របៀបរកមើល Claude nerf (ជាមួយទិន្នន័យពិត)
មនុស្សនិយាយថា Claude កាន់តែល្ងង់ទៅៗពីរបីសប្តាហ៍បន្ទាប់ពីការចេញផ្សាយនីមួយៗ។
មនុស្សនិយាយថា Claude កាន់តែល្ងង់ទៅៗពីរបីសប្តាហ៍បន្ទាប់ពីការចេញផ្សាយនីមួយៗ។ អ្នកអភិវឌ្ឍន៍ម្នាក់បានដាក់ Claude Opus 5.5 លើនាឡិកា 30 ថ្ងៃចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ ជាមួយនឹងសំណួរដែលបានកក Claude Code ដែលបានកំណត់ និងច្បាប់សាធារណៈ ហើយវាបង្ហាញថាហេតុអ្វីបានជាគ្មាននរណាម្នាក់អាចដឹងពីមុនមក ហើយហេតុអ្វីបានជាចំនួនថូខឹនរបស់អ្នកគឺជាអ្វីដែលត្រូវមើល។ សាលក្រម: SHIP IT។
អានបោះពុម្ពជាលាយលក្ខណ៍អក្សរ (អង់គ្លេស) ↗
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
សំណួរ និងចម្លើយ
តើអ្នកអាចសាកល្បងដោយរបៀបណាថាគំរូ AI ត្រូវបានធ្វើឱ្យកាន់តែអាក្រក់ដោយស្ងាត់ៗបន្ទាប់ពីការដាក់ឱ្យប្រើប្រាស់?
ដំណើរការសំណួរដែលបានកកដូចគ្នាទៅតាមកាលវិភាគថេរ ហើយដាក់ពិន្ទុពួកវាដោយការផ្គូផ្គងពិតប្រាកដ។ រីប៉ូ livenerf ដំណើរការនាឡិកា 30 ថ្ងៃនៅលើ Claude Opus 5.5 ម្តងក្នុងមួយថ្ងៃ ជាមួយនឹងកំណត់ហេតុដែលគ្មាននរណាម្នាក់អាចកែសម្រួលបានទេ។ វាប្រើសំណួរ 78 ដែលគំរូនេះពេលខ្លះទទួលបានត្រឹមត្រូវ ដោយសារសំណួរដែលវាឆ្លើយបានត្រឹមត្រូវជានិច្ចមិនអាចធ្លាក់ចុះបានទេ។ វាភ្ជាប់កំណែ Claude Code ព្រោះឧបករណ៍ដែលបានផ្លាស់ប្តូរមើលទៅដូចជាគំរូដែលបានផ្លាស់ប្តូរ។
តើឧបករណ៍វាស់ livenerf អាចរកឃើញទំហំនៃការធ្លាក់ចុះប៉ុន្មាន?
ក្នុងរយៈពេលដប់ថ្ងៃ ឧបករណ៍វាស់អាចមើលឃើញការធ្លាក់ចុះប្រហែល 7.5 ពិន្ទុ។ ដើម្បីបញ្ជាក់ថាឧបករណ៍នេះដំណើរការ អ្នកនិពន្ធបានបន្ថយកិច្ចខិតខំប្រឹងប្រែងរបស់ Claude ដោយចេតនា។ កិច្ចខិតខំប្រឹងប្រែងទាបបានកាត់បន្ថយទិន្នផលជិតពីរភាគបី និងពិន្ទុប្រាំបីចំណុច។ ការផ្លាស់ប្តូរ Opus 5 ចាស់ជាងដោយស្ងាត់ៗគឺជាការផ្លាស់ប្តូរតូចពេកសម្រាប់ឧបករណ៍នេះក្នុងការហៅ ហើយ readme និយាយដូច្នេះជាមុន។
តើអ្នកអភិវឌ្ឍន៍គួរតាមដានអ្វីខ្លះដើម្បីកត់សម្គាល់ប្រសិនបើភ្នាក់ងារ AI កំពុងគិតតិច?
ចំនួនថូខឹនទិន្នផលក្នុងមួយកិច្ចការ។ នៅក្នុងការធ្វើតេស្ត livenerf ការគិតតិចបានបង្ហាញនៅក្នុងចំនួនថូខឹនមុនពេលវាបង្ហាញនៅក្នុងចម្លើយ។ វគ្គនេះណែនាំឱ្យភ្ជាប់កំណែគំរូរបស់អ្នក ដាក់កំណត់ហេតុថូខឹនទិន្នផលក្នុងមួយកិច្ចការ និងរក្សាសំណួរដែលកកពីរបីរបស់អ្នកផ្ទាល់។ ប្រសិនបើភ្នាក់ងាររបស់អ្នកភ្លាមៗសរសេរខ្លីជាង សូមពិនិត្យមើលកំណត់ហេតុរបស់អ្នកជាមុន។
តើ Anthropic និយាយថាវាបន្ថយគុណភាពរបស់ Claude នៅពេលដែលតម្រូវការខ្ពស់មែនទេ?
