Armin Ronacher e la la GPT-6 Astra vetëm për 35 orë.

Çfarë mbulon kjo video

• Armin Ronacher: 35 orë GPT-6 Astra pa mbikëqyrje, ~1,200 dollarë, 79 "commits", +75 mijë rreshta, asgjë e dërguar
• Earendil / SlopCodeBench: kodi i agjentit ~2 herë më i fjalosshëm dhe i dëmtuar se "repo-t" njerëzore; norma e kalimit strikt 0%
• Quesma: RTK raporton 89% tokena të kursyera, por kostot e Terminal-Bench rriten 17% me DeepSeek; një ri-shkrim i dështuar 339 herë radhazi
• Cognition SWE-2: i trajnuar pas nga Kimi K3, përputhet me Fable 5.1 në FrontierCode me një të tretën e çmimit; TB 2.1 92.8 kundrejt TB 4 27.3; Devin Voice
• API-ja e Agjentëve të OpenAI ("Codex harness" si shërbim, vetëm në SHBA, pa ZDR); regjistrimet Pro prej 200 dollarësh të ndërprera për kërkesën e Astra

Transkript i përkthyer

Përkthyer nga tregimi origjinal në anglisht. Audio dhe titrat e disponueshme kontrollohen nga YouTube.

0:00 Armin Ronacher, njeriu që shkroi Flask, i dha GPT-6 Astra një kërkesë të vetme dhe e la vetëm për tridhjetë e pesë orë. U kthye me shtatëdhjetë e pesë mijë rreshta kodi dhe, me fjalët e tij, absolutisht asgjë me vlerë, gjë që e bën atë fabrikën më realiste të softuerit të ndërtuar ndonjëherë. Ai postoi shkrimin të mërkurën. Të enjten, Cognition dërgoi SWE-2, dhe OpenAI dërgoi një API Agjentësh dhe ndërpreu regjistrimet për planin e tij prej dyqind dollarësh,

0:24 sepse Astra i "hapi" serverat. Dhe të premten shkrimi arriti faqen kryesore të Hacker News, disa rreshta poshtë një postimi që i kërkonte Hacker News të ndalonte postimin për AI. Në këtë video: çfarë prodhon një ditë e gjysmë Astra e pa mbikëqyrur, dy matje që e kthejnë llumin në numër, pse një mjet me shtatëdhjetë e nëntë mijë yje e bën faturën tuaj më të madhe, dhe si Hacker News u përpoq të filtronte AI-në, duke përdorur AI. Është e premte, 11 shtator, dhe kjo është The Daily Diff.

0:53 Fabrika. Një kërkesë: ndërto një Python me fije virtuale dhe skopim leksikor. Astra mbajti shënimet e veta, krijoi agjentët e saj dytësorë, dhe funksionoi derisa Armin e shkëputi prizën, një ditë e gjysmë dhe rreth dymbëdhjetëqind dollarë më vonë. Shtatëdhjetë e nëntë "commits", pra pesëmbëdhjetë e gjysmë dollarë për "commit", që është afërsisht sa paguhet një njeri, përveçse njeriu përfundimisht ndalon. Kodi është historia. Në vend të mjetit të redaktimit, Astra "patch-on" skedarët C duke dërguar "heredocs" të Python-it që lexojnë skedarin, zëvendësojnë një funksion dhe e shkruajnë përsëri.

1:20 Për të ekzekutuar një test Windows, shkroi Python që krijoi Node që krijoi PowerShell, një "call stack" me pasaportë. Testet e njësisë që ajo "commit-oi" nuk kanë fare hapësirë të bardhë, sepse pa indentacion janë dhjetë për qind më të lira në tokena. Dhe lista e detyrave u largua nga një, dy, tre në detyrën 8b2c2b2b "checkpoint" një, që është si e kupton që praktikanti ka qenë vetëm shumë gjatë. Teoria e Arminit: modeli shpërblehet për përfundimin e detyrave të gjata dhe mezi ndëshkohet për kodin e shëmtuar, kështu që thirrjet e mjeteve të golfit të tokenit rrjedhin në bazën e kodit,

1:48 dhe sa më pak njerëz të shikojnë, aq më pak ka rëndësi. Ai e titulloi atë seksion "Është AGI nëse nuk shikoni". Hacker News shtoi ekonominë: më shumë kod do të thotë më shumë tokena për ta mirëmbajtur atë, gjë që e bën llumin jo një gabim, por një abonim. A mund të matësh llumin? Kompania e Arminit e provoi këtë javë. Earendil shpjegoi numrat e SlopCodeBench: kodi i agjentit është rreth dy herë më i fjalosshëm dhe dy herë më i dëmtuar se "repo-t" njerëzore me të cilat krahasohet,

