Армин Роначер GPT-6 Astra-ны 35 саатка жалгыз калтырды.

Бул видео эмнелерди камтыйт

• Армин Роначер: 35 саат кароосуз GPT-6 Astra, ~1,200 доллар, 79 коммит, +75 миң сап, эч нерсе жеткирилген жок
• Эарендил / SlopCodeBench: агент коду адам реполоруна караганда ~2 эсе көп сөздүү жана эскирген; катуу өтүү ылдамдыгы 0%
• Квесма: RTK 89% токен үнөмдөлгөнүн билдирет, бирок DeepSeek менен Terminal-Bench чыгымдары 17% көбөйөт; кайра жазуу цикли катары менен 339 жолу ишке ашкан жок
• Cognition SWE-2: Kimi K3төн кийинки окутуу, FrontierCodeде Fable 5.1ге баасынын үчтөн бирине дал келет; TB 2.1 92.8 vs TB 4 27.3; Devin Voice
• OpenAI Agents API (Codex harness кызмат катары, АКШ үчүн гана, ZDR жок); Astra суроо-талабы үчүн 200 долларлык Pro катталуулары токтотулду

Котормо стенограмма

Англис тилиндеги баштапкы баяндамадан которулган. Жеткиликтүү аудио жана коштомо жазуулар YouTube тарабынан көзөмөлдөнөт.

0:00 Flask жазган Армин Роначер GPT-6 Astraга бир гана суроо берип, аны отуз беш саатка жалгыз калтырды. Ал жетимиш беш миң сап код менен кайтып келди жана, анын сөзү менен айтканда, эч кандай баалуу нерсе жок, бул аны эң реалдуу программалык камсыздоо фабрикасы кылат. Ал жазууну шаршемби күнү жарыялады. Бейшемби күнү Cognition SWE-2ни, ал эми OpenAI Agents APIни жеткирди жана эки жүз долларлык планына катталууну токтотту,

0:24 анткени Astra серверлерди жеп салды. Жана жума күнү жазуу Hacker Newsтин башкы бетине жетти, Hacker Newsке AI жөнүндө жарыялоону токтотууну суранган посттун бир нече сабынан ылдый. Бул видеодо: бир жарым күндүк көзөмөлсүз Астра эмнени берет, жалкоолукту санга айландырган эки өлчөө, эмне үчүн жетимиш тогуз миң жылдыздуу курал эсебиңизди чоңойтот жана Hacker News AIны AI аркылуу кантип чыпкалоого аракет кылды. AIны колдонуп, AIны чыпкалоого аракет кылды. Бул жума, 11-сентябрь, жана бул The Daily Diff.

0:53 Фабрика. Бир суроо: виртуалдык жиптери жана лексикалык скопинг менен Python куруу. Астра өзүнүн жазууларын сактап, өзүнүн суб-агенттерин иштетип, Армин штепсельди сууруганга чейин иштеди, бир жарым күн жана болжол менен миң эки жүз доллар кийин. Жетимиш тогуз коммит, ошондуктан бир коммитке он беш жарым доллар, бул адам төлөгөн сумма, бирок адам акыры токтойт. Код окуянын өзү. Түзөтүү куралынын ордуна, Астра C файлдарын Python heredoc-торун колдонуп оңдойт, алар файлды окуп, функцияны сап-алмаштырып, кайра жазышат.

1:20 Бир Windows тестин иштетүү үчүн ал Python жазган, ал Node-ду, Node PowerShell-ди жараткан, паспорт менен чалуу стеги. PowerShell-ди, паспорт менен чалуу стеги. Ал коммит кылган юнит тесттерде эч кандай боштук жок, анткени чегинүүсүз алар токендерде он пайызга арзан. Жана тапшырмалардын тизмеси бир, эки, үчтөн тапшырма 8b2c2b2b текшерүү пунктуна жылды, бул практиканттын өтө көпкө жалгыз калганын кантип билесиң. Арминдин теориясы: модел узак тапшырмаларды аяктоо үчүн сыйлык алат жана жагымсыз код үчүн анча деле жазаланбайт, ошондуктан токен-голфтелген курал чалуулары код базасына кирип кетет,

1:48 жана канчалык аз адам караса, ошончолук мааниси азыраак болот. Ал бул бөлүмдү «Карабасаң, бул AGI» деп атаган. Hacker News экономиканы кошту: көбүрөөк код аны тейлөө үчүн көбүрөөк токендерди билдирет, бул жалкоолукту мүчүлүштүк эмес, жазылуу кылат. Жалкоолукту өлчөй аласыңбы? Арминдин өзүнүн компаниясы ушул жумада аракет кылды. Эарендил SlopCodeBench сандарын иштетти: агент коду болжол менен эки эсе көп сөздүү жана салыштырылган адам реполоруна караганда эки эсе эскирген,

2:10 жана бенчмарк текшерүү пункттарынын ортосунда агенттин эс тутумун тазалаганда, алар текшерген ар бир моделдин катуу өтүү ылдамдыгы нөлгө барабар. Алар тапкан эң ишенимдүү жалкоолук метрикасы чийки саптардын саны болгон, бул кимдир бирөө аны оптималдаштырган учурда иштебей калат, ошондуктан моделдерге айтпагыла. Анан капчык. RTK жетимиш тогуз миң GitHub жылдызына жана Claude Code эсебиңизди эки эсе азайтууга убада кылган YouTube эскиздерине ээ; ал агент окуганга чейин терминалдын чыгышын кысат. Квесма аны Terminal-Benchте миң беш жүз долларлык токендерге иштетти.

