+− THE DAILY DIFFdev & AI news
REVERT

आर्मिन रोनाचरले GPT-6 Astra लाई ३५ घण्टा एक्लै छोडे।

आर्मिन रोनाचर (फ्लास्क, जिनजा) ले GPT-6 Astra लाई एउटा प्रम्प्ट दिएर ३५ घण्टा एक्लै छोडे: लगभग एक बिलियन टोकन, लगभग $१,२००, ७९ कमिट, ७५,००० लाइन — र "बिल्कुलै कुनै मूल्यको केही पनि" पाएनन्।

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

आर्मिन रोनाचर (फ्लास्क, जिनजा) ले GPT-6 Astra लाई एउटा प्रम्प्ट दिएर ३५ घण्टा एक्लै छोडे: लगभग एक बिलियन टोकन, लगभग $१,२००, ७९ कमिट, ७५,००० लाइन — र "बिल्कुलै कुनै मूल्यको केही पनि" पाएनन्। यसले पुन:प्राप्त गरेको कोड नै कथा हो: C फाइलहरू पाइथन स्ट्रिङ-स्प्लिसिङ हेरेडकहरूद्वारा प्याच गरिएका, पाइथनले नोडलाई स्पोन गर्ने र नोडले पावरशेललाई स्पोन गर्ने, टोकनमा १०% सस्तो हुने भएकोले ह्वाइटस्पेस हटाइएका युनिट टेस्टहरू। दुईवटा मापनले उनको भनाइलाई समर्थन गर्छन्: एरेन्डिलको स्लोपकोडबेन्च नम्बरहरू (एजेन्ट कोड मानवीय रिपोको तुलनामा लगभग दोब्बर भर्बोज र कमजोर, ०% स्ट्रिक्ट पास दर) र क्वेस्माको RTK को $१,५०० बेन्चमार्क (७९k ताराहरू, यसको आफ्नै काउन्टरमा "८९% टोकन बचत", डीपसीकसँग प्रति कार्य +१७%)। साथै: कोग्निसनको SWE-2 (ट्रेन्च कोटमा किमि K3, टर्मिनल-बेन्च २.१ मा ९२.८ बनाम टर्मिनल-बेन्च ४ मा २७.३), ओपनएआईको एजेन्ट API र रोकिएका $२०० प्रो साइन-अपहरू, र शुक्रबार ह्याकर न्यूजले कम AI समाचारको लागि अनुरोध गर्यो। निर्णय: REVERT।

लिखित संस्करण पढ्नुहोस् (अंग्रेजी) ↗

यो भिडियोले के समेट्छ

  • आर्मिन रोनाचर: ३५ घण्टा बिना सुपरिवेक्षण GPT-6 Astra, ~$१,२००, ७९ कमिट, +७५ हजार लाइन, केही पनि शिप गरिएन
  • एरेन्डिल / स्लोपकोडबेन्च: एजेन्ट कोड मानवीय रिपोको तुलनामा ~२ गुणा भर्बोज र कमजोर; स्ट्रिक्ट पास दर ०%
  • क्वेस्मा: RTK ले ८९% टोकन बचत गरेको रिपोर्ट गर्छ, तर डीपसीकसँग टर्मिनल-बेन्च लागत १७% ले बढ्छ; एक रिट्राइट लुप लगातार ३३९ पटक असफल भयो।
  • कग्निसन SWE-2: किमि K3 बाट पोस्ट-ट्रेन्ड, तेस्रो मूल्यमा फ्रन्टियरकोडमा फेबल ५.१ सँग मेल खान्छ; TB २.१ मा ९२.८ बनाम TB ४ मा २७.३; डेभिन भ्वाइस
  • OpenAI एजेंट्स API (Codex हार्नेस एक सेवाको रूपमा, केवल अमेरिकामा, ZDR छैन); Astra को मागको कारण $२०० प्रो साइन-अप रोकिएको।

प्रश्न र उत्तर

GPT-6 Astra जस्ता कोडिङ एजेन्टलाई ३५ घण्टासम्म नछोडी काम गर्न छोड्दा के हुन्छ?

