઉત્પાદન. વધુ ચૂકવવા માટે. આર્મિને તેની ફેક્ટરી પર સંપૂર્ણ રીસેટ કર્યું. તે જ માંગ છે. જે આપણને શુક્રવારના Ask HN પર લાવે છે: શું આપણે AI સમાચારના પ્રવાહને મર્યાદિત કરી શકીએ, છસો છપ્પન પોઇન્ટ્સ, કારણ કે, ઉદ્ધરણ, જ્યારે પણ OpenAI અથવા Anthropic માં કોઈ ફાર્ટ કરે છે, ત્યારે ટોપ-ટેન પોસ્ટ હોય છે.

4:17 જવાબો ફિલ્ટર્સ હતા: hcker dot news આઠ હજાર ઉદાહરણો પર તાલીમબદ્ધ BERT ક્લાસિફાયર સાથે AI વાર્તાઓને દૂર કરે છે, AI ને AI ને કાઢી નાખવા માટે, ગ્રાસ-ફેડ; અને AI કેસ-ઇનસેન્સિટિવલી સાથે મેચ થતી uBlock રેજેક્સ પણ ઇમેઇલ, દૈનિક, મુખ્ય, ડોમેન અને તાલીમને કાઢી નાખે છે, ગ્રાસ-ફેડ; અને A-I કેસ-ઇનસેન્સિટિવલી સાથે મેચ થતી uBlock રેજેક્સ પણ ઈમેલ, દૈનિક, મુખ્ય, ડોમેન અને ટ્રેન કાઢી નાખે છે, તેથી રેજેક્સ, હંમેશની જેમ, ખલનાયક છે. એ જ બપોરે, ચારસો પંદર ટિપ્પણીઓ ક્લોડ સપોર્ટ પેજ વિશે દલીલ કરી જે કહે છે કે ક્લોડ અઢાર-પ્લસ છે.

4:38 પાનું મે મહિનાનું છે. કંઈ બદલાયું નથી. જે AI સમાચાર સમાચાર નથી તે પણ સમાચાર છે, જે, ન્યાયી બનવા માટે, મારો વ્યવસાય મોડેલ પણ છે. જો તમે મને તે કહેવાને બદલે આ વાંચવાનું પસંદ કરો, તો Diff તમારા ઇનબોક્સમાં દરરોજ સવારે આવે છે — The Daily Diff dot Dev પર મફત, લિંક નીચે. દરરોજ સવારે — The Daily Diff dot Dev પર મફત, લિંક નીચે. તે, અનિવાર્યપણે, AI સમાચાર છે. તો — પાંત્રીસ કલાકની સોફ્ટવેર ફેક્ટરી પર આજનો ચુકાદો: REVERT. કોઈએ ન વાંચેલા સિત્તેર કમિટ્સ કોડબેઝ નથી, તે ગિટ લોગ સાથેની એક જવાબદારી છે;

5:04 Astra પ્રભાવશાળી છે, અને ફેક્ટરી એ ભાગ છે જેને રોલ બેક કરવાનો છે. અને આજ માટે આ જ તફાવત છે. હું Axrisi થી નિકો છું. જવાબદારીપૂર્વક મર્જ કરો.

સ્ત્રોતો

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