របៀបរកមើល Claude nerf (ជាមួយទិន្នន័យពិត)
មនុស្សនិយាយថា Claude កាន់តែល្ងង់ទៅៗពីរបីសប្តាហ៍បន្ទាប់ពីការចេញផ្សាយនីមួយៗ។
មនុស្សនិយាយថា Claude កាន់តែល្ងង់ទៅៗពីរបីសប្តាហ៍បន្ទាប់ពីការចេញផ្សាយនីមួយៗ។ អ្នកអភិវឌ្ឍន៍ម្នាក់បានដាក់ Claude Opus 5.5 លើនាឡិកា 30 ថ្ងៃចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ ជាមួយនឹងសំណួរដែលបានកក Claude Code ដែលបានកំណត់ និងច្បាប់សាធារណៈ ហើយវាបង្ហាញថាហេតុអ្វីបានជាគ្មាននរណាម្នាក់អាចដឹងពីមុនមក ហើយហេតុអ្វីបានជាចំនួនថូខឹនរបស់អ្នកគឺជាអ្វីដែលត្រូវមើល។ សាលក្រម: SHIP IT។
អានបោះពុម្ពជាលាយលក្ខណ៍អក្សរ (អង់គ្លេស) ↗
អ្វីដែលវីដេអូនេះគ្របដណ្ដប់
- Claude កាន់តែល្ងង់បន្ទាប់ពីការចេញផ្សាយ: ទ្រឹស្តីបានជួបនាឡិកាថ្ងៃសូន្យ
- livenerf: នាឡិកា 30 ថ្ងៃនៅលើ Opus 5.5 ចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ
- របៀបចាប់យក nerf: 78 សំណួរដែលជួនកាលត្រឹមត្រូវ
- អ្វីដែលវាអាចឃើញ: 7.5 ពិន្ទុ ហើយចំនួនថូខឹនផ្លាស់ទីមុន
- ចំណុចងងឹត: ការប្តូរ Opus 5 និង 8 គន្លឹះចម្លើយខុស
កំណត់ត្រាដែលបានបកប្រែ
បកប្រែចេញពីការនិទានដើមជាភាសាអង់គ្លេស។ សំឡេង និងចំណងជើងរងដែលមានគឺស្ថិតនៅក្រោមការគ្រប់គ្រងរបស់ YouTube។
Claude កាន់តែល្ងង់បន្ទាប់ពីការចេញផ្សាយ: ទ្រឹស្តីបានជួបនាឡិកាថ្ងៃសូន្យ
0:00 អ្នករាល់គ្នាដឹងថា Claude កាន់តែល្ងង់ទៅៗពីរបីសប្ដាហ៍ក្រោយការចេញផ្សាយ។ ដូច្នេះ អ្នកអភិវឌ្ឍន៍ម្នាក់បានដាក់ Opus 5.5 លើនាឡិកាចាប់ពីសប្ដាហ៍នៃការចេញផ្សាយ ហើយនាឡិកានិយាយថាគ្មាននរណាអាចដឹងបានឡើយ។ ក្នុងវីដេអូនេះ មានសំណួរបី។ តើអ្នកចាប់យក nerf យ៉ាងដូចម្ដេច? តើម៉ែត្រនេះអាចមើលឃើញអ្វី? ហើយតើ Anthropic និយាយអ្វី? ហើយបន្ទាត់មួយនៅក្នុងឥណទានរបស់ repo បានធ្វើឲ្យខ្ញុំសើចខ្លាំង។
0:20 ខ្ញុំនឹងនិយាយដល់វានៅចុងបញ្ចប់។ វាគឺជាថ្ងៃពុធ ទី 30 ខែកញ្ញា ហើយនេះគឺ The Daily Diff។ មានរឿងបីថ្ងៃនេះ ហើយរឿងធំគឺ GitHub repo មួយឈ្មោះ live nerf។
livenerf: នាឡិកា 30 ថ្ងៃនៅលើ Opus 5.5 ចាប់ពីសប្តាហ៍នៃការចេញផ្សាយ