Flask र Jinja लेख्ने आर्मिन रोनाचरले GPT-6 Astra लाई एउटा प्रम्प्ट दिएर ३५ घण्टा एक्लै छोडेका थिए। यसले लगभग एक बिलियन टोकन प्रयोग गर्‍यो, लगभग बाह्र सय डलर खर्च भयो र ७९ कमिट र ७५,००० लाइनहरू उत्पादन गर्‍यो, जसलाई उनले 'पूर्ण रूपमा मूल्यहीन' भनेर वर्णन गरे। कोडले C फाइलहरूलाई Python heredocs सँग प्याच गरेको थियो र युनिट परीक्षणहरूमा ह्वाइटस्पेस हटाइएको थियो किनभने टोकनहरूमा त्यो १०% सस्तो हुन्छ।

lucumr.pocoo.org · news.ycombinator.com

के एआई एजेन्टहरूद्वारा लेखिएको कोड मानव-लिखित कोडभन्दा स्पष्ट रूपमा खराब हुन्छ?

Earendil को SlopCodeBench नम्बरहरूले एजेन्ट कोडलाई मानव भण्डारहरूसँग तुलना गर्दा लगभग दुई गुणा अधिक वर्बोज र दुई गुणा अधिक खिया लागेको फेला पारे। जब बेन्चमार्कले चेकपोइन्टहरू बीच एजेन्टको मेमोरी मेटाएको थियो, परीक्षण गरिएका प्रत्येक मोडेलको लागि कडा पास दर ०% थियो। अनुसन्धानकर्ताहरूले फेला पारेको सबैभन्दा भरपर्दो स्लोप मेट्रिक कच्चा लाइन गणना थियो।

earendil.com · news.ycombinator.com

के RTK जस्ता टोकन बचत गर्ने उपकरणहरूले वास्तवमा कोडिङ एजेन्ट चलाउने लागत घटाउँछन्?

टर्मिनल-बेन्चमा $१,५०० टोकनहरू सहित चलाइएको RTK को Quesma को लागत बेन्चमार्कले यसले विश्वसनीय रूपमा लागत घटाउँदैन भनेर पत्ता लगायो। Fable सँग बिल पाँच प्रतिशतले घट्यो, लगभग सबै एउटा कार्यबाट, जबकि DeepSeek सँग औसत कार्य लागत १७% बढी थियो। RTK को आफ्नै काउन्टरले ८९% बचत भएको रिपोर्ट गर्‍यो किनभने यसले हटाइएका बाइटहरू गणना गर्दछ। एउटा संस्करण बगले ३३९ पटक दोहोरिएको असफल कमाण्ड लुप पनि निम्त्यायो।

quesma.com · github.com

Cognition को SWE-2 मोडेल के हो र यो अन्य कोडिङ मोडेलहरूसँग कसरी तुलना गर्छ?

Cognition को SWE-2 Kimi K3 हो, खुला चिनियाँ मोडेल, जसलाई Cognition को आफ्नै FrontierCode बेन्चमार्कमा Fable 5.1 सँग मिलाउन तेस्रो मूल्यमा पोस्ट-ट्रेन गरिएको छ। यसले टर्मिनल-बेन्च २.१ मा ९२.८ अंक प्राप्त गर्दछ, तर टर्मिनल-बेन्च ४ मा २७.३ अंक, जसलाई एपिसोडले 'अहिलेसम्म कसैले याद नगरेको बेन्चमार्क' भनेर वर्णन गरेको थियो। Cognition ले Devin Voice को पनि घोषणा गर्‍यो।

cognition.com · news.ycombinator.com

के टोलीहरूले एआई कोडिङ एजेन्टहरूलाई पूरै परियोजनाहरूमा नछोडी चलाउन दिनुपर्छ?

