Claude nerf ကို ဘယ်လိုရှာဖွေတွေ့ရှိမလဲ (တကယ့်အချက်အလက်များဖြင့်)

ဤဗီဒီယိုတွင် ဖော်ပြထားသောအရာများ

• Claude သည် ထွက်ရှိပြီးနောက် ပိုမိုညံ့ဖျင်းလာသည်- သီအိုရီသည် ရက်သုညနာရီနှင့် ကြုံတွေ့ရသည်။
• livenerf: ထွက်ရှိသည့်ရက်သတ္တပတ်မှစ၍ Opus 5.5 တွင် ရက် 30 နာရီ။
• nerf ကို ဘယ်လိုဖမ်းမလဲ- တစ်ခါတစ်ရံ မှန်ကန်သော မေးခွန်း ၇၈ ခု။
• ၎င်းမြင်နိုင်သောအရာ- ၇.၅ မှတ်၊ နှင့် တိုကင်အရေအတွက်သည် ဦးစွာရွေ့လျားသည်။
• မျက်ကွယ်- Opus 5 အလဲအလှယ်နှင့် မှားယွင်းသောအဖြေ ၈ ခု။

ဘာသာပြန်ထားသော စာသားမှတ်တမ်း

မူရင်း အင်္ဂလိပ်စကားပြောမှ ဘာသာပြန်ထားသည်။ ရရှိနိုင်သော အသံနှင့် စာတန်းထိုးများကို YouTube မှ ထိန်းချုပ်ထားသည်။

Claude သည် ထွက်ရှိပြီးနောက် ပိုမိုညံ့ဖျင်းလာသည်- သီအိုရီသည် ရက်သုညနာရီနှင့် ကြုံတွေ့ရသည်။

0:00 Claude သည် ထွက်ရှိပြီး ရက်သတ္တပတ်အနည်းငယ်အကြာတွင် ပိုမိုညံ့ဖျင်းလာသည်ကို လူတိုင်းသိကြသည်။ ထို့ကြောင့် ဆော့ဖ်ဝဲရေးသားသူတစ်ဦးသည် Opus 5.5 ကို ထွက်ရှိသည့်ရက်သတ္တပတ်မှစ၍ နာရီတစ်ခုပေါ်တွင် တင်လိုက်သည်။ ထိုနာရီက မည်သူမျှ မသိသေးကြောင်း ပြောသည်။ ဤဗီဒီယိုတွင် မေးခွန်းသုံးခု။ nerf ကို ဘယ်လိုဖမ်းမလဲ။ ဤမီတာက ဘာတွေမြင်နိုင်သလဲ။ Anthropic က ဘာပြောသလဲ။ repo ၏ ခရက်ဒစ်စာကြောင်းတစ်ခုက ကျွန်တော့်ကို ကျယ်လောင်စွာ ရယ်မောစေခဲ့သည်။

0:20 နောက်ဆုံးမှာ ကျွန်တော်ပြောပြပါ့မယ်။ ယနေ့ စက်တင်ဘာလ ၃၀ ရက် ဗုဒ္ဓဟူးနေ့ဖြစ်ပြီး ဤသည်မှာ The Daily Diff ဖြစ်သည်။ ယနေ့ ပုံပြင်သုံးခု၊ နှင့် အကြီးဆုံးတစ်ခုမှာ live nerf ဟုခေါ်သော GitHub repo ဖြစ်သည်။

