# របៀបរកមើល Claude nerf (ជាមួយទិន្នន័យពិត)

Published: 2026-09-30

មនុស្សនិយាយថា Claude កាន់តែល្ងង់ទៅៗពីរបីសប្តាហ៍បន្ទាប់ពីការចេញផ្សាយនីមួយៗ។ អ្នកអភិវឌ្ឍន៍ម្នាក់បានដាក់ Claude Opus 5.5 លើនាឡិកា 30 ថ្ងៃចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ ជាមួយនឹងសំណួរដែលបានកក Claude Code ដែលបានកំណត់ និងច្បាប់សាធារណៈ ហើយវាបង្ហាញថាហេតុអ្វីបានជាគ្មាននរណាម្នាក់អាចដឹងពីមុនមក ហើយហេតុអ្វីបានជាចំនួនថូខឹនរបស់អ្នកគឺជាអ្វីដែលត្រូវមើល។ សាលក្រម: SHIP IT។

Canonical: https://thedailydiff.dev/km/video/2026-09-30-opus-nerf-meter/

## អ្វីដែលវីដេអូនេះគ្របដណ្ដប់

- Claude កាន់តែល្ងង់បន្ទាប់ពីការចេញផ្សាយ: ទ្រឹស្តីបានជួបនាឡិកាថ្ងៃសូន្យ
- livenerf: នាឡិកា 30 ថ្ងៃនៅលើ Opus 5.5 ចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ
- របៀបចាប់យក nerf: 78 សំណួរដែលជួនកាលត្រឹមត្រូវ
- អ្វីដែលវាអាចឃើញ: 7.5 ពិន្ទុ ហើយចំនួនថូខឹនផ្លាស់ទីមុន
- ចំណុចងងឹត: ការប្តូរ Opus 5 និង 8 គន្លឹះចម្លើយខុស

## ជំពូក

- 0:00 Claude កាន់តែល្ងង់បន្ទាប់ពីការចេញផ្សាយ: ទ្រឹស្តីបានជួបនាឡិកាថ្ងៃសូន្យ
- 0:26 livenerf: នាឡិកា 30 ថ្ងៃនៅលើ Opus 5.5 ចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ
- 1:24 របៀបចាប់យក nerf: 78 សំណួរដែលជួនកាលត្រឹមត្រូវ
- 2:19 អ្វីដែលវាអាចឃើញ: 7.5 ពិន្ទុ ហើយចំនួនថូខឹនផ្លាស់ទីមុន
- 2:53 ចំណុចងងឹត: ការប្តូរ Opus 5 និង 8 គន្លឹះចម្លើយខុស
- 3:08 Anthropic: យើងមិនដែលកាត់បន្ថយគុណភាពម៉ូដែលទេ
- 3:45 មជ្ឈមណ្ឌលទិន្នន័យរក្សាទុកលេខរបស់ពួកគេជាការសម្ងាត់; Backblaze បោះពុម្ពផ្សាយ
- 4:25 បន្ទាត់ឥណទាន: Claude បានជួយបង្កើតម៉ែត្រ
- 4:50 សាលក្រម: SHIP IT, ហើយកុំដកស្រង់វាមុនថ្ងៃទី 24 ខែតុលា

## កំណត់ត្រាដែលបានបកប្រែ

បកប្រែចេញពីការនិទានដើមជាភាសាអង់គ្លេស។ សំឡេង និងចំណងជើងរងដែលមានគឺស្ថិតនៅក្រោមការគ្រប់គ្រងរបស់ YouTube។