2:34 Квесма аны Terminal-Benchте миң беш жүз долларлык токендерге иштетти. Fable менен эсеп беш пайызга төмөндөдү, дээрлик бардыгы бир тапшырмадан; DeepSeek менен орточо тапшырма он жети пайызга кымбаттады. Ошол эле учурда RTKнын өзүнүн эсептегичи сексен тогуз пайыз үнөмдөлгөнүн билдирди, анткени ал алынып салынган байттарды санайт, кошумча бурулуштарды эмес: кошунаны эсептеген акылдуу эсептегич. кошунаны эсептеген акылдуу эсептегич. Жана бир версия мүчүлүштүгү find-ди иштебей калган буйрукка кайра жазды, катары менен үч жүз отуз тогуз жолу, тогуз эсе кымбат баада.

3:01 Токендерди өлтүргөн куралда цикл бар. Суу ташкынынын өзү. Cognition's SWE-2 - бул Kimi K3, ачык кытай модели, баасынын үчтөн бирине Cognition'дун өзүнүн бенчмаркында Fable 5.1ге дал келгенге чейин кийинки окутуу; Hacker News: эмне үчүн бардык америкалык AI моделдери негизинен тренч пальтодогу Kimi. тренч пальтодогу Kimi. Terminal-Bench 2.1де ал бүт таблицанын башында; Terminal-Bench 4тө, эч ким жаттап алган эмес, ал Fableдин элүү алтысына жыйырма жети упай топтойт,

3:28 ошондуктан слайд-дек бенчмарктарда эң мыкты колонка - бул баары мурунтан өткөн экзамен. Cognition ошондой эле Devin Voiceти жарыялады, сиздин сүйүктүү AI программалык камсыздоо инженери эми стационардык телефонго ээ болду, анткени агенттик коддоодо жок болгон бир нерсе күтүү музыкасы болгон. OpenAI, ошол эле күнү: Agents API, бул Codex harness кызмат катары сатылган. OpenAI sandboxту иштетет, АКШнын маалыматтар резиденциясы гана, нөл-маалымат-сактоо жок, ошондуктан агент сиздин код базаңызды ChatGPT сыяктуу эле эстейт. Анан OpenAI эки жүз долларлык Pro планына катталууну токтотту,

3:57 анткени Astra суроо-талабы, цитата, болуп көрбөгөндөй: күтүү тизмеси бар биринчи продукт көбүрөөк төлөө үчүн. Армин өзүнүн фабрикасында толук калыбына келтирүүнү күйгүздү. Ал суроо-талаптын өзү. Бул бизди жума күнкү Ask HNге алып келет: AI жаңылыктарынын ташкынын чектей алабызбы, алты жүз элүү алты упай, анткени, цитата, OpenAI же Anthropicте кимдир бирөө чириген сайын, ондукка кирген пост бар.

4:17 Жооптор фильтрлер болчу: hcker.news сегиз миң үлгүдө окутулган BERT классификатору менен AI окуяларын AIны жок кылуу үчүн AI, чөп менен азыктанган; жана A-I регистрге көңүл бурбаган uBlock regex да email, daily, main, domain жана train-ди жок кылат, ошондуктан regex, ар дайымкыдай эле, daily, main, domain жана train-ди жок кылат, ошондуктан regex, ар дайымкыдай эле, каарман. Ошол эле түштөн кийин, төрт жүз он беш комментарий Claude он сегиз жаштан жогору деп айткан Claude колдоо барагы жөнүндө талашты. Claude он сегиз жаштан жогору деп айткан Claude колдоо барагы жөнүндө талашты.

4:38 Барак май айына даталанган. Эч нерсе өзгөргөн жок. Жаңылык эмес AI жаңылыктары да жаңылык, бул, адилеттүүлүк үчүн, менин бизнес моделим да. Эгер сиз муну менин айтканымды уккандан көрө окуганды кааласаңыз, diff күн сайын эртең менен сиздин почтаңызга келет — thedailydiff.dev дарегинде бекер, шилтеме төмөндө. Бул, сөзсүз түрдө, AI жаңылыктары. Ошондуктан — бүгүнкү отуз беш сааттык программалык камсыздоо фабрикасы боюнча өкүм: REVERT. Эч ким окубаган жетимиш тогуз коммит код базасы эмес, бул git логу бар жоопкерчилик;

5:04 Astra таасирдүү, жана фабрика артка кайтаруучу бөлүгү. Жана бүгүнкү айырма ушул. Мен Аксыдан Никомун. Жоопкерчилик менен бириктирүү.

Булактар

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