livenerf: ထွက်ရှိသည့်ရက်သတ္တပတ်မှစ၍ Opus 5.5 တွင် ရက် 30 နာရီ။

0:30 လပေါင်းများစွာကြာအောင် Anthropic သည် ၎င်း၏မော်ဒယ်များကို ထွက်ရှိပြီးနောက် တိတ်တဆိတ် nerf လုပ်သည်ဟု လူများက ပြောကြသည်။ ပုံမှန်သီအိုရီများမှာ ချုံ့ထားသောမော်ဒယ်၊ အမည်တူဖြင့် ပိုသေးငယ်သောမော်ဒယ် သို့မဟုတ် ရိုးရှင်းစွာ စဉ်းစားမှုနည်းခြင်းတို့ဖြစ်သည်။ repo က ယခုအထိ အငြင်းပွားမှုတိုင်းကို vibes versus vibes ဟု ခေါ်သည်။ Opus 5.5 ကို စက်တင်ဘာလ ၂၂ ရက်နေ့တွင် ထွက်ရှိခဲ့သည်။ တစ်ပတ်အကြာတွင် ကျွန်တော် ပြောခဲ့ပြီးဖြစ်သည့်အတိုင်း ၎င်းသည် အခြားမော်ဒယ်များထက် သုံးဆပိုမိုများပြားသော စကားလုံးများကို ရေးသားခဲ့ကာ လွတ်လပ်သောဘုတ်အဖွဲ့၏ ထိပ်ဆုံးနေရာတွင် ရပ်တည်ခဲ့သည်။ median model ထက် သုံးဆပိုမိုများပြားသော စကားလုံးများကို ရေးသားခဲ့သည်။ နှစ်ရက်ခွဲအကြာတွင် ninja hawk ဟုခေါ်သော ဆော့ဖ်ဝဲရေးသားသူတစ်ဦးသည် နာရီကို စတင်ခဲ့သည်။

0:59 ရက် ၃၀ အတွက် တစ်နေ့တစ်ကြိမ်၊ မည်သူမျှ မပြင်ဆင်နိုင်သော မှတ်တမ်းများနှင့်အတူ။ The Hacker News thread သည် အမှတ် ၈၀၀ နီးပါး ရရှိခဲ့ပြီး အဖွဲ့လိုက်ချတ်ကဲ့သို့ ကွဲသွားခဲ့သည်။ မှတ်ချက်ပေးသူတစ်ဦးက nerf လုပ်ထားသော မော်ဒယ်များသည် အစီရင်ခံထားသော ကိစ္စအများစုတွင် တကယ်မရှိဟု ဆိုသည်။ နောက်တစ်ဦးက လူများသည် ဉာဏ်ရည်ဉာဏ်သွေးအဆင့်သစ်နှင့် ရင်းနှီးလာခြင်းသာဖြစ်သည်ဟု ဆိုသည်။ Claude Code ပါဝါအသုံးပြုသူတစ်ဦးသည် Claude ကို အဆင့်သတ်မှတ်ခြင်းက ပိုမိုဆိုးရွားစေသည်ဟု ထင်ရသောကြောင့် rate-this-session pop-up ကို အမြဲတမ်း ပယ်ချနေသည်။ pop-up ကို အမြဲတမ်း ပယ်ချနေသည်။ Peer review။ ထို့ကြောင့် မေးခွန်းတစ်၊ nerf ကို ဘယ်လိုဖမ်းမလဲ။

nerf ကို ဘယ်လိုဖမ်းမလဲ- တစ်ခါတစ်ရံ မှန်ကန်သော မေးခွန်း ၇၈ ခု။

1:27 သင်သည် ခက်ခဲသော စာမေးပွဲမေးခွန်းပေါင်း ၂,၃၀၀ ခန့်ဖြင့် စတင်သည်။ Opus သည် ပထမအကြိမ်တွင် ၉၃ ရာခိုင်နှုန်းကို မှန်ကန်စွာဖြေဆိုသည်။ ၎င်းသည် detector အတွက် အသုံးမဝင်ပါ၊ အဘယ်ကြောင့်ဆိုသော် အမြဲတမ်းမှန်ကန်သော မေးခွန်းတစ်ခုသည် ကျဆင်းမသွားနိုင်သောကြောင့်ဖြစ်သည်။ ၉၇ ရာခိုင်နှုန်းသည် အမြဲတမ်းမှန်ကန်သည် သို့မဟုတ် အမြဲတမ်းမှားယွင်းသည်။ ၎င်းသည် တစ်ခါတစ်ရံမှသာ မှန်ကန်စွာဖြေဆိုနိုင်သော ၇၈ ခုသည် panel ဖြစ်လာသည်။ တူညီသော prompt၊ ကိရိယာမပါ၊ AI judge မပါဘဲ တိကျသောကိုက်ညီမှုဖြင့် အဆင့်သတ်မှတ်ခြင်း။ အဘယ်ကြောင့်ဆိုသော် judge သည်လည်း လွင့်မျောသွားနိုင်သောကြောင့်ဖြစ်သည်။ ၎င်းသည် headless Claude Code မှတစ်ဆင့် Max subscription တွင် လည်ပတ်သည်။