The Daily Diff को फैसला REVERT थियो। कसैले नपढेका उनासी कमिटहरू गिट लगसँगको दायित्व बराबर हुन्छ। रोनाचरको सिद्धान्त थियो कि मोडेलहरूलाई लामो कार्यहरू पूरा गरेकोमा इनाम दिइन्छ र नराम्रो कोडको लागि शायदै दण्डित गरिन्छ, त्यसैले जति कम मानिसहरूले हेर्छन्, त्यति नै कम यसले फरक पार्छ। एपिसोडले Astra लाई प्रभावशाली र नछोडेको कारखानालाई रोलब्याक गर्ने भाग भन्यो।

lucumr.pocoo.org · earendil.com

अनुवादित ट्रान्सक्रिप्ट

मूल अंग्रेजी कथाबाट अनुवादित। उपलब्ध अडियो र क्याप्सनहरू YouTube द्वारा नियन्त्रित हुन्छन्।

0:00 फ्लास्क लेख्ने मानिस आर्मिन रोनाचरले GPT-6 Astra लाई एउटै प्रम्प्ट दिए र यसलाई पैंतीस घण्टा एक्लै छोडे। यसले पचहत्तर हजार लाइन कोड फर्कायो र, उनको शब्दमा, बिल्कुलै कुनै मूल्यको केही पनि पाएन, जसले यसलाई अहिलेसम्म निर्माण गरिएको सबैभन्दा यथार्थवादी सफ्टवेयर फ्याक्ट्री बनाउँछ। उनले बुधबार लेख प्रकाशित गरे। बिहीबार, कोग्निसनले SWE-2 शिप गर्यो, र OpenAI ले एजेंट्स API शिप गर्यो र यसको दुई सय डलरको योजनाको लागि साइन-अप रोक्यो,

0:24 किनभने Astra ले सर्भरहरू खायो। र शुक्रबार त्यो लेख ह्याकर न्यूजको अग्र पृष्ठमा पुग्यो, ह्याकर न्यूजलाई कृपया AI बारे पोस्ट गर्न बन्द गर्न अनुरोध गर्ने पोस्टको केही पङ्क्ति तल। यस भिडियोमा: एक दिन र आधाको सुपरिवेक्षण नगरिएको Astra ले के उत्पादन गर्छ, फोहोरलाई संख्यामा परिणत गर्ने दुईवटा मापन, उनासी हजार तारा भएको उपकरणले किन तपाईंको बिल बढाउँछ, र ह्याकर न्यूजले कसरी AI प्रयोग गरेर AI लाई फिल्टर गर्ने प्रयास गर्यो। AI प्रयोग गरेर AI लाई फिल्टर गर्ने प्रयास गर्यो। यो शुक्रबार, सेप्टेम्बर ११ हो, र यो The Daily Diff हो।

0:53 फ्याक्ट्री। एउटा प्रम्प्ट: भर्चुअल थ्रेड र लेक्सिकल स्कोपिङसहितको पाइथन बनाउनुहोस्। Astra ले आफ्नै नोटहरू राख्यो, आफ्नै सबएजेन्टहरू स्पिन अप गर्यो, र आर्मिनले प्लग नतानदासम्म चल्यो, डेढ दिन र लगभग बाह्र सय डलर पछि। उनासी कमिट, त्यसैले प्रति कमिट साढे पन्ध्र डलर, जुन लगभग मानवले लिने शुल्क हो, बाहेक मानव अन्ततः रोकिन्छ। जुन लगभग मानवले लिने शुल्क हो, बाहेक मानव अन्ततः रोकिन्छ। कोड नै कथा हो। एडिट उपकरणको सट्टा, Astra ले पाइथन हेरेडकहरू पाइप गरेर C फाइलहरू प्याच गर्छ जसले फाइल पढ्छ, स्ट्रिङ-रप्लेस गरेर एउटा फंक्शन राख्छ, र यसलाई फिर्ता लेख्छ।