Anthropic និយាយថាវាមិនធ្វើនោះទេ។ ការពិនិត្យក្រោយពេលកើតហេតុរបស់វាពីខែកញ្ញា ឆ្នាំ 2025 និយាយថាវាមិនដែលកាត់បន្ថយគុណភាពគំរូដោយសារតម្រូវការ ពេលវេលានៃថ្ងៃ ឬបន្ទុកម៉ាស៊ីនមេឡើយ។ ប្រកាសដដែលនេះទទួលស្គាល់ថាមានកំហុសបីបានបន្ថយគុណភាព Claude ហើយថាជិតមួយភាគបីនៃអ្នកប្រើប្រាស់ Claude Code បានចូលទៅកាន់ម៉ាស៊ីនមេខុសយ៉ាងហោចណាស់ម្តង។
តើលទ្ធផល livenerf អាចទុកចិត្តបានដើម្បីបង្ហាញពី Claude nerf នៅឡើយទេ?
សាលក្រមរបស់ The Daily Diff គឺ SHIP IT សម្រាប់គម្រោងនេះ ពីព្រោះវាគឺជាអាគុយម៉ង់ nerf ដំបូងគេដែលមានត្រាពេលវេលា សៀវភៅច្បាប់សាធារណៈ និងចំណុចខ្វះខាតដែលបានបញ្ជាក់។ វគ្គនេះនិយាយថាកុំដកស្រង់វាមុនថ្ងៃទី 24 ខែតុលា ពីព្រោះមានតែប្រាំមួយថ្ងៃក្នុងចំណោមសាមសិបថ្ងៃប៉ុណ្ណោះដែលបានចូល ហើយការហៅដែលអាចធ្វើទៅបានដំបូងបានចុះចតនៅពេលនោះ។ ការសវនកម្មក៏បានរកឃើញកូនសោចម្លើយ 8 ដែលមើលទៅខុសផងដែរ។
កំណត់ត្រាដែលបានបកប្រែ
បកប្រែចេញពីការនិទានដើមជាភាសាអង់គ្លេស។ សំឡេង និងចំណងជើងរងដែលមានគឺស្ថិតនៅក្រោមការគ្រប់គ្រងរបស់ YouTube។
Claude កាន់តែល្ងង់បន្ទាប់ពីការចេញផ្សាយ: ទ្រឹស្តីបានជួបនាឡិកាថ្ងៃសូន្យ
0:00 អ្នករាល់គ្នាដឹងថា Claude កាន់តែល្ងង់ទៅៗពីរបីសប្ដាហ៍ក្រោយការចេញផ្សាយ។ ដូច្នេះ អ្នកអភិវឌ្ឍន៍ម្នាក់បានដាក់ Opus 5.5 លើនាឡិកាចាប់ពីសប្ដាហ៍នៃការចេញផ្សាយ ហើយនាឡិកានិយាយថាគ្មាននរណាអាចដឹងបានឡើយ។ ក្នុងវីដេអូនេះ មានសំណួរបី។ តើអ្នកចាប់យក nerf យ៉ាងដូចម្ដេច? តើម៉ែត្រនេះអាចមើលឃើញអ្វី? ហើយតើ Anthropic និយាយអ្វី? ហើយបន្ទាត់មួយនៅក្នុងឥណទានរបស់ repo បានធ្វើឲ្យខ្ញុំសើចខ្លាំង។
0:20 ខ្ញុំនឹងនិយាយដល់វានៅចុងបញ្ចប់។ វាគឺជាថ្ងៃពុធ ទី 30 ខែកញ្ញា ហើយនេះគឺ The Daily Diff។ មានរឿងបីថ្ងៃនេះ ហើយរឿងធំគឺ GitHub repo មួយឈ្មោះ live nerf។
livenerf: នាឡិកា 30 ថ្ងៃនៅលើ Opus 5.5 ចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ
0:30 អស់ជាច្រើនខែ មនុស្សបាននិយាយថា Anthropic បានកែប្រែម៉ូដែលរបស់ខ្លួនដោយស្ងៀមស្ងាត់បន្ទាប់ពីការចេញផ្សាយ។ ទ្រឹស្តីធម្មតាគឺម៉ូដែលដែលបានច្របាច់ចូល ម៉ូដែលតូចជាងក្រោមឈ្មោះដូចគ្នា ឬគ្រាន់តែគិតតិច។ repo ហៅរាល់អំណះអំណាងរហូតមកដល់ពេលនេះថា vibes ធៀបនឹង vibes។ Opus 5.5 បានចេញនៅថ្ងៃទី 22 ខែកញ្ញា ហើយមួយសប្ដាហ៍មុន ខ្ញុំបានប្រាប់អ្នកថាវាបានជាប់ចំណាត់ថ្នាក់កំពូលនៃក្រុមប្រឹក្សាឯករាជ្យ ខណៈពេលសរសេរពាក្យបីដង ច្រើនជាងម៉ូដែលមធ្យម។ ពីរថ្ងៃកន្លះក្រោយមក អ្នកអភិវឌ្ឍន៍ម្នាក់ឈ្មោះ ninja hawk បានចាប់ផ្ដើមនាឡិកា
