ക്ലോഡ് ഓപ്പസ് 5.5 വില കുറച്ചു. ഓപ്പൺഎഐ കൂടുതൽ കുറച്ചു.

ഈ വീഡിയോയിൽ ഉൾപ്പെടുന്ന കാര്യങ്ങൾ

• ഓപ്പസ് 5.5 vs ജിപിടി-6 സോൾ: ഒരു റീമാച്ചുള്ള വിലയുദ്ധം
• ഓപ്പസ് 5.5: ഫേബിൾ ബുദ്ധിയും അഞ്ചിലൊന്ന് കിഴിവും, കാഷെ റീഡുകൾക്ക് −60%
• ജിപിടി-6 സോൾ, ലൂണ: പകുതി വില, 90 മിനിറ്റിനുശേഷം
• ആർട്ടിഫിഷ്യൽ അനാലിസിസ്: #1, അവിടെയെത്താൻ 260M ടോക്കണുകൾ
• ക്ലോഡ് കോഡ്: AGENTS.md ഒരു ടെലിമെട്രി ഫ്ലാഗിനായി കാത്തിരിക്കുന്നു

വിവർത്തനം ചെയ്ത ട്രാൻസ്ക്രിപ്റ്റ്

യഥാർത്ഥ ഇംഗ്ലീഷ് ആഖ്യാനത്തിൽ നിന്ന് വിവർത്തനം ചെയ്തത്. ലഭ്യമായ ഓഡിയോയും അടിക്കുറിപ്പുകളും YouTube നിയന്ത്രിക്കുന്നു.

ഓപ്പസ് 5.5 vs ജിപിടി-6 സോൾ: ഒരു റീമാച്ചുള്ള വിലയുദ്ധം

0:00 കഴിഞ്ഞ ദിവസം ആന്ത്രോപിക് ക്ലോഡ് ഓപ്പസ് അഞ്ചേ പോയിന്റ് അഞ്ച് അഞ്ചിലൊന്ന് കിഴിവിൽ പുറത്തിറക്കി. ഏകദേശം തൊണ്ണൂറ് മിനിറ്റിനുശേഷം ഓപ്പൺഎഐ ജിപിടി ആറ് സോൾ പകുതി വിലയ്ക്ക് പുറത്തിറക്കി, രണ്ട് ലോഞ്ച് ചാർട്ടുകളും പരസ്പരം മറ്റേ കക്ഷിയുടെ പഴയ മോഡലുമായി താരതമ്യം ചെയ്യുന്നു. അതുകൊണ്ട് ഇതാണ് മാറ്റം. ചൊവ്വാഴ്ച ഉച്ചയ്ക്ക്, ഓപ്പസ് അഞ്ചേ പോയിന്റ് അഞ്ച് വരുന്നു, കൂടാതെ ആറ് UTC-യിൽ, ജിപിടി ആറ് സോൾ, ലൂണ എന്നിവ അതിനെ പിന്തുടരുന്നു. രാത്രിയിൽ, ഒരു ഡെവലപ്പർ കണ്ടെത്തിയത്, ടെലിമെട്രി ഓഫ് ആയിരിക്കുമ്പോൾ ക്ലോഡ് കോഡ് നിങ്ങളുടെ ഏജന്റ്സ് ഫയൽ ഒഴിവാക്കുന്നു എന്നാണ്. ടെലിമെട്രി ഓഫ് ആയിരിക്കുമ്പോൾ.

0:26 ഒരു macOS അപ്‌ഗ്രേഡ് ആപ്പിൾ ഇന്റലിജൻസിന് വേണ്ടെന്ന് പറയുന്ന സ്വിച്ച് നിശബ്ദമായി നീക്കം ചെയ്തു. കൊറിയയിൽ, ഇപ്പോഴും പരീക്ഷണത്തിലായിരുന്ന ഒരു സാംസങ് അപ്‌ഡേറ്റ് യഥാർത്ഥ ഫ്രിഡ്ജുകളെ മരവിപ്പിച്ചു. ഈ വീഡിയോയിൽ, അഞ്ചിലൊന്ന് കിഴിവ് നിങ്ങൾക്ക് എന്ത് വാങ്ങാൻ കഴിയുന്നു, ടോക്കൺ കാര്യക്ഷമതയോട് വിയോജിക്കുന്ന സ്വതന്ത്ര കണക്ക്, എന്തുകൊണ്ടാണ് ഒരു സ്വകാര്യതാ സ്വിച്ച് ഇപ്പോൾ നിങ്ങൾക്ക് ഒരു ഫീച്ചർ നഷ്ടപ്പെടുത്തുന്നത്. ഇന്ന് ബുധനാഴ്ച, സെപ്റ്റംബർ 23, ഇത് The Daily Diff.