1:55 အဘယ်ကြောင့်ဆိုသော် API ဗားရှင်းသည် တစ်လလျှင် ဒေါ်လာ ၁,၆၀၀ ခန့် တန်ဖိုးရှိသောကြောင့်ဖြစ်သည်။ Claude Code ဗားရှင်းကို ချိတ်ထားသည်။ အဘယ်ကြောင့်ဆိုသော် repo ၏စကားလုံးများအရ၊ ပြောင်းလဲထားသော harness သည် ပြောင်းလဲထားသော model နှင့် အတိအကျတူညီသည်။ စာရင်းအင်းများသည် Anthropic မှ Evan Miller ၏ Adding Error Bars to Evals ဟုခေါ်သော စာတမ်းမှ လာသည်။ Anthropic မှ Evan Miller ၏ Add Error Bars to Evals ဟုခေါ်သော စာတမ်းမှ လာသည်။ ထို့ကြောင့် Anthropic ၏ ကိုယ်ပိုင်သင်္ချာသည် Anthropic ကို စစ်ဆေးနေသည်။ ၎င်းသည် ပညာရပ်ဆိုင်ရာ ဗားရှင်းဖြစ်သည်။ ဖောက်သည်ဝန်ဆောင်မှုသို့ ဝန်ဆောင်မှုစည်းကမ်းသတ်မှတ်ချက်များကို ပြန်ကိုးကားခြင်း။

၎င်းမြင်နိုင်သောအရာ- ၇.၅ မှတ်၊ နှင့် တိုကင်အရေအတွက်သည် ဦးစွာရွေ့လျားသည်။

2:19 မေးခွန်းနှစ်၊ ၎င်း ဘာတွေမြင်နိုင်သလဲ။ ဆယ်ရက်ကြာကာလအတွင်း ၇.၅ မှတ်ခန့် ကျဆင်းခြင်း။ စက်ကိရိယာအလုပ်လုပ်ကြောင်း သက်သေပြရန်၊ စာရေးသူသည် Claude ၏ကြိုးစားမှုကို ရည်ရွယ်ချက်ရှိရှိ လျှော့ချခဲ့သည်။ အလယ်အလတ်ကြိုးစားမှုသည် အထွက်နှုန်းကို လေးပုံတစ်ပုံခန့် လျှော့ချခဲ့ပြီး ရမှတ်ကို လေးမှတ်သာ လျှော့ချခဲ့သည်။ အားနည်းသော ကြိုးစားမှုသည် အထွက်နှုန်းကို သုံးပုံနှစ်ပုံနီးပါး လျှော့ချခဲ့သည်။ ရှစ်မှတ်အတွက်။ အဲဒါက ခိုးယူရမယ့်အပိုင်းပဲ။ စဉ်းစားမှုနည်းခြင်းသည် အဖြေများတွင် မပေါ်ခင် တိုကင်အရေအတွက်တွင် ပေါ်လာသည်။

2:43 ထို့ကြောင့် သင့်မော်ဒယ်ဗားရှင်းကို ချိတ်ပါ၊ အလုပ်တစ်ခုစီအတွက် အထွက်တိုကင်များကို မှတ်တမ်းတင်ပါ။ သင့်ကိုယ်ပိုင် အေးခဲထားသော မေးခွန်းအနည်းငယ်ကို သိမ်းထားပါ။ သင့်အေးဂျင့်သည် ရုတ်တရက် ပိုတိုတို ရေးသားပါက Reddit ကို မစစ်ဆေးမီ သင့်မှတ်တမ်းများကို စစ်ဆေးပါ။ ဤသည်မှာ ရိုးသားသောအပိုင်းဖြစ်သည်။

မျက်ကွယ်- Opus 5 အလဲအလှယ်နှင့် မှားယွင်းသောအဖြေ ၈ ခု။

2:54 အဟောင်း Opus 5 ကို တိတ်တဆိတ် လဲလှယ်ခြင်းသည် စက်ကိရိယာအတွက် ခေါ်ဆိုရန် အလွန်သေးငယ်သော ပြောင်းလဲမှုဖြစ်ပြီး၊ readme ကလည်း ရှေ့ဆုံးမှာ ပြောထားတယ်။ စစ်ဆေးမှုတွင် မှားယွင်းသည်ဟု ထင်ရသော အဖြေ ၈ ခုကိုလည်း တွေ့ရှိခဲ့သည်။ ထို့ကြောင့် nerf detector သည် nerf ကို မတွေ့မီ benchmark တွင် bugs များကို တွေ့ရှိခဲ့သည်။

