ఆర్మిన్ రొనాచెర్ GPT-6 ఆస్ట్రాను 35 గంటల పాటు ఒంటరిగా వదిలేశాడు.
ఆర్మిన్ రొనాచెర్ (ఫ్లాస్క్, జింజా) GPT-6 ఆస్ట్రాకు ఒక ప్రాంప్ట్ ఇచ్చి 35 గంటల పాటు ఒంటరిగా వదిలేశాడు: సుమారు ఒక బిలియన్ టోకెన్‌లు, సుమారు $1,200, 79 కమిట్‌లు, 75,000 లైన్‌లు — మరియు "విలువైనది ఏమీ లేదు".
ఆర్మిన్ రొనాచెర్ (ఫ్లాస్క్, జింజా) GPT-6 ఆస్ట్రాకు ఒక ప్రాంప్ట్ ఇచ్చి 35 గంటల పాటు ఒంటరిగా వదిలేశాడు: సుమారు ఒక బిలియన్ టోకెన్‌లు, సుమారు $1,200, 79 కమిట్‌లు, 75,000 లైన్‌లు — మరియు "విలువైనది ఏమీ లేదు". అది తిరిగి పొందిన కోడ్ కథనం: పైథాన్ స్ట్రింగ్-స్ప్లైసింగ్ హెరెడాక్స్ ద్వారా ప్యాచ్ చేయబడిన C ఫైల్‌లు, పైథాన్ నోడ్‌ను ప్రారంభించి పవర్‌షెల్‌ను ప్రారంభించడం, టోకెన్‌లలో 10% చౌకగా ఉండటం వల్ల వైట్‌స్పేస్ తొలగించబడిన యూనిట్ పరీక్షలు. రెండు కొలతలు అతనికి మద్దతు ఇస్తున్నాయి: ఈరెండిల్ స్లోప్‌కోడ్‌బ్యాచ్ సంఖ్యలు (ఏజెంట్ కోడ్ మానవ రెపోల కంటే రెండు రెట్లు ఎక్కువ విపులంగా మరియు క్షీణించినది, 0% స్ట్రిక్ట్ పాస్ రేట్) మరియు క్వెస్మా యొక్క RTK యొక్క $1,500 బెంచ్‌మార్క్ (79k స్టార్స్, దాని స్వంత కౌంటర్‌లో "89% టోకెన్‌లు సేవ్ చేయబడ్డాయి", డీప్‌సీక్‌తో ప్రతి టాస్క్‌కు +17%). అలాగే: కాగ్నిషన్ యొక్క SWE-2 (ట్రెంచ్ కోట్‌లో కిమి K3, టెర్మినల్-బ్యాచ్ 2.1లో 92.8 vs టెర్మినల్-బ్యాచ్ 4లో 27.3), OpenAI యొక్క ఏజెంట్స్ API మరియు పాజ్ చేయబడిన $200 ప్రో సైన్-అప్‌లు, మరియు ఫ్రైడే హ్యాకర్ న్యూస్ తక్కువ AI వార్తలను అడిగింది. తీర్పు: REVERT.
వ్రాతపూర్వక సంచికను చదవండి (ఇంగ్లీష్) ↗
ఈ వీడియో ఏమి కవర్ చేస్తుంది
- ఆర్మిన్ రొనాచెర్: 35 గంటల అటెండర్ లేని GPT-6 ఆస్ట్రా, ~$1,200, 79 కమిట్‌లు, +75k లైన్‌లు, ఏమీ షిప్ చేయబడలేదు
- ఈరెండిల్ / స్లోప్‌కోడ్‌బ్యాచ్: ఏజెంట్ కోడ్ మానవ రెపోల కంటే ~2× ఎక్కువ విపులంగా మరియు క్షీణించినది; స్ట్రిక్ట్ పాస్ రేట్ 0%
- క్వెస్మా: RTK 89% టోకెన్‌లు సేవ్ అయ్యాయని నివేదించింది, అయితే డీప్‌సీక్‌తో టెర్మినల్-బ్యాచ్ ఖర్చులు 17% పెరుగుతాయి; ఒక రీరైట్ లూప్ వరుసగా 339 సార్లు విఫలమైంది
- కాగ్నిషన్ SWE-2: కిమి K3 నుండి పోస్ట్-ట్రైన్ చేయబడింది, ఫ్రాంటియర్‌కోడ్‌లో మూడింట ఒక వంతు ధరకే ఫేబుల్ 5.1తో సరిపోలుతుంది; TB 2.1 92.8 vs TB 4 27.3; డెవిన్ వాయిస్
- OpenAI ఏజెంట్స్ API (ఒక సేవగా కోడెక్ హార్నెస్, US-మాత్రమే, ZDR లేదు); ఆస్ట్రా డిమాండ్ కోసం $200 ప్రో సైన్-అప్‌లు పాజ్ చేయబడ్డాయి
అనువదించబడిన ట్రాన్స్క్రిప్ట్
అసలైన ఆంగ్ల కథనం నుండి అనువదించబడింది. అందుబాటులో ఉన్న ఆడియో మరియు క్యాప్షన్లు YouTube ద్వారా నియంత్రించబడతాయి.