0:30 អស់ជាច្រើនខែ មនុស្សបាននិយាយថា Anthropic បានកែប្រែម៉ូដែលរបស់ខ្លួនដោយស្ងៀមស្ងាត់បន្ទាប់ពីការចេញផ្សាយ។ ទ្រឹស្តីធម្មតាគឺម៉ូដែលដែលបានច្របាច់ចូល ម៉ូដែលតូចជាងក្រោមឈ្មោះដូចគ្នា ឬគ្រាន់តែគិតតិច។ repo ហៅរាល់អំណះអំណាងរហូតមកដល់ពេលនេះថា vibes ធៀបនឹង vibes។ Opus 5.5 បានចេញនៅថ្ងៃទី 22 ខែកញ្ញា ហើយមួយសប្ដាហ៍មុន ខ្ញុំបានប្រាប់អ្នកថាវាបានជាប់ចំណាត់ថ្នាក់កំពូលនៃក្រុមប្រឹក្សាឯករាជ្យ ខណៈពេលសរសេរពាក្យបីដង ច្រើនជាងម៉ូដែលមធ្យម។ ពីរថ្ងៃកន្លះក្រោយមក អ្នកអភិវឌ្ឍន៍ម្នាក់ឈ្មោះ ninja hawk បានចាប់ផ្ដើមនាឡិកា
0:59 ម្ដងក្នុងមួយថ្ងៃសម្រាប់រយៈពេលសាមសិបថ្ងៃ ជាមួយនឹងកំណត់ហេតុដែលគ្មាននរណាអាចកែប្រែបាន។ ខ្សែស្រឡាយ Hacker News បានឡើងដល់ជិត 800 ពិន្ទុ ហើយបំបែកដូចការជជែកក្រុម។ អ្នកបញ្ចេញមតិម្នាក់និយាយថា ការកែប្រែម៉ូដែលមិនពិតទេក្នុងករណីភាគច្រើនដែលបានរាយការណ៍។ ម្នាក់ទៀតនិយាយថា មនុស្សគ្រាន់តែស៊ាំនឹងកម្រិតថ្មីនៃភាពឆ្លាតវៃ។ ហើយអ្នកប្រើប្រាស់ Claude Code ដ៏មានឥទ្ធិពលម្នាក់ឥឡូវបោះបង់ការលេចឡើង rate-this-session រាល់ពេល ព្រោះការវាយតម្លៃ Claude ហាក់ដូចជាធ្វើឲ្យវាកាន់តែអាក្រក់។ ការត្រួតពិនិត្យដោយមិត្តភ័ក្តិ។ ដូច្នេះ សំណួរទីមួយ តើអ្នកចាប់យក nerf យ៉ាងដូចម្ដេច?
របៀបចាប់យក nerf: 78 សំណួរដែលជួនកាលត្រឹមត្រូវ
1:27 អ្នកចាប់ផ្ដើមដោយសំណួរប្រឡងពិបាកប្រហែល 2300 ហើយ Opus ទទួលបាន 93 ភាគរយត្រឹមត្រូវក្នុងការព្យាយាមដំបូង ដែលគ្មានប្រយោជន៍សម្រាប់ឧបករណ៍ចាប់សញ្ញា ព្រោះសំណួរដែលវាតែងតែទទួលបានត្រឹមត្រូវមិនអាច ធ្លាក់ចុះបានទេ។ 97 ភាគរយតែងតែត្រឹមត្រូវ ឬតែងតែខុស ហើយ 78 ដែលវាជួនកាលទទួលបានត្រឹមត្រូវបានក្លាយជាគណៈកម្មាធិការ។ សំណួរដូចគ្នា គ្មានឧបករណ៍ និងការវាយតម្លៃការផ្គូផ្គងត្រឹមត្រូវដោយគ្មានចៅក្រម AI ព្រោះចៅក្រមក៏នឹងផ្លាស់ប្ដូរដែរ។ វាដំណើរការលើការជាវ Max តាមរយៈ headless Claude Code
1:55 ដោយសារកំណែ API មានតម្លៃប្រហែល 1600 ដុល្លារក្នុងមួយខែ។ ហើយកំណែ Claude Code ត្រូវបានកំណត់ព្រោះ ក្នុងពាក្យរបស់ repo ខ្សែដែលបានផ្លាស់ប្ដូរមើលទៅដូចគ្នានឹងម៉ូដែលដែលបានផ្លាស់ប្ដូរ។ ស្ថិតិបានមកពីក្រដាសមួយឈ្មោះ Adding Error Bars to Evals ដោយ Evan Miller នៅ Anthropic។ ដូច្នេះ គណិតវិទ្យារបស់ Anthropic ឥឡូវកំពុងត្រួតពិនិត្យ Anthropic ដែលជាកំណែសិក្សា នៃការដកស្រង់លក្ខខណ្ឌនៃសេវាកម្មទៅកាន់ការគាំទ្រអតិថិជន។
អ្វីដែលវាអាចឃើញ: 7.5 ពិន្ទុ ហើយចំនួនថូខឹនផ្លាស់ទីមុន