Anthropic: ကျွန်ုပ်တို့သည် မော်ဒယ်အရည်အသွေးကို ဘယ်တော့မှ မလျှော့ချပါ။

3:08 မေးခွန်းသုံး၊ Anthropic က ဘာပြောသလဲ။ ပြီးခဲ့သည့်နှစ်က တိုင်ကြားမှုများလှိုင်းလုံးပြီးနောက် Anthropic သည် postmortem ကို ထုတ်ပြန်ခဲ့သည်။ ၎င်းက ကိုးကားဖော်ပြသည်- ကျွန်ုပ်တို့သည် ဝယ်လိုအားကြောင့် မော်ဒယ်အရည်အသွေးကို ဘယ်တော့မှ မလျှော့ချပါ။ နေ့အချိန် သို့မဟုတ် ဆာဗာဝန်ပမာဏ။ တူညီသောပို့စ်တွင် Claude ကို ကျဆင်းစေခဲ့သော bugs သုံးခုကို ဝန်ခံထားပြီး Claude Code အသုံးပြုသူများ၏ သုံးပုံတစ်ပုံနီးပါးသည် အနည်းဆုံးတစ်ကြိမ် မှားယွင်းသောဆာဗာများကို ဝင်ရောက်မိခဲ့သည်။ ထို့ကြောင့် တိုင်ကြားမှုများသည် တကယ်ဖြစ်ပြီး အကြောင်းရင်းမှာ bugs များဖြစ်သည်။ ထို့ကြောင့် repo က ထွက်ရှိသည့်ရက်သတ္တပတ်သည် အဆိုးဆုံးရက်သတ္တပတ် ဖြစ်နိုင်သည်ဟု သတိပေးထားသည်။

3:35 ရက် ၃၀ တွင် ခြောက်ရက် ပြီးစီးသွားပြီဖြစ်သည်။ ပထမဆုံး ဖြစ်နိုင်ခြေရှိသော ခေါ်ဆိုမှုသည် အောက်တိုဘာလ ၂၄ ရက်နေ့ဝန်းကျင်တွင် ရောက်ရှိလာသည်။ ထို့ကြောင့် ရိုးသားသောအဖြေမှာ မည်သူမျှမသိ၊ သေချာသောသူများ အားလုံးအပါအဝင် ဖြစ်သည်။ မည်သူမျှ မထုတ်ပြန်သော နံပါတ်များအကြောင်း ပြောရလျှင်။

ဒေတာစင်တာများသည် ၎င်းတို့၏နံပါတ်များကို လျှို့ဝှက်ထားပြီး Backblaze မှ ထုတ်ပြန်သည်။

3:46 Lighthouse Reports နှင့် ဒတ်ခ်ျသတင်းစာ Trouw တို့သည် ဥရောပဒေတာစင်တာအများစုမှာ ၎င်းတို့၏ ပါဝါနှင့် ရေအသုံးပြုမှုကို လျှို့ဝှက်ထားကြောင်း တွေ့ရှိခဲ့သည်။ EU စည်းမျဉ်းအရ သုံးနှစ်တာကာလအတွက် အစီရင်ခံရန် လိုအပ်သော်လည်း။ နယ်သာလန်တွင် လေးပုံတစ်ပုံအောက်သာ ထုတ်ပြန်ကြသည်။ Microsoft ဒေတာစင်တာတစ်ခုတည်းပင် ဒတ်ခ်ျလျှပ်စစ်ဓာတ်အား၏ တစ်ရာခိုင်နှုန်းခန့်ကို အသုံးပြုသည်။ ဤအတောအတွင်း Backblaze သည် ထပ်မံ၍ ပျင်းရိဖွယ်ကောင်းသော အလုပ်ကို လုပ်ခဲ့သည်။ ၎င်း၏ သုံးလပတ် drive စာရင်းအင်းများသည် hard drive ပေါင်း ၃၅၀,၀၀၀ ခန့်ကို အကျုံးဝင်သည်။ ပျက်စီးမှုနှုန်းသည် ၁.၇၃ ရာခိုင်နှုန်းအထိ မြင့်တက်ခဲ့သည်။