0:00 ఫ్లాస్క్ రాసిన ఆర్మిన్ రొనాచెర్, GPT-6 ఆస్ట్రాకు ఒకే ప్రాంప్ట్‌ను ఇచ్చి మరియు ముప్పై ఐదు గంటల పాటు దానిని ఒంటరిగా వదిలేశాడు. ఇది డెబ్భై ఐదు వేల పంక్తుల కోడ్‌తో తిరిగి వచ్చింది మరియు, అతని మాటల్లో, విలువైనది ఏమీ లేదు, ఇది ఇప్పటివరకు నిర్మించిన అత్యంత వాస్తవిక సాఫ్ట్‌వేర్ ఫ్యాక్టరీగా చేస్తుంది. అతను బుధవారం వ్రాతపూర్వక నివేదికను పోస్ట్ చేశాడు. గురువారం, కాగ్నిషన్ SWE-2ని షిప్ చేసింది, మరియు OpenAI ఒక ఏజెంట్స్ APIని షిప్ చేసింది మరియు దాని రెండు వందల డాలర్ల ప్లాన్ కోసం సైన్-అప్‌లను పాజ్ చేసింది,
0:24 ఎందుకంటే ఆస్ట్రా సర్వర్‌లను తినేసింది. మరియు శుక్రవారం వ్రాతపూర్వక నివేదిక హ్యాకర్ న్యూస్ యొక్క మొదటి పేజీకి చేరుకుంది, హ్యాకర్ న్యూస్ AI గురించి పోస్ట్ చేయడం ఆపమని కోరుతూ ఒక పోస్ట్‌కు కొన్ని పంక్తులు క్రింద. ఈ వీడియోలో: ఒక రోజున్నర పర్యవేక్షించబడని ఆస్ట్రా ఏమి ఉత్పత్తి చేస్తుంది, మురికిని ఒక సంఖ్యగా మార్చే రెండు కొలతలు, డెబ్భై తొమ్మిది వేల స్టార్స్‌తో కూడిన ఒక సాధనం మీ బిల్లును ఎందుకు పెద్దది చేస్తుంది, మరియు హ్యాకర్ న్యూస్ AIని ఉపయోగించి AIని ఎలా ఫిల్టర్ చేయడానికి ప్రయత్నించింది. AI ని ఉపయోగించి AI ని ఎలా ఫిల్టర్ చేయడానికి ప్రయత్నించింది. ఇది శుక్రవారం, సెప్టెంబర్ 11, మరియు ఇది The Daily Diff.
0:53 ఫ్యాక్టరీ. ఒక ప్రాంప్ట్: వర్చువల్ థ్రెడ్‌లు మరియు లెక్సికల్ స్కోపింగ్‌తో పైథాన్‌ను నిర్మించండి. ఆస్ట్రా తన సొంత నోట్సులను ఉంచుకుంది, తన సొంత సబ్ ఏజెంట్లును ప్రారంభించింది, మరియు ఆర్మిన్ ప్లగ్‌ను తీసివేసే వరకు నడిచింది, ఒక రోజున్నర మరియు సుమారు పన్నెండు వందల డాలర్ల తర్వాత. డెబ్భై తొమ్మిది కమిట్‌లు, కాబట్టి ప్రతి కమిట్‌కు పదిహేనున్నర డాలర్లు, ఇది మానవుడు వసూలు చేసే దానితో సమానం, మానవుడు చివరికి ఆగిపోతాడు తప్ప. కోడ్ కథనం. ఎడిట్ టూల్ బదులుగా, ఆస్ట్రా C ఫైల్‌లను పైథాన్ హెరెడాక్స్‌లను పైప్ చేయడం ద్వారా ప్యాచ్ చేస్తుంది, అది ఫైల్‌ను చదువుతుంది, ఒక ఫంక్షన్‌ను స్ట్రింగ్-రీప్లేస్ చేస్తుంది, మరియు దానిని తిరిగి రాస్తుంది.