2:19 សំណួរទីពីរ តើវាអាចមើលឃើញអ្វី? ក្នុងបង្អួចដប់ថ្ងៃ ការធ្លាក់ចុះប្រហែល 7.5 ពិន្ទុ។ ដើម្បីបញ្ជាក់ថាឧបករណ៍នេះដំណើរការ អ្នកនិពន្ធបានបន្ថយការខិតខំរបស់ Claude ដោយចេតនា។ ការខិតខំមធ្យមបានកាត់បន្ថយទិន្នផលប្រហែលមួយភាគបួន ហើយពិន្ទុត្រឹមតែ 4 ពិន្ទុ។ ការខិតខំទាបបានកាត់បន្ថយទិន្នផលជិតពីរភាគបី សម្រាប់ប្រាំបីពិន្ទុ។ នោះគឺជាផ្នែកដែលត្រូវលួច។ ការគិតតិចបង្ហាញឡើងក្នុងចំនួនថូខឹនមុនពេលវាបង្ហាញឡើងក្នុងចម្លើយ។
2:43 ដូច្នេះ កំណត់កំណែម៉ូដែលរបស់អ្នក កត់ត្រាថូខឹនទិន្នផលក្នុងមួយកិច្ចការ ហើយរក្សាសំណួរដែលបានបង្កកមួយចំនួនរបស់អ្នកផ្ទាល់។ ប្រសិនបើភ្នាក់ងាររបស់អ្នកស្រាប់តែសរសេរខ្លីជាង សូមពិនិត្យកំណត់ហេតុរបស់អ្នកមុនពេលអ្នកពិនិត្យ Reddit។ ហើយនេះគឺជាផ្នែកស្មោះត្រង់។
ចំណុចងងឹត: ការប្តូរ Opus 5 និង 8 គន្លឹះចម្លើយខុស
2:54 ការប្ដូរដោយស្ងៀមស្ងាត់ទៅជា Opus 5 ចាស់គឺជាការផ្លាស់ប្ដូរតូចពេកសម្រាប់ឧបករណ៍ដើម្បី ហៅបាន ហើយ readme និយាយដូច្នេះនៅខាងមុខ។ ការត្រួតពិនិត្យក៏បានរកឃើញគន្លឹះចម្លើយប្រាំបីដែលមើលទៅខុស ដូច្នេះឧបករណ៍ចាប់សញ្ញា nerf បានរកឃើញកំហុសក្នុងការវាស់វែងមុនពេលវារកឃើញ nerf។
Anthropic: យើងមិនដែលកាត់បន្ថយគុណភាពម៉ូដែលទេ
3:08 សំណួរទីបី តើ Anthropic និយាយអ្វី? កាលពីឆ្នាំមុន បន្ទាប់ពីមានការត្អូញត្អែរជាច្រើន Anthropic បានបោះពុម្ពការវិភាគក្រោយហេតុការណ៍។ វានិយាយថា "យើងមិនដែលកាត់បន្ថយគុណភាពម៉ូដែលដោយសារតម្រូវការ ពេលវេលានៃថ្ងៃ ឬបន្ទុកម៉ាស៊ីនមេ"។ ប្រកាសដូចគ្នានេះទទួលស្គាល់ថាមានកំហុសបីបានធ្វើឲ្យ Claude ខូចគុណភាព ហើយជិតមួយភាគបីនៃ អ្នកប្រើ Claude Code បានវាយម៉ាស៊ីនមេខុសយ៉ាងហោចណាស់ម្ដង។ ដូច្នេះការត្អូញត្អែរគឺពិតហើយមូលហេតុគឺកំហុស នោះហើយជាមូលហេតុដែល repo ព្រមានថាសប្ដាហ៍នៃការចេញផ្សាយអាចជាសប្ដាហ៍អាក្រក់បំផុត។
3:35 ប្រាំមួយក្នុងចំណោម 30 ថ្ងៃត្រូវបានបញ្ចូល។ ការហៅទូរសព្ទដំបូងអាចធ្វើទៅបាននៅជុំវិញថ្ងៃទី 24 ខែតុលា ដូច្នេះចម្លើយស្មោះត្រង់គឺថាគ្មាននរណាដឹងទេ រួមទាំងអ្នករាល់គ្នាដែលប្រាកដ។ និយាយពីលេខដែលគ្មាននរណាបោះពុម្ពផ្សាយ។
មជ្ឈមណ្ឌលទិន្នន័យរក្សាទុកលេខរបស់ពួកគេជាការសម្ងាត់; Backblaze បោះពុម្ពផ្សាយ