### Claude កាន់តែល្ងង់បន្ទាប់ពីការចេញផ្សាយ: ទ្រឹស្តីបានជួបនាឡិកាថ្ងៃសូន្យ

0:00 អ្នក​រាល់​គ្នា​ដឹង​ថា Claude កាន់​តែ​ល្ងង់​ទៅៗ​ពីរ​បី​សប្ដាហ៍​ក្រោយ​ការ​ចេញ​ផ្សាយ។ ដូច្នេះ អ្នក​អភិវឌ្ឍន៍​ម្នាក់​បាន​ដាក់ Opus 5.5 លើ​នាឡិកា​ចាប់​ពី​សប្ដាហ៍​នៃ​ការ​ចេញ​ផ្សាយ ហើយ​នាឡិកា​និយាយ​ថា​គ្មាន​នរណា​អាច​ដឹង​បាន​ឡើយ។ ក្នុង​វីដេអូ​នេះ មាន​សំណួរ​បី។ តើ​អ្នក​ចាប់​យក nerf យ៉ាង​ដូចម្ដេច? តើ​ម៉ែត្រ​នេះ​អាច​មើល​ឃើញ​អ្វី? ហើយ​តើ Anthropic និយាយ​អ្វី? ហើយ​បន្ទាត់​មួយ​នៅ​ក្នុង​ឥណទាន​របស់ repo បាន​ធ្វើ​ឲ្យ​ខ្ញុំ​សើច​ខ្លាំង។

0:20 ខ្ញុំ​នឹង​និយាយ​ដល់​វា​នៅ​ចុង​បញ្ចប់។ វា​គឺ​ជា​ថ្ងៃ​ពុធ ទី 30 ខែ​កញ្ញា ហើយ​នេះ​គឺ The Daily Diff។ មាន​រឿង​បី​ថ្ងៃ​នេះ ហើយ​រឿង​ធំ​គឺ GitHub repo មួយ​ឈ្មោះ live nerf។

### livenerf: នាឡិកា 30 ថ្ងៃនៅលើ Opus 5.5 ចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ

0:30 អស់​ជាច្រើន​ខែ មនុស្ស​បាន​និយាយ​ថា Anthropic បាន​កែប្រែ​ម៉ូដែល​របស់​ខ្លួន​ដោយ​ស្ងៀមស្ងាត់​បន្ទាប់​ពី​ការ​ចេញ​ផ្សាយ។ ទ្រឹស្តី​ធម្មតា​គឺ​ម៉ូដែល​ដែល​បាន​ច្របាច់​ចូល ម៉ូដែល​តូច​ជាង​ក្រោម​ឈ្មោះ​ដូចគ្នា ឬ​គ្រាន់តែ​គិត​តិច។ repo ហៅ​រាល់​អំណះអំណាង​រហូត​មក​ដល់​ពេល​នេះ​ថា vibes ធៀប​នឹង vibes។ Opus 5.5 បាន​ចេញ​នៅ​ថ្ងៃ​ទី 22 ខែ​កញ្ញា ហើយ​មួយ​សប្ដាហ៍​មុន ខ្ញុំ​បាន​ប្រាប់​អ្នក​ថា​វា​បាន​ជាប់​ចំណាត់ថ្នាក់​កំពូល​នៃ​ក្រុមប្រឹក្សា​ឯករាជ្យ ខណៈ​ពេល​សរសេរ​ពាក្យ​បី​ដង ច្រើន​ជាង​ម៉ូដែល​មធ្យម។ ពីរ​ថ្ងៃ​កន្លះ​ក្រោយ​មក អ្នក​អភិវឌ្ឍន៍​ម្នាក់​ឈ្មោះ ninja hawk បាន​ចាប់​ផ្ដើម​នាឡិកា