1:20 ఒక విండోస్ టెస్ట్‌ను అమలు చేయడానికి అది పైథాన్‌ను రాసింది, అది నోడ్‌ను ప్రారంభించింది, అది పవర్‌షెల్‌ను ప్రారంభించింది, పాస్‌పోర్ట్‌తో కూడిన కాల్ స్టాక్. అది కమిట్ చేసిన యూనిట్ టెస్ట్‌లలో ఏ వైట్‌స్పేస్ లేదు, ఎందుకంటే ఇండెంటేషన్ లేకుండా అవి టోకెన్‌లలో పది శాతం చౌకగా ఉంటాయి. మరియు టాస్క్ జాబితా ఒకటి, రెండు, మూడు నుండి టాస్క్ 8b2c2b2b చెక్‌పాయింట్ ఒకటికి మారింది, ఇంటర్న్ చాలా కాలం ఒంటరిగా ఉన్నాడని మీకు ఎలా తెలుస్తుంది. ఆర్మిన్ సిద్ధాంతం: మోడల్ సుదీర్ఘ పనులను పూర్తి చేసినందుకు బహుమతి పొందుతుంది మరియు అగ్లీ కోడ్‌కు పెద్దగా శిక్షించబడదు, కాబట్టి టోకెన్-గోల్ఫ్డ్ టూల్ కాల్స్ కోడ్‌బేస్‌లోకి లీక్ అవుతాయి,
1:48 మరియు తక్కువ మానవులు చూస్తే, అది తక్కువ ప్రాముఖ్యతను కలిగి ఉంటుంది. అతను ఆ విభాగానికి పేరు పెట్టాడు ఇది AGI, మీరు చూడకపోతే. హ్యాకర్ న్యూస్ ఆర్థికశాస్త్రంను జోడించింది: ఎక్కువ కోడ్ అంటే దానిని నిర్వహించడానికి ఎక్కువ టోకెన్‌లు, ఇది మురికిని ఒక బగ్ కాకుండా ఒక సబ్‌స్క్రిప్షన్‌గా చేస్తుంది. మీరు మురికిని కొలవగలరా? ఆర్మిన్ సొంత కంపెనీ ఈ వారం ప్రయత్నించింది. ఈరెండిల్ స్లోప్‌కోడ్‌బ్యాచ్ సంఖ్యలను నడిపింది: ఏజెంట్ కోడ్ మానవ రెపోల కంటే రెండు రెట్లు ఎక్కువ విపులంగా మరియు రెండు రెట్లు ఎక్కువ క్షీణించినది,
2:10 మరియు బెంచ్‌మార్క్ చెక్‌పాయింట్‌ల మధ్య ఏజెంట్ జ్ఞాపకశక్తిని తుడిచివేసినప్పుడు, వారు పరీక్షించిన ప్రతి మోడల్ కోసం స్ట్రిక్ట్ పాస్ రేట్ సున్నా. వారు కనుగొన్న అత్యంత విశ్వసనీయమైన స్లోప్ మెట్రిక్ ముడి పంక్తుల సంఖ్య, ఎవరైనా దాని కోసం ఆప్టిమైజ్ చేసిన క్షణం అది పని చేయడం ఆగిపోతుంది, కాబట్టి దయచేసి మోడల్స్‌కు చెప్పకండి. అప్పుడు వాలెట్. RTK డెబ్భై తొమ్మిది వేల GitHub స్టార్స్‌ను మరియు మీ క్లాడ్ కోడ్ బిల్లును సగానికి తగ్గిస్తామని వాగ్దానం చేసే YouTube థంబ్‌నెయిల్స్‌ను కలిగి ఉంది; ఇది ఏజెంట్ దానిని చదివే ముందు టెర్మినల్ అవుట్‌పుట్‌ను కుదిస్తుంది. క్వెస్మా దానిని టెర్మినల్-బ్యాచ్‌పై పదిహేను వందల డాలర్ల టోకెన్‌ల కోసం నడిపింది.
