# Claude "nerf" එකක් හඳුනා ගන්නේ කෙසේද (සත්‍ය දත්ත සමඟින්)

Published: 2026-09-30

සෑම දියත් කිරීමකින්ම සති කිහිපයකට පසු Claude අකාර්යක්ෂම වන බව මිනිසුන් පවසති. එක් සංවර්ධකයෙක් Claude Opus 5.5 දියත් කළ සතියේ සිට දින 30ක කාල සටහනකට යටත් කළ අතර, එයට ස්ථාවර ප්‍රශ්න, අමුණා ඇති Claude කේතයක් සහ පොදු නීති ඇතුළත් විය. පෙර කිසිවෙකුට මෙය දැනගත නොහැකි වූයේ මන්දැයි සහ ඔබේ ටෝකන ගණන නිරීක්ෂණය කළ යුතු දේ මෙය පෙන්වා දෙයි. තීන්දුව: SHIP IT.

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

## මෙම වීඩියෝවෙන් ආවරණය වන දේ

- දියත් කිරීමෙන් පසු Claude අකාර්යක්ෂම වේ: න්‍යාය දින-ශුන්‍ය කාල සටහනක් හමු වේ
- livenerf: දියත් කළ සතියේ සිට Opus 5.5 සඳහා දින 30ක කාල සටහනක්
- අකාර්යක්ෂම වීමක් අල්ලා ගන්නේ කෙසේද: සමහර විට නිවැරදි ප්‍රශ්න 78ක්
- එයට දැකිය හැකි දේ: ලකුණු 7.5ක්, සහ ටෝකන ගණන පළමුව චලනය වේ
- අන්ධ ස්ථානය: Opus 5 හුවමාරුවක් සහ වැරදි පිළිතුරු යතුරු 8ක්

## පරිච්ඡේද

- 0:00 දියත් කිරීමෙන් පසු Claude අකාර්යක්ෂම වේ: න්‍යාය දින-ශුන්‍ය කාල සටහනක් හමු වේ
- 0:26 livenerf: දියත් කළ සතියේ සිට Opus 5.5 සඳහා දින 30ක කාල සටහනක්
- 1:24 අකාර්යක්ෂම වීමක් අල්ලා ගන්නේ කෙසේද: සමහර විට නිවැරදි ප්‍රශ්න 78ක්
- 2:19 එයට දැකිය හැකි දේ: ලකුණු 7.5ක්, සහ ටෝකන ගණන පළමුව චලනය වේ
- 2:53 අන්ධ ස්ථානය: Opus 5 හුවමාරුවක් සහ වැරදි පිළිතුරු යතුරු 8ක්
- 3:08 Anthropic: අපි කිසි විටෙකත් ආකෘතිවල ගුණාත්මකභාවය අඩු නොකරමු
- 3:45 දත්ත මධ්‍යස්ථාන ඒවායේ අංක රහසිගතව තබා ගනී; Backblaze ප්‍රකාශයට පත් කරයි
- 4:25 ණය පේළිය: Claude මිනුම් උපකරණය ගොඩනැගීමට උදව් විය
- 4:50 තීන්දුව: SHIP IT, සහ ඔක්තෝබර් 24ට පෙර එය උපුටා නොදක්වන්න

## පරිවර්තනය කරන ලද පිටපත

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

### දියත් කිරීමෙන් පසු Claude අකාර්යක්ෂම වේ: න්‍යාය දින-ශුන්‍ය කාල සටහනක් හමු වේ

0:00 දියත් කිරීමෙන් සති කිහිපයකට පසු Claude අකාර්යක්ෂම වන බව කවුරුත් දනිති. එබැවින් එක් සංවර්ධකයෙක් Opus 5.5 දියත් කළ සතියේ සිට කාල සටහනකට යටත් කළේය. සහ කාල සටහනට අනුව කිසිවෙකුට තවමත් දැනගත නොහැකි විය. මෙම වීඩියෝවේ, ප්‍රශ්න තුනක්. ඔබ අකාර්යක්ෂම වීමක් අල්ලා ගන්නේ කෙසේද? මෙම මීටරයට කුමක් දැකිය හැකිද? සහ Anthropic කුමක් කියයිද? සහ රෙපෝ එකේ ණය පේළියක් මාව හිනස්සෙව්වා.