0:59 ម្ដងក្នុងមួយថ្ងៃសម្រាប់រយៈពេលសាមសិបថ្ងៃ ជាមួយនឹងកំណត់ហេតុដែលគ្មាននរណាអាចកែប្រែបាន។ ខ្សែស្រឡាយ Hacker News បានឡើងដល់ជិត 800 ពិន្ទុ ហើយបំបែកដូចការជជែកក្រុម។ អ្នកបញ្ចេញមតិម្នាក់និយាយថា ការកែប្រែម៉ូដែលមិនពិតទេក្នុងករណីភាគច្រើនដែលបានរាយការណ៍។ ម្នាក់ទៀតនិយាយថា មនុស្សគ្រាន់តែស៊ាំនឹងកម្រិតថ្មីនៃភាពឆ្លាតវៃ។ ហើយអ្នកប្រើប្រាស់ Claude Code ដ៏មានឥទ្ធិពលម្នាក់ឥឡូវបោះបង់ការលេចឡើង rate-this-session រាល់ពេល ព្រោះការវាយតម្លៃ Claude ហាក់ដូចជាធ្វើឲ្យវាកាន់តែអាក្រក់។ ការត្រួតពិនិត្យដោយមិត្តភ័ក្តិ។ ដូច្នេះ សំណួរទីមួយ តើអ្នកចាប់យក nerf យ៉ាងដូចម្ដេច?
របៀបចាប់យក nerf: 78 សំណួរដែលជួនកាលត្រឹមត្រូវ
1:27 អ្នកចាប់ផ្ដើមដោយសំណួរប្រឡងពិបាកប្រហែល 2300 ហើយ Opus ទទួលបាន 93 ភាគរយត្រឹមត្រូវក្នុងការព្យាយាមដំបូង ដែលគ្មានប្រយោជន៍សម្រាប់ឧបករណ៍ចាប់សញ្ញា ព្រោះសំណួរដែលវាតែងតែទទួលបានត្រឹមត្រូវមិនអាច ធ្លាក់ចុះបានទេ។ 97 ភាគរយតែងតែត្រឹមត្រូវ ឬតែងតែខុស ហើយ 78 ដែលវាជួនកាលទទួលបានត្រឹមត្រូវបានក្លាយជាគណៈកម្មាធិការ។ សំណួរដូចគ្នា គ្មានឧបករណ៍ និងការវាយតម្លៃការផ្គូផ្គងត្រឹមត្រូវដោយគ្មានចៅក្រម AI ព្រោះចៅក្រមក៏នឹងផ្លាស់ប្ដូរដែរ។ វាដំណើរការលើការជាវ Max តាមរយៈ headless Claude Code
1:55 ដោយសារកំណែ API មានតម្លៃប្រហែល 1600 ដុល្លារក្នុងមួយខែ។ ហើយកំណែ Claude Code ត្រូវបានកំណត់ព្រោះ ក្នុងពាក្យរបស់ repo ខ្សែដែលបានផ្លាស់ប្ដូរមើលទៅដូចគ្នានឹងម៉ូដែលដែលបានផ្លាស់ប្ដូរ។ ស្ថិតិបានមកពីក្រដាសមួយឈ្មោះ Adding Error Bars to Evals ដោយ Evan Miller នៅ Anthropic។ ដូច្នេះ គណិតវិទ្យារបស់ Anthropic ឥឡូវកំពុងត្រួតពិនិត្យ Anthropic ដែលជាកំណែសិក្សា នៃការដកស្រង់លក្ខខណ្ឌនៃសេវាកម្មទៅកាន់ការគាំទ្រអតិថិជន។
អ្វីដែលវាអាចឃើញ: 7.5 ពិន្ទុ ហើយចំនួនថូខឹនផ្លាស់ទីមុន