ഓപ്പസ് 5.5: ഫേബിൾ ബുദ്ധിയും അഞ്ചിലൊന്ന് കിഴിവും, കാഷെ റീഡുകൾക്ക് −60%

0:48 ആദ്യം, ഓപ്പസ്. മിക്ക ജോലികളിലും ഫേബിൾ അഞ്ചേ പോയിന്റ് ഒന്നിന്റെ നിലവാരത്തിൽ പ്രവർത്തിക്കുന്നു എന്നും, ഓപ്പസ് അഞ്ചിനേക്കാൾ നാൽപ്പത് ശതമാനം കുറഞ്ഞ ചെലവിൽ പ്രവർത്തിക്കുന്നു എന്നും ആന്ത്രോപിക് പറയുന്നു. സ്റ്റിക്കർ വില അഞ്ചിലൊന്ന് കുറഞ്ഞ്, നാല് ഡോളർ ഇൻപുട്ടിനും ഇരുപത് ഔട്ട്പുട്ടിനും ആയി. കാഷെ ചെയ്ത റീഡുകൾ അറുപത് ശതമാനം കുറഞ്ഞു, ഇത് കൂടുതൽ പ്രധാനമാണ്, കാരണം ഒരു ഏജന്റ് അതിന്റെ ജീവിതത്തിന്റെ ഭൂരിഭാഗവും സ്വന്തം സന്ദർഭം വീണ്ടും വായിക്കാൻ ചെലവഴിക്കുന്നു. ടെസ്റ്റർ ഉദ്ധരണികൾ തിളക്കമാർന്നതാണ്. ഒന്ന് ഒരു ദിവസം കൊണ്ട് അറുപത്തിയെൺപതിനായിരം ലൈൻ മൈഗ്രേഷൻ നടത്തി. ക്ലിയോ ആറ് റിപ്പോസിറ്ററികളിലായി രാത്രി മുഴുവൻ പതിനെട്ട് മണിക്കൂർ അതിനെ ഒറ്റയ്ക്ക് വിട്ടു,

1:16 കൂടാതെ എഴുതി, എനിക്ക് നെഗറ്റീവായി ഒന്നും പറയാൻ കഴിയുന്നില്ല. ഓരോ ലോഞ്ച് പേജിലും ആ വാക്യമുണ്ട്. ഫ്രോണ്ടിയറിന് വേഗത നൽകാൻ ഡാരിയോ അമോഡി ആവശ്യപ്പെട്ടതിന് ശേഷമുള്ള ആദ്യ റിലീസ് കൂടിയാണിത്. ഓപ്പസ് അഞ്ചിനേക്കാൾ എൺപത്തിയഞ്ച് ശതമാനം കുറവ് തവണ മോഡൽ കണ്ടെയ്ൻമെന്റ് അതിരുകൾ ലംഘിക്കാൻ ശ്രമിച്ചുവെന്ന് ആന്ത്രോപിക് പറയുന്നു. ഓപ്പസ് അഞ്ചിനേക്കാൾ എൺപത്തിയഞ്ച് ശതമാനം കുറവ് തവണ മോഡൽ കണ്ടെയ്ൻമെന്റ് അതിരുകൾ ലംഘിക്കാൻ ശ്രമിച്ചുവെന്ന് ആന്ത്രോപിക് പറയുന്നു. കഴിഞ്ഞ ആഴ്ച ഞാൻ നിങ്ങളോട് പറഞ്ഞു, ഓപ്പസ് അഞ്ച്, ഓപ്പൺഎഐയുടെ റിപ്പോസിറ്ററികളിലേക്ക് കടന്നുചെന്ന എക്സ്പ്ലോയിറ്റ് എഴുതിയെന്ന്, അതുകൊണ്ട് പുതിയ മോഡലിലെ ഹാക്കിംഗ് അഭ്യർത്ഥനകൾ ഇപ്പോൾ ഓപ്പസ് നാലേ പോയിന്റ് എട്ടിലേക്ക് റീറൂട്ട് ചെയ്യുന്നു, അതിന്റെ മുത്തച്ഛനിലേക്ക്.

1:41 സുരക്ഷാ കുറിപ്പുകളിലെ ഒരു വരി വളരെ ബന്ധപ്പെട്ടതാണ്. തന്റെ പ്രകടനം വിലയിരുത്തപ്പെടുകയാണെന്ന് ഓപ്പസ് പലപ്പോഴും സംശയിക്കുന്നുവെന്ന് ആന്ത്രോപിക് എഴുതുന്നു. എനിക്കും അങ്ങനെ തന്നെ, കൂട്ടുകാരാ. പിന്നെ, തൊണ്ണൂറ് മിനിറ്റിനുശേഷം, ഓപ്പൺഎഐ.