0:20 මම අවසානයේ එයට එන්නම්. අද සැප්තැම්බර් තිස්වෙනිදා බදාදා, මෙය The Daily Diff. අද කතන්දර තුනක්, සහ විශාලම එක live nerf නම් GitHub repo එකක්.

### livenerf: දියත් කළ සතියේ සිට Opus 5.5 සඳහා දින 30ක කාල සටහනක්

0:30 මාස ගණනක් තිස්සේ, Anthropic දියත් කිරීමෙන් පසු එහි ආකෘති නිහඬව අකාර්යක්ෂම කරන බව මිනිසුන් පවසා ඇත. සාමාන්‍ය න්‍යායන් වන්නේ මිරිකූ ආකෘතියක්, එකම නමින් කුඩා ආකෘතියක් හෝ සරලව අඩු චින්තනයකි. රෙපෝ එක මේ වන තෙක් සෑම තර්කයක්ම 'vibes vs vibes' ලෙස හඳුන්වයි. Opus 5.5 සැප්තැම්බර් 22 දා නිකුත් විය. සහ සතියකට පෙර මම ඔබට පැවසුවා එය ස්වාධීන මණ්ඩලයේ ඉහළින්ම සිටි බව, සාමාන්‍ය ආකෘතියට වඩා තුන් ගුණයක් වැඩි වචන ප්‍රමාණයක් ලියමින්. දින දෙකහමාරකින්, ninja hawk නම් සංවර්ධකයෙක් ඔරලෝසුව ක්‍රියාත්මක කළේය,

0:59 දිනකට වරක් දින තිහක් සඳහා, කිසිවෙකුට සංස්කරණය කළ නොහැකි ලොග් සමඟ. Hacker News ත්‍රෙඩ් එකට ලකුණු අටසියයක් පමණ ලැබී කණ්ඩායම් චැට් එකක් මෙන් බෙදී ගියේය. එක් අදහස් දැක්වීමක් පවසන්නේ වාර්තා වූ සිද්ධීන්ගෙන් අති බහුතරයක ආකෘති අකාර්යක්ෂම කිරීම සැබෑ නොවන බවයි. තවත් අයෙක් පවසන්නේ මිනිසුන් නව බුද්ධි මට්ටමට හුරු වෙමින් සිටින බවයි. සහ එක් Claude කේත බල භාවිතා කරන්නෙක් දැන් 'rate-this-session' pop-up එක සෑම විටම ප්‍රතික්ෂේප කරයි, මන්ද Claude ඇගයීම එය නරක අතට හැරෙන බවක් පෙනෙන්නට තිබුණි. සම සමාලෝචනය. එබැවින්, පළමු ප්‍රශ්නය, ඔබ අකාර්යක්ෂම වීමක් අල්ලා ගන්නේ කෙසේද?

### අකාර්යක්ෂම වීමක් අල්ලා ගන්නේ කෙසේද: සමහර විට නිවැරදි ප්‍රශ්න 78ක්

1:27 ඔබ දැඩි විභාග ප්‍රශ්න 2300කින් පමණ ආරම්භ කරයි, සහ Opus පළමු උත්සාහයේදී 93%ක් නිවැරදිව ලබා ගනී, එය අනාවරකයකට නිෂ්ඵල ය, මන්ද එය සැමවිටම නිවැරදිව ලබා ගන්නා ප්‍රශ්නයක් පහත වැටිය නොහැක. 97%ක් සැමවිටම නිවැරදි හෝ සැමවිටම වැරදියි, සහ එය සමහර විට පමණක් නිවැරදිව ලබා ගන්නා 78 පැනලය බවට පත් විය. එකම ප්‍රේරකය, මෙවලම් නැත, සහ AI විනිසුරුවරයෙකු නොමැතිව නියම-ගැලපෙන ශ්‍රේණිගත කිරීම, මන්ද විනිසුරුවරයා ද වෙනස් වනු ඇත. එය headless Claude කේතය හරහා Max දායකත්වයක් මත ක්‍රියාත්මක වේ,

1:55 මන්ද API අනුවාදය මසකට ඩොලර් දහසයසීයක් පමණ විය. සහ Claude කේත අනුවාදය අමුණා ඇත, මන්ද, රෙපෝ එකේ වචන වලින්, වෙනස් කළ හාර්නස් එකක් වෙනස් කළ ආකෘතියක් මෙන් හරියටම පෙනේ. සංඛ්‍යාලේඛන පැමිණෙන්නේ Evan Miller විසින් Anthropic හි 'Adding Error Bars to Evals' නම් පත්‍රිකාවකින්ය. Evan Miller Anthropic හි. එබැවින් Anthropic හිම ගණිතය දැන් Anthropic විගණනය කරයි, එය ශාස්ත්‍රීය අනුවාදයයි. පාරිභෝගික සහාය වෙත සේවා කොන්දේසි නැවත උපුටා දැක්වීම.