1:20 एउटा विन्डोज परीक्षण चलाउन यसले पाइथन लेख्यो जसले नोडलाई स्पोन गर्यो जसले पावरशेललाई स्पोन गर्यो, पासपोर्ट भएको कल स्ट्याक। यसले कमिट गरेका युनिट टेस्टहरूमा कुनै ह्वाइटस्पेस छैन, किनभने इन्डेन्टेसन बिना तिनीहरू टोकनमा दश प्रतिशत सस्तो हुन्छन्। र कार्य सूची एक, दुई, तीनबाट कार्य 8b2c2b2b चेकपोइन्ट एकमा सर्यो, जुन तपाईंलाई थाहा हुन्छ कि इन्टर्न धेरै लामो समयसम्म एक्लै बसेको छ। आर्मिनको सिद्धान्त: मोडेललाई लामो कार्यहरू पूरा गरेबापत पुरस्कृत गरिन्छ र कुरूप कोडको लागि मुश्किलै सजाय दिइन्छ, त्यसैले टोकन-गल्फड उपकरण कलहरू कोडबेसमा चुहावट हुन्छन्,

1:48 र जति कम मानिसहरूले हेर्छन्, त्यति नै कम यसले फरक पार्छ। उनले त्यो खण्डलाई 'यदि तपाईंले हेर्नुभएन भने यो AGI हो' भनेर शीर्षक दिएका थिए। ह्याकर न्यूजले अर्थशास्त्र थप्यो: थप कोड भनेको यसलाई कायम राख्न थप टोकनहरू हुन्, जसले फोहोरलाई बग होइन, सदस्यता बनाउँछ। के तपाईं फोहोर नाप्न सक्नुहुन्छ? आर्मिनको आफ्नै कम्पनीले यो हप्ता प्रयास गर्यो। इरेन्डिलले स्लोपकोडबेन्च नम्बरहरू चलायो: एजेन्ट कोड मानवीय रिपोजको तुलनामा लगभग दोब्बर भर्बोज र दोब्बर कमजोर छ जससँग यसको तुलना गरिएको छ,

2:10 र जब बेन्चमार्कले चेकपोइन्टहरू बीच एजेन्टको मेमोरी मेटाउँछ, तिनीहरूले परीक्षण गरेका प्रत्येक मोडेलको कठोर पास दर शून्य हुन्छ। तिनीहरूले फेला पारेको सबैभन्दा भरपर्दो फोहोर मेट्रिक कच्चा रेखा गणना थियो, जसले कसैले यसको लागि अनुकूलन गर्ने बित्तिकै काम गर्न छोड्छ, त्यसैले कृपया मोडेलहरूलाई नभन्नुहोस्। त्यसपछि वालेट। RTK सँग उनासी हजार GitHub ताराहरू र YouTube थम्बनेलहरू छन् जसले तपाईंको क्लाउड कोड बिल आधा गर्ने वाचा गर्छन्; यसले एजेन्टले पढ्नु अघि टर्मिनल आउटपुटलाई कम्प्रेस गर्छ। क्वेस्माले यसलाई टर्मिनल-बेन्चमा पन्ध्र सय डलरको टोकनमा चलायो।

2:34 वाचा गर्छन्; यसले एजेन्टले पढ्नु अघि टर्मिनल आउटपुटलाई कम्प्रेस गर्छ। क्वेस्माले यसलाई टर्मिनल-बेन्चमा पन्ध्र सय डलरको टोकनमा चलायो। फेबलसँग बिल पाँच प्रतिशतले घट्यो, लगभग सबै एउटा कार्यबाट; डीपसीकसँग औसत कार्य सत्र प्रतिशतले महँगो भयो। यसैबीच RTK को आफ्नै काउन्टरले उनासी प्रतिशत बचत भएको रिपोर्ट गर्यो, किनभने यसले हटाइएका बाइटहरू गन्छ, अतिरिक्त पालोहरू होइन: एक स्मार्ट मिटर जसले छिमेकीलाई बिल गर्छ। र एक संस्करण बगले 'find' लाई असफल हुने कमाण्डमा पुनः लेख्यो, लगातार तीन सय उनान्चालिस पटक, नौ गुणा बढी मूल्यमा।