4:16 အချိန်အတော်ကြာအတွင်း အမြင့်ဆုံးဖြစ်သည်။ Seagate မော်ဒယ် သုံးခုတွင် ပျက်စီးမှု မရှိခဲ့ပါ။ အဲဒါကတော့ ၁၃ နှစ်တာကာလအတွက် သုံးလပတ်တိုင်းမှာ အများပြည်သူဆိုင်ရာ အခြေခံမျဉ်းက ဒီလိုပုံစံမျိုးပဲ။ ၁၃ နှစ်တာကာလအတွက်။

ခရက်ဒစ်စာကြောင်း- Claude သည် မီတာကို တည်ဆောက်ရာတွင် ကူညီခဲ့သည်။

4:25 ကဲ၊ အဲဒီ ခရက်ဒစ်စာကြောင်း။ readme က repo ရဲ့ အများစုကို Claude ရဲ့အကူအညီနဲ့ ရေးခဲ့တယ်လို့ ဝန်ခံထားပါတယ်။ အဲဒါက တိုင်းတာနေတဲ့ မော်ဒယ်ပဲ။ ဒါကြောင့် Claude ဟာ Claude ပိုညံ့ဖျင်းလာသလားဆိုတာကို စစ်ဆေးတဲ့ မီတာကို တည်ဆောက်ရာမှာ ကူညီခဲ့ပါတယ်။ ဒါကြောင့် graders တွေက ရိုးရှင်းတဲ့ functions တွေပါ။ စာရေးသူရဲ့ စကားလုံးတွေအရ၊ စာရေးသူကို ယုံကြည်ဖို့ မလိုပါဘူး။ လူသားဖြစ်စေ၊ အခြားနည်းဖြင့်ဖြစ်စေ။ ကျွန်တော်ပြောတာကို နားထောင်မယ့်အစား ဒီဟာကို ဖတ်ချင်တယ်ဆိုရင်တော့ diff က သင့် inbox ထဲကို

4:46 မနက်တိုင်း ရောက်လာပါလိမ့်မယ်၊ the daily diff dot dev မှာ အခမဲ့ရနိုင်ပါတယ်။ လင့်ခ်က အောက်မှာပါ။ ဒါဆို live nerf အပေါ် ဒီနေ့ရဲ့ စီရင်ချက်ကတော့။

စီရင်ချက်- SHIP IT၊ နှင့် အောက်တိုဘာ ၂၄ ရက်မတိုင်မီ မကိုးကားပါနှင့်။

4:51 SHIP IT။ ကျွန်တော် SHIP IT လုပ်ပါ့မယ်။ ဘာလို့လဲဆိုတော့ ဒါဟာ ကျွန်တော်မြင်ဖူးတဲ့ ပထမဆုံး nerf ငြင်းခုံမှုဖြစ်ပြီး အချိန်တံဆိပ်၊ အများပြည်သူဆိုင်ရာ စည်းမျဉ်းစာအုပ်နဲ့ ဖော်ပြထားတဲ့ မျက်ကွယ်လည်း ပါပါတယ်။ အောက်တိုဘာလ ၂၄ ရက်နေ့မတိုင်မီ မကိုးကားပါနဲ့။ ဒါကတော့ ဒီနေ့အတွက် diff ပါ။ ကျွန်တော်က Axrisi က Niko ပါ။ တာဝန်ယူမှုရှိရှိ ပေါင်းစည်းပါ။

ရင်းမြစ်များ

1. livenerfgithub.com
2. Validationgithub.com
3. Hacker Newsnews.ycombinator.com
4. Anthropic postmortem (Sep 2025)www.anthropic.com
5. Adding Error Bars to Evals (Evan Miller)arxiv.org
6. Inspect (UK AI Security Institute)inspect.aisi.org.uk
7. NL Timesnltimes.nl
8. Hacker Newsnews.ycombinator.com
9. Backblaze Drive Stats Q2 2026www.backblaze.com
10. Hacker Newsnews.ycombinator.com