0:59 ម្ដង​ក្នុង​មួយ​ថ្ងៃ​សម្រាប់​រយៈ​ពេល​សាមសិប​ថ្ងៃ ជាមួយ​នឹង​កំណត់ហេតុ​ដែល​គ្មាន​នរណា​អាច​កែប្រែ​បាន។ ខ្សែស្រឡាយ Hacker News បាន​ឡើង​ដល់​ជិត 800 ពិន្ទុ ហើយ​បំបែក​ដូច​ការ​ជជែក​ក្រុម។ អ្នក​បញ្ចេញ​មតិ​ម្នាក់​និយាយ​ថា ការ​កែប្រែ​ម៉ូដែល​មិន​ពិត​ទេ​ក្នុង​ករណី​ភាគច្រើន​ដែល​បាន​រាយការណ៍។ ម្នាក់​ទៀត​និយាយ​ថា មនុស្ស​គ្រាន់តែ​ស៊ាំ​នឹង​កម្រិត​ថ្មី​នៃ​ភាព​ឆ្លាតវៃ។ ហើយ​អ្នក​ប្រើ​ប្រាស់ Claude Code ដ៏​មាន​ឥទ្ធិពល​ម្នាក់​ឥឡូវ​បោះបង់​ការ​លេច​ឡើង rate-this-session រាល់​ពេល ព្រោះ​ការ​វាយតម្លៃ Claude ហាក់​ដូចជា​ធ្វើ​ឲ្យ​វា​កាន់តែ​អាក្រក់។ ការ​ត្រួតពិនិត្យ​ដោយ​មិត្តភ័ក្តិ។ ដូច្នេះ សំណួរ​ទីមួយ តើ​អ្នក​ចាប់​យក nerf យ៉ាង​ដូចម្ដេច?

### របៀបចាប់យក nerf: 78 សំណួរដែលជួនកាលត្រឹមត្រូវ

1:27 អ្នក​ចាប់​ផ្ដើម​ដោយ​សំណួរ​ប្រឡង​ពិបាក​ប្រហែល 2300 ហើយ Opus ទទួល​បាន 93 ភាគរយ​ត្រឹមត្រូវ​ក្នុង​ការ​ព្យាយាម​ដំបូង ដែល​គ្មាន​ប្រយោជន៍​សម្រាប់​ឧបករណ៍​ចាប់​សញ្ញា ព្រោះ​សំណួរ​ដែល​វា​តែងតែ​ទទួល​បាន​ត្រឹមត្រូវ​មិន​អាច ធ្លាក់​ចុះ​បាន​ទេ។ 97 ភាគរយ​តែងតែ​ត្រឹមត្រូវ ឬ​តែងតែ​ខុស ហើយ 78 ដែល​វា​ជួនកាល​ទទួល​បាន​ត្រឹមត្រូវ​បាន​ក្លាយ​ជា​គណៈកម្មាធិការ។ សំណួរ​ដូចគ្នា គ្មាន​ឧបករណ៍ និង​ការ​វាយតម្លៃ​ការ​ផ្គូផ្គង​ត្រឹមត្រូវ​ដោយ​គ្មាន​ចៅក្រម AI ព្រោះ​ចៅក្រម​ក៏​នឹង​ផ្លាស់ប្ដូរ​ដែរ។ វា​ដំណើរការ​លើ​ការ​ជាវ Max តាមរយៈ headless Claude Code

1:55 ដោយសារ​កំណែ API មាន​តម្លៃ​ប្រហែល 1600 ដុល្លារ​ក្នុង​មួយ​ខែ។ ហើយ​កំណែ Claude Code ត្រូវ​បាន​កំណត់​ព្រោះ ក្នុង​ពាក្យ​របស់ repo ខ្សែ​ដែល​បាន​ផ្លាស់ប្ដូរ​មើល​ទៅ​ដូចគ្នា​នឹង​ម៉ូដែល​ដែល​បាន​ផ្លាស់ប្ដូរ។ ស្ថិតិ​បាន​មក​ពី​ក្រដាស​មួយ​ឈ្មោះ Adding Error Bars to Evals ដោយ Evan Miller នៅ Anthropic។ ដូច្នេះ គណិតវិទ្យា​របស់ Anthropic ឥឡូវ​កំពុង​ត្រួតពិនិត្យ Anthropic ដែល​ជា​កំណែ​សិក្សា នៃ​ការ​ដកស្រង់​លក្ខខណ្ឌ​នៃ​សេវាកម្ម​ទៅ​កាន់​ការ​គាំទ្រ​អតិថិជន។