3:01 टोकन मार्ने उपकरणमा एउटा लुप छ। बाढी आफैं। कग्निसनको SWE-2 भनेको किमि K3 हो, खुला चिनियाँ मोडेल, पोस्ट-ट्रेन्ड गरिएको छ जबसम्म यसले कग्निसनको आफ्नै बेन्चमार्कमा फेबल ५.१ सँग तेस्रो मूल्यमा मेल खाँदैन; ह्याकर न्यूज: किन सबै अमेरिकी AI मोडेलहरू मूलतः ट्रेन्च कोटमा किमि हुन्। मूल्यमा मेल खाँदैन; ह्याकर न्यूज: किन सबै अमेरिकी AI मोडेलहरू मूलतः ट्रेन्च कोटमा किमि हुन्। टर्मिनल-बेन्च २.१ मा यसले पूरै तालिकामा शीर्ष स्थान ओगटेको छ; टर्मिनल-बेन्च ४ मा, जुन अहिलेसम्म कसैले पनि कण्ठ गरिसकेका छैनन्, यसले फेबलको ५६ मा २७ अंक प्राप्त गर्यो,

3:28 त्यसैले स्लाइड-डेक बेन्चमार्कहरूमा सबैभन्दा राम्रो स्तम्भ भनेको सबैले पहिले नै पास गरिसकेको परीक्षा हो। कग्निसनले डेभिन भ्वाइस पनि घोषणा गर्यो, तपाईंको मनपर्ने AI सफ्टवेयर इन्जिनियरले भर्खरै ल्यान्डलाइन पाएका छन्, किनभने एजेन्टिक कोडिङमा एउटै कुरा छुटेको थियो होल्ड म्युजिक। ओपनएआई, सोही दिन: एजेंट्स एपीआई, जुन कोडक्स हार्नेसलाई सेवाको रूपमा बेचिएको छ। ओपनएआईले स्यान्डबक्स चलाउँछ, अमेरिकाको डाटा रेसिडेन्सी मात्र, शून्य-डाटा-रिटेन्सन छैन, त्यसैले एजेन्टले तपाईंको कोडबेसलाई ChatGPT ले जस्तै राम्ररी सम्झन्छ। त्यसपछि OpenAI ले दुई सय डलरको प्रो योजनाको लागि साइन-अप रोक्यो,

3:57 किनभने Astra को माग, उद्धरणमा, अभूतपूर्व छ: वेटलिस्ट भएको पहिलो उत्पादन थप तिर्नको लागि। आर्मिनले आफ्नो कारखानाको पूर्ण रिसेट जलाए। उनी नै माग हुन्। जसले हामीलाई शुक्रबारको Ask HN मा ल्याउँछ: के हामी कृपया AI समाचारको बाढीलाई सीमित गर्न सक्छौं, छ सय छपन्न अंक, किनभने, उद्धरणमा, "जब OpenAI वा Anthropic मा कसैले हावा फाल्छ, त्यहाँ शीर्ष-दश पोस्ट हुन्छ।"

4:17 जवाफहरू फिल्टरहरू थिए: hcker.news ले आठ हजार उदाहरणहरूमा प्रशिक्षित BERT क्लासिफायरको साथ AI कथाहरू हटाउँछ, AI लाई AI मेटाउन, ग्रास-फेड; र ए-आई लाई केस-इनसेंसिटिभ रूपमा मिल्ने uBlock regex ले ईमेल, डेली, मेन, डोमेन र ट्रेन पनि मेटाउँछ, त्यसैले regex, सधैं जस्तै, ग्रास-फेड; र ए-आई लाई केस-इनसेंसिटिभ रूपमा मिल्ने uBlock regex ले ईमेल, डेली, मेन, डोमेन र ट्रेन पनि मेटाउँछ, त्यसैले regex, सधैं जस्तै, खलनायक हो। त्यही दिउँसो, चार सय पन्ध्र टिप्पणीहरू एउटा क्लाउड समर्थन पृष्ठको बारेमा तर्क गरे जसमा क्लाउड अठार-प्लस भनिएको थियो।

