ආමින් රොනාචර් GPT-6 Astra තනි කර පැය 35ක් තැබීය.

මෙම වීඩියෝවෙන් ආවරණය වන දේ

• ආමින් රොනාචර්: නොපෙනෙන GPT-6 Astra පැය 35ක්, ~$1,200, commits 79ක්, +75k පේළි, කිසිවක් යවනු ලැබුවේ නැත
• Earendil / SlopCodeBench: නියෝජිත කේතය මානව repos වලට වඩා ~2× verbosity වැඩි සහ ඛාදනය වී ඇත; strict pass rate 0%
• Quesma: RTK 89% ටෝකන ඉතිරි වූ බව වාර්තා කරයි, නමුත් Terminal-Bench පිරිවැය DeepSeek සමඟ 17% කින් ඉහළ යයි; නැවත ලිවීමේ ලූපයක් අඛණ්ඩව 339 වතාවක් අසාර්ථක විය
• Cognition SWE-2: Kimi K3 වෙතින් post-train කරන ලදී, FrontierCode හි Fable 5.1 ට අනුරූප වේ, මිලෙන් තුනෙන් එකක්; TB 2.1 92.8 එදිරිව TB 4 27.3; Devin Voice
• OpenAI Agents API (සේවාවක් ලෙස Codex harness, US-only, ZDR නැත); Astra ඉල්ලුම හේතුවෙන් $200 Pro ලියාපදිංචි කිරීම් තාවකාලිකව නතර කරන ලදී

පරිවර්තනය කරන ලද පිටපත

මුල් ඉංග්‍රීසි නිරූපණයෙන් පරිවර්තනය කරන ලදී. පවතින ශ්‍රව්‍ය සහ ශීර්ෂ පාඨ YouTube මගින් පාලනය වේ.

0:00 Flask ලියූ ආමින් රොනාචර් GPT-6 Astra හට එක් විමසුමක් ලබා දී පැය තිස් පහක් එය තනි කර තැබීය. එය කේත පේළි හැත්තෑපන් දහසක් සමඟින් නැවත පැමිණි අතර, ඔහුගේ වචන වලින් කියනවා නම්, කිසිදු වටිනාකමක් නැති දෙයක්, එයින් එය වඩාත් යථාර්ථවාදී මෘදුකාංග කර්මාන්ත ශාලාව බවට පත් කරයි. ඔහු බදාදා දින ලිපියක් පළ කළේය. බ්‍රහස්පතින්දා දින Cognition SWE-2 නිකුත් කළ අතර, OpenAI Agents API එකක් නිකුත් කළේය සහ එහි දෙසීයක සැලැස්ම සඳහා ලියාපදිංචි කිරීම් තාවකාලිකව නැවැත්වීය,

0:24 මක්නිසාද යත් Astra සේවාදායකයන් ගිල දැමූ බැවිනි. සහ සිකුරාදා දින එම ලිපිය Hacker News හි පෙරමුණට පැමිණියේය, Hacker News AI ගැන පළ කිරීම නවත්වන ලෙස ඉල්ලා සිටි පෝස්ට් එකකට පේළි කිහිපයක් පහළින්. මෙම වීඩියෝවෙන්: අධීක්ෂණය නොකළ Astra දින එකහමාරකින් නිපදවන දේ, අලසකම අංකයක් බවට පත් කරන මිනුම් දෙකක්, හැත්තෑනව දහසක් ඇති මෙවලමක් තරු ඔබේ බිල විශාල කරන්නේ ඇයි, සහ Hacker News විසින් පෙරීමට උත්සාහ කළේ කෙසේද AI, AI භාවිතා කරමින්. අද සැප්තැම්බර් 11 වන සිකුරාදා, මෙය The Daily Diff.

0:53 කර්මාන්ත ශාලාව. එක් විමසුමක්: virtual threads සහ lexical සහිත Python එකක් සාදන්න scoping. Astra තමන්ගේම සටහන් තබා ගත්තේය, තමන්ගේම subagents කැරකැව්වේය, සහ ආමින් විදුලිය විසන්ධි කරන තුරු ධාවනය විය, දින එකහමාරකට පසු සහ දළ වශයෙන් දොළොස් සියයක් ඩොලර් පසුව. commits හැත්තෑනවයක්, ඒ නිසා එක් commit එකකට ඩොලර් පහළොවහමාරක්, එය මානවයෙකු අය කරන දේට ආසන්නව සමාන වේ, නමුත් මානවයා අවසානයේ නතර වේ. කේතය කතාවයි. සංස්කරණ මෙවලම වෙනුවට, Astra Python heredocs පයිප්ප කිරීමෙන් C ගොනු patch කරයි ගොනුව කියවන, කාර්යයක් string-replace කර නැවත ලියන.