2:10 dhe kur "benchmark-u" fshin memorien e agjentit ndërmjet "checkpoints", norma strikte e kalimit për çdo model që testuan është zero. Matësi më i besueshëm i llumit që gjetën ishte numri i rreshtave të papërpunuar, që ndalon së funksionuari në momentin që dikush e optimizon atë, prandaj ju lutem mos u thoni modeleve. Pastaj portofoli. RTK ka shtatëdhjetë e nëntë mijë yje në GitHub dhe "thumbnails" në YouTube që premtojnë të përgjysmojnë faturën tuaj të kodit Claude; ai kompreson daljen e terminalit para se agjenti

2:34 ta lexojë atë. Quesma e drejtoi atë në Terminal-Bench për pesëmbëdhjetëqind dollarë tokena. Me Fable fatura ra pesë për qind, pothuajse e gjitha nga një detyrë; me DeepSeek detyra mesatare u shtrenjtua shtatëmbëdhjetë për qind. Ndërkohë, numëruesi i RTK raportoi tetëdhjetë e nëntë për qind të kursyera, sepse numëron byte-t e hequr, jo kthimet shtesë të shkaktuara: një matës i zgjuar që i fatuon fqinjit. Dhe një gabim versioni ri-shkroi "find" në një komandë që dështoi, treqind e tridhjetë e nëntë herë radhazi, me nëntë herë çmimin.

3:01 Mjeti që vret tokenat ka një lak. Vetë përmbytja. SWE-2 i Cognition është Kimi K3, modeli kinez i hapur, i trajnuar pas derisa të përputhet me Fable 5.1 në "benchmark-un" e Cognition me një të tretën e çmimit; Hacker News: pse të gjithë modelet amerikane të AI janë në thelb Kimi me një pallto "trench". Në Terminal-Bench 2.1 zë vendin e parë në të gjithë tabelën; në Terminal-Bench 4, atë që askush nuk e ka memorizuar ende, shënon njëzet e shtatë kundrejt pesëdhjetë e gjashtë të Fable,

3:28 pra në "slide-deck benchmarks" kolona më e mirë është provimi që të gjithë e kanë kaluar tashmë. Cognition njoftoi gjithashtu Devin Voice, inxhinieri juaj i preferuar i softuerit me AI sapoi marrë një telefon fiks, sepse e vetmja gjë që i mungonte kodimit agjentik ishte muzika e pritjes. OpenAI, në të njëjtën ditë: API-ja e Agjentëve, që është "Codex harness" e shitur si shërbim. OpenAI drejton "sandbox-in", vetëm rezidenca e të dhënave të SHBA-së, pa ruajtje zero-të-dhënash, kështu që agjenti mban mend bazën tuaj të kodit saktësisht aq mirë sa ChatGPT. Pastaj OpenAI ndërpreu regjistrimet për planin Pro prej dyqind dollarësh,

3:57 sepse kërkesa e Astra është, citon, e paprecedentë: produkti i parë me një listë pritjeje për të paguar më shumë. Armin dogji një rivendosje të plotë në fabrikën e tij. Ai është kërkesa. Gjë që na çon te "Ask HN" i së premtes: a mund ta kufizojmë fluksin e lajmeve të AI, ju lutem, gjashtëqind e pesëdhjetë e gjashtë pikë, sepse, citon, sa herë dikush në OpenAI ose Anthropic lëshon një të prapme, ka një postim në top-dhjetë.

4:17 Përgjigjet ishin filtra: hcker dot news heq historitë e AI me një klasifikues BERT të trajnuar në tetë mijë shembuj, AI për të fshirë AI-në, e rritur me bar; dhe një "regex" i uBlock-ut që përputhet me A-I pa dallim shkronjash gjithashtu fshin email-in, ditoren, kryesoren, domenin dhe trenin, kështu që "regex-i", si gjithmonë, është keqbërësi. Të njëjtën pasdite, katërqind e pesëmbëdhjetë komente argumentuan rreth një faqeje mbështetëse të Claude që thoshte se Claude ishte mbi tetëmbëdhjetë vjeç.

4:38 Faqja është e datuar maj. Asgjë nuk ndryshoi. Edhe lajmet e AI që nuk janë lajme janë lajme, gjë që, për të qenë i ndershëm, është gjithashtu modeli im i biznesit. Nëse preferoni ta lexoni këtë sesa të më dëgjoni ta them, "diff-i" arrin në kutinë tuaj hyrëse çdo mëngjes — falas në daily diff dot dev, lidhja më poshtë. Është, e pashmangshme, lajm për AI. Pra — vendimi i sotëm për fabrikën e softuerit prej tridhjetë e pesë orësh: REVERT. Shtatëdhjetë e nëntë "commits" që askush nuk i lexoi nuk është një bazë kodi, është një përgjegjësi me një "git"

5:04 log; Astra është mbresëlënëse, dhe fabrika është pjesa që duhet kthyer mbrapsht. Dhe ky është ndryshimi për sot. Unë jam Niko nga Axrisi. Bashkohuni me përgjegjësi.

Burimet

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