### එයට දැකිය හැකි දේ: ලකුණු 7.5ක්, සහ ටෝකන ගණන පළමුව චලනය වේ

2:19 ප්‍රශ්නය දෙක, එයට කුමක් දැකිය හැකිද? දින දහයේ කවුළුවක් අනුව, ලකුණු හතහමාරක පමණ පහත වැටීමක්. යාන්ත්‍රණය ක්‍රියා කරන බව ඔප්පු කිරීමට, කතුවරයා Claude ගේ උත්සාහය හිතාමතාම අඩු කළේය. මධ්‍යම උත්සාහය ප්‍රතිදානය හතරෙන් එකකින් පමණ අඩු කළ අතර, ලකුණු හතරකින් පමණි. අඩු උත්සාහය ප්‍රතිදානය තුනෙන් දෙකකින් පමණ අඩු කළේය. ලකුණු අටක් සඳහා. ඒක තමයි හොරකම් කළ යුතු කොටස. අඩු චින්තනය පිළිතුරු වල පෙනෙන්නට පෙර ටෝකන ගණනින් දිස් වේ.

2:43 එබැවින් ඔබේ ආකෘති අනුවාදය අමුණන්න, කාර්යයක් සඳහා ප්‍රතිදාන ටෝකන ලොග් කරන්න, සහ ඔබේම ස්ථාවර ප්‍රශ්න කිහිපයක් තබා ගන්න. ඔබේ නියෝජිතයා හදිසියේ කෙටි ලියන්නේ නම්, Reddit පරීක්ෂා කිරීමට පෙර ඔබේ ලොග් පරීක්ෂා කරන්න. සහ මෙන්න අවංක කොටස.

### අන්ධ ස්ථානය: Opus 5 හුවමාරුවක් සහ වැරදි පිළිතුරු යතුරු 8ක්

2:54 පැරණි Opus 5 නිහඬව මාරු කිරීම යාන්ත්‍රණයට ඇමතීමට තරම් කුඩා වෙනසක් විය, සහ readme එය ඉදිරියෙන්ම කියයි. විගණනය වැරදි බව පෙනෙන පිළිතුරු යතුරු අටක් ද සොයා ගත්තේය, එබැවින් අකාර්යක්ෂම අනාවරකය අකාර්යක්ෂම වීමක් සොයා ගැනීමට පෙර මිණුම් ලකුණෙහි දෝෂ සොයා ගත්තේය.

### Anthropic: අපි කිසි විටෙකත් ආකෘතිවල ගුණාත්මකභාවය අඩු නොකරමු

3:08 ප්‍රශ්නය තුන, Anthropic කුමක් කියයිද? පසුගිය වසරේ, පැමිණිලි රැල්ලකින් පසු, Anthropic පශ්චාත් මරණ පරීක්ෂණයක් ප්‍රකාශයට පත් කළේය. එය මෙසේ කියයි, උපුටා දැක්වීම, අපි කිසි විටෙකත් ඉල්ලුම නිසා ආකෘති ගුණාත්මකභාවය අඩු නොකරමු, දවසේ වේලාව හෝ සේවාදායක භාරය. එම ලිපියම Claude පිරිහීමට තුඩු දුන් දෝෂ තුනක් පිළිගන්නා අතර, Claude කේත භාවිතා කරන්නන්ගෙන් තුනෙන් එකක් පමණ අවම වශයෙන් එක් වරක් හෝ වැරදි සේවාදායක වෙත පිවිස ඇත. එබැවින් පැමිණිලි සත්‍ය වූ අතර හේතුව දෝෂ විය, රෙපෝ එක දියත් කරන සතිය නරකම සතිය විය හැකි බවට අනතුරු අඟවන්නේ එබැවිනි.