### អ្វីដែលវាអាចឃើញ: 7.5 ពិន្ទុ ហើយចំនួនថូខឹនផ្លាស់ទីមុន

2:19 សំណួរ​ទី​ពីរ តើ​វា​អាច​មើល​ឃើញ​អ្វី? ក្នុង​បង្អួច​ដប់​ថ្ងៃ ការ​ធ្លាក់​ចុះ​ប្រហែល 7.5 ពិន្ទុ។ ដើម្បី​បញ្ជាក់​ថា​ឧបករណ៍​នេះ​ដំណើរការ អ្នក​និពន្ធ​បាន​បន្ថយ​ការ​ខិតខំ​របស់ Claude ដោយ​ចេតនា។ ការ​ខិតខំ​មធ្យម​បាន​កាត់​បន្ថយ​ទិន្នផល​ប្រហែល​មួយ​ភាគ​បួន ហើយ​ពិន្ទុ​ត្រឹម​តែ 4 ពិន្ទុ។ ការ​ខិតខំ​ទាប​បាន​កាត់​បន្ថយ​ទិន្នផល​ជិត​ពីរ​ភាគ​បី សម្រាប់​ប្រាំបី​ពិន្ទុ។ នោះ​គឺ​ជា​ផ្នែក​ដែល​ត្រូវ​លួច។ ការ​គិត​តិច​បង្ហាញ​ឡើង​ក្នុង​ចំនួន​ថូខឹន​មុន​ពេល​វា​បង្ហាញ​ឡើង​ក្នុង​ចម្លើយ។

2:43 ដូច្នេះ កំណត់​កំណែ​ម៉ូដែល​របស់​អ្នក កត់ត្រា​ថូខឹន​ទិន្នផល​ក្នុង​មួយ​កិច្ចការ ហើយ​រក្សា​សំណួរ​ដែល​បាន​បង្កក​មួយ​ចំនួន​របស់​អ្នក​ផ្ទាល់។ ប្រសិន​បើ​ភ្នាក់ងារ​របស់​អ្នក​ស្រាប់តែ​សរសេរ​ខ្លី​ជាង សូម​ពិនិត្យ​កំណត់ហេតុ​របស់​អ្នក​មុន​ពេល​អ្នក​ពិនិត្យ Reddit។ ហើយ​នេះ​គឺ​ជា​ផ្នែក​ស្មោះត្រង់។

### ចំណុចងងឹត: ការប្តូរ Opus 5 និង 8 គន្លឹះចម្លើយខុស

2:54 ការ​ប្ដូរ​ដោយ​ស្ងៀមស្ងាត់​ទៅ​ជា Opus 5 ចាស់​គឺ​ជា​ការ​ផ្លាស់ប្ដូរ​តូច​ពេក​សម្រាប់​ឧបករណ៍​ដើម្បី ហៅ​បាន ហើយ readme និយាយ​ដូច្នេះ​នៅ​ខាង​មុខ។ ការ​ត្រួតពិនិត្យ​ក៏​បាន​រក​ឃើញ​គន្លឹះ​ចម្លើយ​ប្រាំបី​ដែល​មើល​ទៅ​ខុស ដូច្នេះ​ឧបករណ៍​ចាប់​សញ្ញា nerf បាន​រក​ឃើញ​កំហុស​ក្នុង​ការ​វាស់វែង​មុន​ពេល​វា​រក​ឃើញ nerf។