2:19 សំណួរទីពីរ តើវាអាចមើលឃើញអ្វី? ក្នុងបង្អួចដប់ថ្ងៃ ការធ្លាក់ចុះប្រហែល 7.5 ពិន្ទុ។ ដើម្បីបញ្ជាក់ថាឧបករណ៍នេះដំណើរការ អ្នកនិពន្ធបានបន្ថយការខិតខំរបស់ Claude ដោយចេតនា។ ការខិតខំមធ្យមបានកាត់បន្ថយទិន្នផលប្រហែលមួយភាគបួន ហើយពិន្ទុត្រឹមតែ 4 ពិន្ទុ។ ការខិតខំទាបបានកាត់បន្ថយទិន្នផលជិតពីរភាគបី សម្រាប់ប្រាំបីពិន្ទុ។ នោះគឺជាផ្នែកដែលត្រូវលួច។ ការគិតតិចបង្ហាញឡើងក្នុងចំនួនថូខឹនមុនពេលវាបង្ហាញឡើងក្នុងចម្លើយ។
2:43 ដូច្នេះ កំណត់កំណែម៉ូដែលរបស់អ្នក កត់ត្រាថូខឹនទិន្នផលក្នុងមួយកិច្ចការ ហើយរក្សាសំណួរដែលបានបង្កកមួយចំនួនរបស់អ្នកផ្ទាល់។ ប្រសិនបើភ្នាក់ងាររបស់អ្នកស្រាប់តែសរសេរខ្លីជាង សូមពិនិត្យកំណត់ហេតុរបស់អ្នកមុនពេលអ្នកពិនិត្យ Reddit។ ហើយនេះគឺជាផ្នែកស្មោះត្រង់។
ចំណុចងងឹត: ការប្តូរ Opus 5 និង 8 គន្លឹះចម្លើយខុស
2:54 ការប្ដូរដោយស្ងៀមស្ងាត់ទៅជា Opus 5 ចាស់គឺជាការផ្លាស់ប្ដូរតូចពេកសម្រាប់ឧបករណ៍ដើម្បី ហៅបាន ហើយ readme និយាយដូច្នេះនៅខាងមុខ។ ការត្រួតពិនិត្យក៏បានរកឃើញគន្លឹះចម្លើយប្រាំបីដែលមើលទៅខុស ដូច្នេះឧបករណ៍ចាប់សញ្ញា nerf បានរកឃើញកំហុសក្នុងការវាស់វែងមុនពេលវារកឃើញ nerf។
Anthropic: យើងមិនដែលកាត់បន្ថយគុណភាពម៉ូដែលទេ
3:08 សំណួរទីបី តើ Anthropic និយាយអ្វី? កាលពីឆ្នាំមុន បន្ទាប់ពីមានការត្អូញត្អែរជាច្រើន Anthropic បានបោះពុម្ពការវិភាគក្រោយហេតុការណ៍។ វានិយាយថា "យើងមិនដែលកាត់បន្ថយគុណភាពម៉ូដែលដោយសារតម្រូវការ ពេលវេលានៃថ្ងៃ ឬបន្ទុកម៉ាស៊ីនមេ"។ ប្រកាសដូចគ្នានេះទទួលស្គាល់ថាមានកំហុសបីបានធ្វើឲ្យ Claude ខូចគុណភាព ហើយជិតមួយភាគបីនៃ អ្នកប្រើ Claude Code បានវាយម៉ាស៊ីនមេខុសយ៉ាងហោចណាស់ម្ដង។ ដូច្នេះការត្អូញត្អែរគឺពិតហើយមូលហេតុគឺកំហុស នោះហើយជាមូលហេតុដែល repo ព្រមានថាសប្ដាហ៍នៃការចេញផ្សាយអាចជាសប្ដាហ៍អាក្រក់បំផុត។
3:35 ប្រាំមួយក្នុងចំណោម 30 ថ្ងៃត្រូវបានបញ្ចូល។ ការហៅទូរសព្ទដំបូងអាចធ្វើទៅបាននៅជុំវិញថ្ងៃទី 24 ខែតុលា ដូច្នេះចម្លើយស្មោះត្រង់គឺថាគ្មាននរណាដឹងទេ រួមទាំងអ្នករាល់គ្នាដែលប្រាកដ។ និយាយពីលេខដែលគ្មាននរណាបោះពុម្ពផ្សាយ។
មជ្ឈមណ្ឌលទិន្នន័យរក្សាទុកលេខរបស់ពួកគេជាការសម្ងាត់; Backblaze បោះពុម្ពផ្សាយ