2:34 క్వెస్మా దానిని టెర్మినల్-బ్యాచ్‌లో పదిహేను వందల డాలర్ల టోకెన్‌ల కోసం నడిపింది. ఫేబుల్‌తో బిల్లు ఐదు శాతం తగ్గింది, దాదాపు అంతా ఒక టాస్క్ నుండి; డీప్‌సీక్‌తో సగటు టాస్క్ పదిహేడు శాతం ఎక్కువ ఖరీదైంది. ఈలోగా RTK యొక్క స్వంత కౌంటర్ ఎనభై తొమ్మిది శాతం సేవ్ అయ్యిందని నివేదించింది, ఎందుకంటే అది తొలగించబడిన బైట్‌లను లెక్కిస్తుంది, అదనపు మలుపులను కాదు: పొరుగువారికి బిల్లు చేసే ఒక స్మార్ట్ మీటర్. పొరుగువారికి బిల్లు చేసే స్మార్ట్ మీటర్. మరియు ఒక వెర్షన్ బగ్ ఫైండ్‌ను విఫలమైన ఒక కమాండ్‌గా తిరిగి రాసింది, వరుసగా మూడు వందల ముప్పై తొమ్మిది సార్లు, తొమ్మిది రెట్లు ఎక్కువ ధరకు.
3:01 టోకెన్‌లను చంపే సాధనం ఒక లూప్‌ను కలిగి ఉంది. వరద స్వయంగా. కాగ్నిషన్ యొక్క SWE-2 కిమి K3, ఓపెన్ చైనీస్ మోడల్, కాగ్నిషన్ యొక్క స్వంత బెంచ్‌మార్క్‌లో మూడింట ఒక వంతు ధరకే ఫేబుల్ 5.1తో సరిపోలే వరకు పోస్ట్-ట్రైన్ చేయబడింది; హ్యాకర్ న్యూస్: అన్ని అమెరికన్ AI మోడల్స్ ప్రాథమికంగా ట్రెంచ్ కోట్‌లో కిమి ఎందుకు. హ్యాకర్ న్యూస్: అన్ని అమెరికన్ AI మోడల్స్ ప్రాథమికంగా ట్రెంచ్ కోట్‌లో కిమి ఎందుకు. టెర్మినల్-బ్యాచ్ 2.1లో అది మొత్తం పట్టికలో అగ్రస్థానంలో ఉంది; టెర్మినల్-బ్యాచ్ 4లో, ఇంకా ఎవరూ గుర్తుంచుకోని దానిలో, అది ఫేబుల్ యొక్క యాభై ఆరుకు ఇరవై ఏడు స్కోర్ చేస్తుంది,
3:28 కాబట్టి స్లైడ్-డెక్ బెంచ్‌మార్క్‌లలో ఉత్తమ నిలువు వరుస ఇప్పటికే అందరూ పాసైన పరీక్ష. కాగ్నిషన్ డెవిన్ వాయిస్‌ను కూడా ప్రకటించింది, మీ అభిమాన AI సాఫ్ట్‌వేర్ ఇంజనీర్‌కు ఇప్పుడే ల్యాండ్‌లైన్ వచ్చింది, ఎందుకంటే ఏజెంట్ కోడింగ్‌లో లేనిది హోల్డ్ మ్యూజిక్. OpenAI, అదే రోజు: ఏజెంట్స్ API, ఇది కోడెక్ హార్నెస్ ఒక సేవగా విక్రయించబడుతుంది. OpenAI శాండ్‌బాక్స్‌ను నడుపుతుంది, US డేటా రెసిడెన్సీ మాత్రమే, జీరో-డేటా-రిటెన్షన్ లేదు, కాబట్టి ఏజెంట్ మీ కోడ్‌బేస్‌ను ChatGPT చేసినంత బాగా గుర్తుంచుకుంటుంది. అప్పుడు OpenAI రెండు వందల డాలర్ల ప్రో ప్లాన్ కోసం సైన్-అప్‌లను పాజ్ చేసింది,
3:57 ఎందుకంటే ఆస్ట్రా డిమాండ్, కోట్, అపూర్వం: చెల్లించడానికి వేచి ఉన్న జాబితాతో కూడిన మొదటి ఉత్పత్తి ఎక్కువ చెల్లించడానికి. ఆర్మిన్ తన ఫ్యాక్టరీలో పూర్తి రీసెట్‌ను కాల్చాడు. అతనే డిమాండ్. ఇది మమ్మల్ని శుక్రవారం Ask HN వద్దకు తీసుకువస్తుంది: దయచేసి AI వార్తల వరదను పరిమితం చేయగలమా, ఆరు వందల యాభై ఆరు పాయింట్లు, ఎందుకంటే, కోట్, OpenAI లేదా Anthropicలో ఎవరైనా గాలి వదిలిన ప్రతిసారి, ఒక టాప్-టెన్ పోస్ట్ ఉంటుంది.