1:20 එක් Windows පරීක්ෂණයක් ධාවනය කිරීමට එය Python ලියා Node spawning කළ PowerShell, විදේශ ගමන් බලපත්‍රයක් සහිත call stack එකක්. එය commit කළ ඒකක පරීක්ෂණවල කිසිදු හිස්තැනක් නැත, මක්නිසාද යත් indentation නොමැතිව ඒවා ටෝකන වලින් දහයෙන් එකක් ලාභදායී වන බැවිනි. සහ කාර්ය ලැයිස්තුව එක, දෙක, තුන සිට task 8b2c2b2b checkpoint එක දක්වා ප්ලාවනය විය, එයින් ඔබ දන්නේ අභ්‍යාසලාභියා වැඩි වේලාවක් තනි වී ඇති බවයි. ආමින්ගේ න්‍යාය: ආකෘතිය දිගු කාර්යයන් අවසන් කිරීම සඳහා ත්‍යාග ලබන අතර යන්තම් අශෝභන කේත සඳහා දඬුවම් නොලබයි, එබැවින් token-golfed tool calls කේත පදනමට කාන්දු වේ,

1:48 සහ අඩුවෙන් මිනිසුන් බලන තරමට, එය අඩු වැදගත්කමක් දරයි. ඔහු එම කොටසට නම් කළේ It's AGI If You Don't Look. Hacker News ආර්ථික විද්‍යාව එකතු කළේය: වැඩි කේතය එය නඩත්තු කිරීමට වැඩි ටෝකන අදහස් කරයි, එය අලසකම දෝෂයක් නොව දායකත්වයක් බවට පත් කරයි. ඔබට අලසකම මැනිය හැකිද? ආමින්ගේම සමාගම මේ සතියේ උත්සාහ කළේය. Earendil SlopCodeBench අංක ධාවනය කළේය: නියෝජිත කේතය දළ වශයෙන් දෙගුණයක් verbosity වැඩි සහ එය සමඟ සැසඳෙන මානව repos වලට වඩා දෙගුණයක් ඛාදනය වී ඇත,

2:10 සහ benchmark checkpoints අතර නියෝජිතයාගේ මතකය පිස දමන විට, ඔවුන් පරීක්ෂා කළ සෑම ආකෘතියකම strict pass rate ශුන්‍ය වේ. ඔවුන් සොයාගත් වඩාත් විශ්වාසදායක අලසකම මිනුම වූයේ අමු පේළි ගණනයි, යමෙකු එය සඳහා ප්‍රශස්ත කරන මොහොතේ එය වැඩ කිරීම නවත්වයි, ඒ නිසා කරුණාකර ආකෘතිවලට කියන්න එපා. ඉන්පසු පසුම්බිය. RTK හට GitHub තරු හැත්තෑනව දහසක් සහ YouTube thumbnails ඇත ඔබේ Claude Code බිල අඩකින් අඩු කරන බවට පොරොන්දු වේ; එය නියෝජිතයා පෙර terminal output සම්පීඩනය කරයි

2:34 එය කියවයි. Quesma එය Terminal-Bench මත ඩොලර් පහළොස් සියයක ටෝකන සඳහා ධාවනය කළේය. Fable සමඟ බිල පහෙන් එකකින් අඩු විය, සියල්ලම පාහේ එක් කාර්යයකින්; DeepSeek සමඟ සාමාන්‍ය කාර්යය සියයට දාහතකින් වඩා මිල අධික විය. මේ අතර RTK හිම කවුන්ටරය 89% ක් ඉතිරි වූ බව වාර්තා කළේය, මක්නිසාද යත් එය ඉවත් කරන ලද බයිට් ගණන් කරන බැවිනි, අමතර වාර ගණන් නොවේ: ස්මාර්ට් මීටරයක් අසල්වැසියාට බිල කරන. සහ එක් version bug එකක් find විධානයක් ලෙස නැවත ලිවීය, එය අසාර්ථක විය, අඛණ්ඩව තුන්සිය තිස් නව වතාවක්, නව ගුණයක මිලකට.