3:46 Lighthouse Reports និងកាសែតហូឡង់ Trouw បានរកឃើញថាមជ្ឈមណ្ឌលទិន្នន័យអឺរ៉ុបភាគច្រើនបំផុត រក្សាការប្រើប្រាស់ថាមពលនិងទឹករបស់ពួកគេជាការសម្ងាត់ ទោះបីជាច្បាប់ EU បានតម្រូវឲ្យរាយការណ៍អស់រយៈពេលបីឆ្នាំក៏ដោយ។ នៅប្រទេសហូឡង់ មានតែតិចជាងមួយភាគបួនប៉ុណ្ណោះដែលបោះពុម្ពផ្សាយ។ មជ្ឈមណ្ឌលទិន្នន័យ Microsoft មួយតែឯងប្រើប្រាស់ប្រហែល 1 ភាគរយនៃអគ្គិសនីហូឡង់។ ទន្ទឹមនឹងនេះ Backblaze បានធ្វើរឿងគួរឲ្យធុញទ្រាន់ម្ដងទៀត។ ស្ថិតិដ្រាយវ៍ប្រចាំត្រីមាសរបស់វាគ្របដណ្តប់ប្រហែល 350000 ថាសរឹង ហើយអត្រាបរាជ័យបានកើនឡើងដល់ 1.73 ភាគរយ
4:16 ដែលខ្ពស់បំផុតក្នុងរយៈពេលមួយរយៈ។ ម៉ូដែល Seagate បីគ្មានបរាជ័យទេ។ នោះហើយជាអ្វីដែលមូលដ្ឋានសាធារណៈមើលទៅដូចជា ត្រីមាសបន្ទាប់ពីត្រីមាស អស់រយៈពេល 13 ឆ្នាំ។
បន្ទាត់ឥណទាន: Claude បានជួយបង្កើតម៉ែត្រ
4:25 ឥឡូវនេះ បន្ទាត់ឥណទាននោះ។ readme ទទួលស្គាល់ថា repo ភាគច្រើនត្រូវបានសរសេរដោយមានជំនួយពី Claude ដែលជាម៉ូដែលដែលត្រូវបានវាស់វែង។ ដូច្នេះ Claude បានជួយបង្កើតម៉ែត្រដែលពិនិត្យមើលថា Claude កាន់តែល្ងង់ឬអត់។ នោះហើយជាមូលហេតុដែលអ្នកវាយតម្លៃគឺជាមុខងារធម្មតា។ ក្នុងពាក្យរបស់អ្នកនិពន្ធ អ្នកមិនគួរទុកចិត្តអ្នកនិពន្ធឡើយ មនុស្សឬក៏មិនមែន។ ប្រសិនបើអ្នកចង់អាននេះជាងឮខ្ញុំនិយាយវា diff នឹងចូលក្នុងប្រអប់សំបុត្ររបស់អ្នក
4:46 រាល់ព្រឹក ឥតគិតថ្លៃនៅ the daily diff dot dev, តំណភ្ជាប់ខាងក្រោម។ ដូច្នេះ សាលក្រមថ្ងៃនេះលើ live nerf។
សាលក្រម: SHIP IT, ហើយកុំដកស្រង់វាមុនថ្ងៃទី 24 ខែតុលា
4:51 SHIP IT។ ខ្ញុំនឹង SHIP IT ព្រោះវាជាអំណះអំណាង nerf ដំបូងដែលខ្ញុំបានឃើញជាមួយនឹង ពេលវេលា សៀវភៅច្បាប់សាធារណៈ និងចំណុចងងឹតដែលបានបញ្ជាក់។ គ្រាន់តែកុំដកស្រង់វាមុនថ្ងៃទី 24 ខែតុលា។ ហើយនោះគឺជា diff សម្រាប់ថ្ងៃនេះ។ ខ្ញុំនីកូពី Axrisi។ បញ្ចូលដោយការទទួលខុសត្រូវ។
ប្រភព
- livenerfgithub.com
- Validationgithub.com
- Hacker Newsnews.ycombinator.com
- Anthropic postmortem (Sep 2025)www.anthropic.com
- Adding Error Bars to Evals (Evan Miller)arxiv.org
- Inspect (UK AI Security Institute)inspect.aisi.org.uk
- NL Timesnltimes.nl
- Hacker Newsnews.ycombinator.com
- Backblaze Drive Stats Q2 2026www.backblaze.com
- Hacker Newsnews.ycombinator.com