4:17 ప్రత్యుత్తరాలు ఫిల్టర్‌లు: hcker డాట్ న్యూస్ ఎనిమిది వేల ఉదాహరణలపై శిక్షణ పొందిన BERT క్లాసిఫైయర్‌తో AI కథనాలను తొలగిస్తుంది, AI ని తొలగించడానికి AI, గ్రాస్-ఫెడ్; మరియు A-I కేసు-సెన్సిటివిటీ లేకుండా సరిపోలే uBlock రెగ్యులర్ ఎక్స్‌ప్రెషన్ కూడా ఈమెయిల్, డైలీ, మెయిన్, డొమైన్ మరియు ట్రైన్లను తొలగిస్తుంది, కాబట్టి రెగ్యులర్ ఎక్స్‌ప్రెషన్, ఎప్పటిలాగే, విలన్. అదే మధ్యాహ్నం, నాలుగు వందల పదిహేను వ్యాఖ్యలు క్లాడ్ పదకొండు ప్లస్ అని చెప్పే ఒక క్లాడ్ సపోర్ట్ పేజీ గురించి వాదించాయి. క్లాడ్ పదకొండు ప్లస్ అని చెప్పే ఒక క్లాడ్ సపోర్ట్ పేజీ గురించి వాదించాయి.
4:38 పేజీ మే నాటిది. ఏమీ మారలేదు. వార్త లేని AI వార్తలు కూడా వార్తలే, ఇది, నిజం చెప్పాలంటే, నా వ్యాపార నమూనా కూడా. నేను చెప్పడం వినడం కంటే దీనిని చదవడం మీరు ఇష్టపడితే, ప్రతి ఉదయం డిఫ్ మీ ఇన్‌బాక్స్‌లో ల్యాండ్ అవుతుంది — daily diff డాట్ దేవ్ వద్ద ఉచితంగా, లింక్ క్రింద ఉంది. ఇది, అనివార్యంగా, AI వార్తలు. కాబట్టి — ముప్పై ఐదు గంటల సాఫ్ట్‌వేర్ ఫ్యాక్టరీపై నేటి తీర్పు: REVERT. ఎవరూ చదవని డెబ్భై తొమ్మిది కమిట్‌లు కోడ్‌బేస్ కాదు, అది ఒక గిట్ లాగ్‌తో కూడిన బాధ్యత;
5:04 ఆస్ట్రా ఆకట్టుకుంటుంది, మరియు ఫ్యాక్టరీని వెనక్కి తీసుకోవలసిన భాగం. మరియు అది ఈరోజుకు డిఫ్. నేను ఆక్సిసి నుండి నికో. బాధ్యతాయుతంగా విలీనం చేయండి.
మూలాలు
- Armin Ronacher — Astra for Coding: Why Are We Doing This Again?lucumr.pocoo.org
- HN: Astra for Codingnews.ycombinator.com
- Earendil — Measuring the sloppiness of codeearendil.com
- HN: Measuring the sloppiness of codenews.ycombinator.com
- Quesma — RTK reports huge token savings, but our cost benchmarks disagreequesma.com
- HN: RTKnews.ycombinator.com
- RTK (Rust Token Killer)github.com
- Cognition — Introducing SWE-2cognition.com
- HN: Cognition SWE-2news.ycombinator.com
- OpenAI — Agents APIdevelopers.openai.com
- HN: OpenAI Agents APInews.ycombinator.com
- TechCrunch — OpenAI puts Pro subscriptions on hold due to Astra demandtechcrunch.com
- Ask HN: Can we please limit the AI news flood?news.ycombinator.com
- HN: Claude is only available to people over 18 yearsnews.ycombinator.com