3:01 ටෝකන මරා දමන මෙවලමෙහි ලූපයක් ඇත. ගංවතුරම. Cognition's SWE-2 යනු Kimi K3, විවෘත චීන ආකෘතියයි, Cognition ගේම benchmark මත Fable 5.1 ට ගැලපෙන තුරු post-train කරන ලදී මිලෙන් තුනෙන් එකක්; Hacker News: ඇමරිකානු AI ආකෘති සියල්ලම මූලික වශයෙන් Kimi වන්නේ ඇයි trench coat එකක් ඇඳගත්. Terminal-Bench 2.1 මත එය මුළු වගුවම ඉක්මවා යයි; Terminal-Bench 4 මත, තවමත් කිසිවෙකුට මතක නැති එක, එය Fable හි පනස් හයට 27 ක් ලබා ගනී,

3:28 එබැවින් slide-deck benchmarks මත හොඳම තීරුව වන්නේ දැනටමත් සෑම කෙනෙකුම සමත් වූ විභාගයයි. Cognition Devin Voice ද ප්‍රකාශයට පත් කළේය, ඔබේ ප්‍රියතම AI මෘදුකාංගය ඉංජිනේරුට දැන් ස්ථාවර දුරකථනයක් ලැබී ඇත, මක්නිසාද යත් agentic coding එකට අඩුවක් වූ එකම දෙය hold music විය. OpenAI, එදිනම: Agents API, එය සේවාවක් ලෙස විකුණන Codex harness එකයි. OpenAI sandbox ධාවනය කරයි, US දත්ත වාසස්ථානය පමණි, zero-data-retention නැත, එබැවින් නියෝජිතයා ඔබේ codebase ChatGPT කරන තරමටම හොඳින් මතක තබා ගනී. ඉන්පසු OpenAI ඩොලර් දෙසීයක Pro සැලැස්ම සඳහා ලියාපදිංචි කිරීම් තාවකාලිකව නැවැත්වීය,

3:57 මක්නිසාද යත් Astra ඉල්ලුම, උපුටා දක්වමින්, පෙර නොවූ විරූ බැවිනි: පොරොත්තු ලේඛනයක් සහිත පළමු නිෂ්පාදනය වැඩිපුර ගෙවීමට. ආමින් ඔහුගේ කර්මාන්ත ශාලාවට සම්පූර්ණ reset එකක් දුන්නේය. ඔහු තමයි ඉල්ලුම. එය අපව සිකුරාදා Ask HN වෙත ගෙන එයි: කරුණාකර AI පුවත් ගංවතුර සීමා කළ හැකිද, ලකුණු හයසිය පනස් හයක්, මක්නිසාද යත්, උපුටා දක්වමින්, OpenAI හි හෝ Anthropic fart කරන සෑම විටම, ඉහළම දස දෙනා අතර පෝස්ට් එකක් තිබේ.

4:17 පිළිතුරු පෙරහන් විය: hcker dot news BERT සමඟ AI කතන්දර ඉවත් කරයි උදාහරණ අටදහසක් මත පුහුණු කරන ලද classifier, AI මකා දැමීමට AI, grass-fed; සහ A-I case-insensitively ගලපන uBlock regex එකක් ද මකා දමයි email, daily, main, domain සහ train, එබැවින් regex, සෑම විටම මෙන්, දුෂ්ටයා වේ. එදිනම සවස, අදහස් හාරසිය පහළොවක් Claude support page එකක් ගැන තර්ක කළේය Claude දහඅටට වැඩි බව පවසමින්.

4:38 පිටුව මැයි මාසයේ දින නියම කර ඇත. කිසිවක් වෙනස් වූයේ නැත. පුවත් නොවන AI පුවත් පවා පුවත් වේ, එය, සාධාරණව කිවහොත්, මගේ ව්‍යාපාර ආකෘතිය ද වේ. ඔබට මෙය ඇසීමට වඩා කියවීමට අවශ්‍ය නම්, diff සෑම උදෑසනකම ඔබේ inbox වෙත පැමිණේ — daily diff dot dev හි නොමිලේ, පහත සබැඳිය. එය, නොවැළැක්විය හැකි ලෙස, AI පුවත් වේ. එබැවින් — අද පැය තිස් පහක මෘදුකාංග කර්මාන්ත ශාලාව පිළිබඳ තීන්දුව: revert. කිසිවෙකු නොකියවූ commits හැත්තෑනවයක් codebase එකක් නොවේ, එය git එකක් සහිත වගකීමකි

5:04 log; Astra සිත් ඇදගන්නා සුළුයි, සහ කර්මාන්ත ශාලාව ආපසු හැරවිය යුතු කොටසයි. සහ අදට diff එක එපමණයි. මම Axrisi වෙතින් නිකෝ. වගකීමෙන් ඒකාබද්ධ කරන්න.

මූලාශ්‍ර

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