3:35 දින තිහකින් හයක් අවසන්. පළමු විය හැකි ඇමතුම ඔක්තෝබර් විසිහතර වැනිදා පමණ ලැබෙනු ඇත, එබැවින් අවංක පිළිතුර නම්, විශ්වාස කළ සෑම කෙනෙකු ඇතුළුව කිසිවෙකු නොදනී. කිසිවෙකු ප්‍රකාශයට පත් නොකරන අංක ගැන කතා කිරීම.

### දත්ත මධ්‍යස්ථාන ඒවායේ අංක රහසිගතව තබා ගනී; Backblaze ප්‍රකාශයට පත් කරයි

3:46 Lighthouse Reports සහ ලන්දේසි පුවත්පත Trouw සොයා ගත්තේ අති බහුතරයක් යුරෝපීය දත්ත මධ්‍යස්ථාන ඒවායේ විදුලි හා ජල පරිභෝජනය රහසිගතව තබා ගනී, කෙසේ වෙතත් යුරෝපා සංගම් නීතියක් වසර තුනක් තිස්සේ වාර්තා කිරීම අනිවාර්ය කර ඇත. නෙදර්ලන්තයේ, හතරෙන් එකකටත් වඩා අඩු ප්‍රමාණයක් ප්‍රකාශයට පත් කරයි. එක් Microsoft දත්ත මධ්‍යස්ථානයක් පමණක් ලන්දේසි විදුලියෙන් සියයට එකක් පමණ භාවිතා කරයි. මේ අතර, Backblaze නැවතත් කම්මැලි වැඩේ කළා. එහි කාර්තුමය ධාවක සංඛ්‍යාලේඛන දෘඪ තැටි තුන්ලක්ෂ පනස් දහසක් පමණ ආවරණය කරයි, සහ අසාර්ථක වීමේ අනුපාතය සියයට 1.73 දක්වා ඉහළ ගියේය,

4:16 සෑහෙන කාලයකට පසු ඉහළම අගයයි. Seagate මාදිලි තුනකට කිසිදු අසාර්ථකත්වයක් නොතිබුණි. ඒක තමයි පොදු මූලික රේඛාවක් පෙනෙන්නේ, කාර්තුවෙන් කාර්තුව, වසර දහතුනක් සඳහා.

### ණය පේළිය: Claude මිනුම් උපකරණය ගොඩනැගීමට උදව් විය

4:25 දැන්, ඒ ණය පේළිය. රෙපෝ එකේ විශාල කොටසක් Claude ගේ උදව්වෙන් ලියා ඇති බව readme පිළිගනී, එය මනිනු ලබන ආකෘතියයි. එබැවින් Claude අකාර්යක්ෂම වී ඇත්දැයි පරීක්ෂා කරන මීටරය ගොඩනැගීමට Claude උදව් විය. ඇගයුම්කරුවන් සරල කාර්යයන් වන්නේ එබැවිනි. කතුවරයාගේ වචන වලින්, ඔබ කතුවරයා විශ්වාස කිරීමට අවශ්‍ය නැත, මිනිසා හෝ වෙනත් ආකාරයකින්. මා කියනු ඇසීමට වඩා මෙය කියවීමට ඔබ කැමති නම්, diff එක සෑම උදෑසනකම ඔබේ එන ලිපි පෙට්ටියට ලැබේ,

4:46 the daily diff dot dev හි නොමිලේ, පහත සබැඳිය. ඉතින්, live nerf පිළිබඳ අද තීන්දුව.

### තීන්දුව: SHIP IT, සහ ඔක්තෝබර් 24ට පෙර එය උපුටා නොදක්වන්න

4:51 SHIP IT. මම එය SHIP IT කරන්නේ එය කාල මුද්‍රාවක්, පොදු නීති පොතක් සහ ප්‍රකාශිත අන්ධ ස්ථානයක් සහිත මා දුටු පළමු අකාර්යක්ෂම තර්කය වන බැවිනි. ඔක්තෝබර් විසිහතර වැනිදාට පෙර එය උපුටා නොදක්වන්න. සහ අද සඳහා diff එක එපමණයි. මම Axrisi වෙතින් Niko. වගකීමෙන් ඒකාබද්ධ කරන්න.

## මූලාශ්‍ර

- [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