3:46 Lighthouse Reports និងកាសែតហូឡង់ Trouw បានរកឃើញថាមជ្ឈមណ្ឌលទិន្នន័យអឺរ៉ុបភាគច្រើនបំផុត រក្សាការប្រើប្រាស់ថាមពលនិងទឹករបស់ពួកគេជាការសម្ងាត់ ទោះបីជាច្បាប់ EU បានតម្រូវឲ្យរាយការណ៍អស់រយៈពេលបីឆ្នាំក៏ដោយ។ នៅប្រទេសហូឡង់ មានតែតិចជាងមួយភាគបួនប៉ុណ្ណោះដែលបោះពុម្ពផ្សាយ។ មជ្ឈមណ្ឌលទិន្នន័យ Microsoft មួយតែឯងប្រើប្រាស់ប្រហែល 1 ភាគរយនៃអគ្គិសនីហូឡង់។ ទន្ទឹមនឹងនេះ Backblaze បានធ្វើរឿងគួរឲ្យធុញទ្រាន់ម្ដងទៀត។ ស្ថិតិដ្រាយវ៍ប្រចាំត្រីមាសរបស់វាគ្របដណ្តប់ប្រហែល 350000 ថាសរឹង ហើយអត្រាបរាជ័យបានកើនឡើងដល់ 1.73 ភាគរយ
4:16 ដែលខ្ពស់បំផុតក្នុងរយៈពេលមួយរយៈ។ ម៉ូដែល Seagate បីគ្មានបរាជ័យទេ។ នោះហើយជាអ្វីដែលមូលដ្ឋានសាធារណៈមើលទៅដូចជា ត្រីមាសបន្ទាប់ពីត្រីមាស អស់រយៈពេល 13 ឆ្នាំ។
បន្ទាត់ឥណទាន: Claude បានជួយបង្កើតម៉ែត្រ
4:25 ឥឡូវនេះ បន្ទាត់ឥណទាននោះ។ readme ទទួលស្គាល់ថា repo ភាគច្រើនត្រូវបានសរសេរដោយមានជំនួយពី Claude ដែលជាម៉ូដែលដែលត្រូវបានវាស់វែង។ ដូច្នេះ Claude បានជួយបង្កើតម៉ែត្រដែលពិនិត្យមើលថា Claude កាន់តែល្ងង់ឬអត់។ នោះហើយជាមូលហេតុដែលអ្នកវាយតម្លៃគឺជាមុខងារធម្មតា។ ក្នុងពាក្យរបស់អ្នកនិពន្ធ អ្នកមិនគួរទុកចិត្តអ្នកនិពន្ធឡើយ មនុស្សឬក៏មិនមែន។ ប្រសិនបើអ្នកចង់អាននេះជាងឮខ្ញុំនិយាយវា diff នឹងចូលក្នុងប្រអប់សំបុត្ររបស់អ្នក
4:46 រាល់ព្រឹក ឥតគិតថ្លៃនៅ the daily diff dot dev, តំណភ្ជាប់ខាងក្រោម។ ដូច្នេះ សាលក្រមថ្ងៃនេះលើ live nerf។
សាលក្រម: SHIP IT, ហើយកុំដកស្រង់វាមុនថ្ងៃទី 24 ខែតុលា
4:51 SHIP IT។ ខ្ញុំនឹង SHIP IT ព្រោះវាជាអំណះអំណាង nerf ដំបូងដែលខ្ញុំបានឃើញជាមួយនឹង ពេលវេលា សៀវភៅច្បាប់សាធារណៈ និងចំណុចងងឹតដែលបានបញ្ជាក់។ គ្រាន់តែកុំដកស្រង់វាមុនថ្ងៃទី 24 ខែតុលា។ ហើយនោះគឺជា diff សម្រាប់ថ្ងៃនេះ។ ខ្ញុំនីកូពី Axrisi។ បញ្ចូលដោយការទទួលខុសត្រូវ។
ប្រភព
- livenerfgithub.com
- Validationgithub.com
- Hacker Newsnews.ycombinator.com
- Anthropic postmortem (Sep 2025)www.anthropic.com
- Adding Error Bars to Evals (Evan Miller)arxiv.org
- Inspect (UK AI Security Institute)inspect.aisi.org.uk
- NL Timesnltimes.nl
- Hacker Newsnews.ycombinator.com
- Backblaze Drive Stats Q2 2026www.backblaze.com
- Hacker Newsnews.ycombinator.com