4:38 पृष्ठ मे महिनाको हो। केही परिवर्तन भएन। समाचार नभएको AI समाचार पनि समाचार हो, जुन, निष्पक्ष हुन, मेरो व्यापार मोडेल पनि हो। यदि तपाईं मलाई यो भनिरहेको सुन्नु भन्दा यो पढ्न चाहनुहुन्छ भने, diff हरेक बिहान तपाईंको इनबक्समा आउँछ — thedailydiff.dev मा निःशुल्क, लिङ्क तल। यो, अनिवार्य रूपमा, AI समाचार हो। त्यसैले — आजको पैंतीस घण्टाको सफ्टवेयर फ्याक्ट्रीमा निर्णय: REVERT। कसैले नपढेका उनासी कमिटहरू कोडबेस होइनन्, यो git

5:04 लग भएको दायित्व हो; Astra प्रभावशाली छ, र फ्याक्ट्री नै फिर्ता लिने भाग हो। र आजको लागि यति नै diff। म Axrisi बाट निको हुँ। जिम्मेवारीपूर्वक मर्ज गर्नुहोस्।

स्रोतहरू

  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

सम्बन्धित भिडियोहरू

daily · ne · २०२६ सेप्टेम्बर ३०

OpenAI DevDay 2026: 20+ घोषणाहरू, डट्स देखि GPT-6.1 Sol सम्म

OpenAI को DevDay 2026 किनोट, व्याख्या गरिएको: डट्स (आफ्नै क्लाउड कम्प्युटर भएका सधैं-अन एजेन्टहरू), ChatGPT Space र Pages, GPT-6.1 Sol प्रति मिलियन टोकन $2 / $10 मा, Ultrafast र Pro 500 योजना, Decisio

8:13 ↗
daily · ne · २०२६ नोभेम्बर १७

विन्डोज ११ ले तपाईले चलाउने कोडिङ एजेन्टहरू लग गर्न सक्छ: एक शोधकर्ताले के फेला पारे

सुरक्षा शोधकर्ता सुसेङ लीले रिपोर्ट गरेका छन् कि एक विन्डोज ११ बिल्डले कोडेक्स, क्लाउड कोड र कोपायलट जस्ता कोडिङ एजेन्टहरूको लागि दैनिक हो वा होइन झण्डा राख्छ, र यसलाई वैकल्पिक डायग्नोस्टिक डेटाको रूप

4:55 ↗
daily · ne · २०२६ अक्टोबर १

जेमिनी ४ आर्गन गुगलको सबैभन्दा राम्रो मोडेल हो। तपाईले यसलाई अझै प्रयोग गर्न सक्नुहुन्न।

गुगलले जेमिनी ४ आर्गन, आफ्नो नयाँ फ्रन्टियर मोडेल घोषणा गर्‍यो, र केवल विश्वसनीय साइबर डिफेन्डरहरूले यसलाई प्रयोग गर्न सक्छन्। यहाँ गुगलको आफ्नै १९-पंक्ति बेन्चमार्क तालिकाले के देखाउँछ, स्वतन्त्र लिड

4:53 ↗
daily · ne · २०२६ नोभेम्बर ६

क्लाउड कोडले प्रयोगकर्ताहरूको इमेल ठेगाना वेबसाइटहरूमा सम्पर्क ठेगानाको रूपमा पठायो

क्लाउड कोडले साइन-इन गरिएको खाताको इमेल ठेगाना मोडेलको सन्दर्भमा थप्यो, र एजेन्टले कहिलेकाहीं त्यस ठेगानालाई त्यस्ता साइटहरूका लागि लेखेको curl अनुरोधहरूको User-Agent हेडरमा राख्यो जसले स्क्रिप्टहरूला

5:08 ↗