### Anthropic: យើងមិនដែលកាត់បន្ថយគុណភាពម៉ូដែលទេ

3:08 សំណួរ​ទី​បី តើ Anthropic និយាយ​អ្វី? កាល​ពី​ឆ្នាំ​មុន បន្ទាប់​ពី​មាន​ការ​ត្អូញត្អែរ​ជា​ច្រើន Anthropic បាន​បោះពុម្ព​ការ​វិភាគ​ក្រោយ​ហេតុការណ៍។ វា​និយាយ​ថា "យើង​មិន​ដែល​កាត់​បន្ថយ​គុណភាព​ម៉ូដែល​ដោយសារ​តម្រូវការ ពេលវេលា​នៃ​ថ្ងៃ ឬ​បន្ទុក​ម៉ាស៊ីន​មេ"។ ប្រកាស​ដូចគ្នា​នេះ​ទទួល​ស្គាល់​ថា​មាន​កំហុស​បី​បាន​ធ្វើ​ឲ្យ Claude ខូច​គុណភាព ហើយ​ជិត​មួយ​ភាគ​បី​នៃ អ្នក​ប្រើ Claude Code បាន​វាយ​ម៉ាស៊ីន​មេ​ខុស​យ៉ាង​ហោច​ណាស់​ម្ដង។ ដូច្នេះ​ការ​ត្អូញត្អែរ​គឺ​ពិត​ហើយ​មូលហេតុ​គឺ​កំហុស នោះ​ហើយ​ជា​មូលហេតុ​ដែល repo ព្រមាន​ថា​សប្ដាហ៍​នៃ​ការ​ចេញ​ផ្សាយ​អាច​ជា​សប្ដាហ៍​អាក្រក់​បំផុត។

3:35 ប្រាំមួយ​ក្នុង​ចំណោម 30 ថ្ងៃ​ត្រូវ​បាន​បញ្ចូល។ ការ​ហៅ​ទូរសព្ទ​ដំបូង​អាច​ធ្វើ​ទៅ​បាន​នៅ​ជុំវិញ​ថ្ងៃ​ទី 24 ខែ​តុលា ដូច្នេះ​ចម្លើយ​ស្មោះត្រង់​គឺ​ថា​គ្មាន​នរណា​ដឹង​ទេ រួម​ទាំង​អ្នក​រាល់​គ្នា​ដែល​ប្រាកដ។ និយាយ​ពី​លេខ​ដែល​គ្មាន​នរណា​បោះពុម្ព​ផ្សាយ។

### មជ្ឈមណ្ឌលទិន្នន័យរក្សាទុកលេខរបស់ពួកគេជាការសម្ងាត់; Backblaze បោះពុម្ពផ្សាយ

3:46 Lighthouse Reports និង​កាសែត​ហូឡង់ Trouw បាន​រក​ឃើញ​ថា​មជ្ឈមណ្ឌល​ទិន្នន័យ​អឺរ៉ុប​ភាគច្រើន​បំផុត រក្សា​ការ​ប្រើប្រាស់​ថាមពល​និង​ទឹក​របស់​ពួក​គេ​ជា​ការ​សម្ងាត់ ទោះបីជា​ច្បាប់ EU បាន​តម្រូវ​ឲ្យ​រាយការណ៍​អស់​រយៈពេល​បី​ឆ្នាំ​ក៏ដោយ។ នៅ​ប្រទេស​ហូឡង់ មាន​តែ​តិច​ជាង​មួយ​ភាគ​បួន​ប៉ុណ្ណោះ​ដែល​បោះពុម្ព​ផ្សាយ។ មជ្ឈមណ្ឌល​ទិន្នន័យ Microsoft មួយ​តែ​ឯង​ប្រើប្រាស់​ប្រហែល 1 ភាគរយ​នៃ​អគ្គិសនី​ហូឡង់។ ទន្ទឹម​នឹង​នេះ Backblaze បាន​ធ្វើ​រឿង​គួរ​ឲ្យ​ធុញទ្រាន់​ម្ដង​ទៀត។ ស្ថិតិ​ដ្រាយវ៍​ប្រចាំ​ត្រីមាស​របស់​វា​គ្របដណ្តប់​ប្រហែល 350000 ថាស​រឹង ហើយ​អត្រា​បរាជ័យ​បាន​កើន​ឡើង​ដល់ 1.73 ភាគរយ

4:16 ដែល​ខ្ពស់​បំផុត​ក្នុង​រយៈពេល​មួយ​រយៈ។ ម៉ូដែល Seagate បី​គ្មាន​បរាជ័យ​ទេ។ នោះ​ហើយ​ជា​អ្វី​ដែល​មូលដ្ឋាន​សាធារណៈ​មើល​ទៅ​ដូចជា ត្រីមាស​បន្ទាប់​ពី​ត្រីមាស អស់​រយៈពេល 13 ឆ្នាំ។

### បន្ទាត់ឥណទាន: Claude បានជួយបង្កើតម៉ែត្រ

4:25 ឥឡូវ​នេះ បន្ទាត់​ឥណទាន​នោះ។ readme ទទួល​ស្គាល់​ថា repo ភាគច្រើន​ត្រូវ​បាន​សរសេរ​ដោយ​មាន​ជំនួយ​ពី Claude ដែល​ជា​ម៉ូដែល​ដែល​ត្រូវ​បាន​វាស់វែង។ ដូច្នេះ Claude បាន​ជួយ​បង្កើត​ម៉ែត្រ​ដែល​ពិនិត្យ​មើល​ថា Claude កាន់តែ​ល្ងង់​ឬ​អត់។ នោះ​ហើយ​ជា​មូលហេតុ​ដែល​អ្នក​វាយតម្លៃ​គឺ​ជា​មុខងារ​ធម្មតា។ ក្នុង​ពាក្យ​របស់​អ្នក​និពន្ធ អ្នក​មិន​គួរ​ទុកចិត្ត​អ្នក​និពន្ធ​ឡើយ មនុស្ស​ឬ​ក៏​មិនមែន។ ប្រសិន​បើ​អ្នក​ចង់​អាន​នេះ​ជាង​ឮ​ខ្ញុំ​និយាយ​វា diff នឹង​ចូល​ក្នុង​ប្រអប់​សំបុត្រ​របស់​អ្នក

4:46 រាល់​ព្រឹក ឥតគិតថ្លៃ​នៅ the daily diff dot dev, តំណ​ភ្ជាប់​ខាងក្រោម។ ដូច្នេះ សាលក្រម​ថ្ងៃ​នេះ​លើ live nerf។

### សាលក្រម: SHIP IT, ហើយកុំដកស្រង់វាមុនថ្ងៃទី 24 ខែតុលា

4:51 SHIP IT។ ខ្ញុំ​នឹង SHIP IT ព្រោះ​វា​ជា​អំណះអំណាង nerf ដំបូង​ដែល​ខ្ញុំ​បាន​ឃើញ​ជាមួយ​នឹង ពេលវេលា សៀវភៅ​ច្បាប់​សាធារណៈ និង​ចំណុច​ងងឹត​ដែល​បាន​បញ្ជាក់។ គ្រាន់តែ​កុំ​ដកស្រង់​វា​មុន​ថ្ងៃ​ទី 24 ខែ​តុលា។ ហើយ​នោះ​គឺ​ជា diff សម្រាប់​ថ្ងៃ​នេះ។ ខ្ញុំ​នីកូ​ពី Axrisi។ បញ្ចូល​ដោយ​ការ​ទទួល​ខុសត្រូវ។

## ប្រភព

- [livenerf](https://github.com/ninjahawk/livenerf) — github.com
- [Validation](https://github.com/ninjahawk/livenerf/blob/main/docs/VALIDATION.md) — github.com
- [Hacker News](https://news.ycombinator.com/item?id=49901736) — news.ycombinator.com
- [Anthropic postmortem (Sep 2025)](https://www.anthropic.com/engineering/a-postmortem-of-three-recent-issues) — www.anthropic.com
- [Adding Error Bars to Evals (Evan Miller)](https://arxiv.org/abs/2411.00640) — arxiv.org
- [Inspect (UK AI Security Institute)](https://inspect.aisi.org.uk/) — inspect.aisi.org.uk
- [NL Times](https://nltimes.nl/2026/09/30/data-centers-refusing-say-much-water-electricity-use) — nltimes.nl
- [Hacker News](https://news.ycombinator.com/item?id=49907057) — news.ycombinator.com
- [Backblaze Drive Stats Q2 2026](https://www.backblaze.com/blog/backblaze-drive-stats-for-q2-2026/) — www.backblaze.com
- [Hacker News](https://news.ycombinator.com/item?id=49893002) — news.ycombinator.com