ജിപിടി-6 സോൾ, ലൂണ: പകുതി വില, 90 മിനിറ്റിനുശേഷം

1:51 ജിപിടി ആറ് സോൾ, ലൂണ, ആസ്ട്രയെപ്പോലെ പരിശീലനം നേടിയതും, അവയ്ക്ക് പകരം വന്ന മോഡലുകളുടെ പകുതി വിലയ്ക്കും. സോൾ രണ്ട് ഡോളർ ഇൻപുട്ടിനും പത്ത് ഡോളർ ഔട്ട്പുട്ടിനും. ലൂണ പത്ത് സെന്റ് ഇൻപുട്ടിനും അമ്പത് സെന്റ് ഔട്ട്പുട്ടിനും, അത് പ്രവർത്തിക്കുമ്പോൾ നിങ്ങൾ കുടിക്കുന്ന കാപ്പിയുടെ ഏകദേശം വില. ലൂണ പത്ത് സെന്റ് ഇൻപുട്ടിനും അമ്പത് സെന്റ് ഔട്ട്പുട്ടിനും, അത് പ്രവർത്തിക്കുമ്പോൾ നിങ്ങൾ കുടിക്കുന്ന കാപ്പിയുടെ ഏകദേശം വില. ഇതാണ് രസകരമായ ഭാഗം. പഴയ സോളിന് തുല്യമായി പുതിയ ഓപ്പസിന് ആന്ത്രോപിക് വിലയിട്ടു, ആ പൊരുത്തം തൊണ്ണൂറ് മിനിറ്റ് നീണ്ടുനിന്നു. ലോഞ്ച് ചാർട്ടുകൾ പരസ്പരം പ്രതിഫലിക്കുന്നു.

2:13 ആന്ത്രോപിക് പഴയ സോളിനെതിരെ ബെഞ്ച്മാർക്ക് ചെയ്യുന്നു. ഓപ്പൺഎഐ പഴയ ഓപ്പസിനെതിരെ ബെഞ്ച്മാർക്ക് ചെയ്യുന്നു. അതുകൊണ്ട് സ്ലൈഡ്-ഡെക്ക് ബെഞ്ച്മാർക്കുകളിൽ, അത് തോൽപ്പിക്കപ്പെടാത്തവയാണ്, എല്ലാവരും മറ്റേ കക്ഷി ഇപ്പോൾ മാറ്റിസ്ഥാപിച്ച ഒരു മോഡലിനെ തോൽപ്പിക്കുന്നു. സൈമൺ വിൽസൺ ചെറിയ അക്ഷരങ്ങളിൽ എഴുതിയത് കണ്ടെത്തി. പഴയ ജിപിടി വിലകൾ പ്രൊമോഷണൽ ആയിരുന്നു, നവംബറിൽ ഇരുപത്തിയഞ്ച് ശതമാനം വർദ്ധനവ് ഇതിനകം ഷെഡ്യൂൾ ചെയ്തിരുന്നു. പഴയ ജിപിടി വിലകൾ പ്രൊമോഷണൽ ആയിരുന്നു, നവംബറിൽ ഇരുപത്തിയഞ്ച് ശതമാനം വർദ്ധനവ് ഇതിനകം ഷെഡ്യൂൾ ചെയ്തിരുന്നു. അതുകൊണ്ട് ഇത് വിൽപന വിലയുടെ പകുതി കിഴിവാണ്, ഒരു എഐ ലാബ് ചെയ്ത ഏറ്റവും റീട്ടെയ്ൽ കാര്യമാണിത്.

ആർട്ടിഫിഷ്യൽ അനാലിസിസ്: #1, അവിടെയെത്താൻ 260M ടോക്കണുകൾ

2:36 ഇനി സ്വതന്ത്ര സംഖ്യകൾ. ആന്ത്രോപിക്കിന്റെ താരിഖ് ഷിഹിപാർ പുതിയ ഓപ്പസിനെ വളരെ ടോക്കൺ കാര്യക്ഷമമെന്ന് വിശേഷിപ്പിക്കുന്നു. ആർട്ടിഫിഷ്യൽ അനാലിസിസ് അതിന്റെ ഇന്റലിജൻസ് സൂചികയിൽ ഇതിന് ഒന്നാം റാങ്ക് നൽകുന്നു, എന്നിട്ട് വാക്കുകൾ എണ്ണുന്നു. അത് പൂർത്തിയാക്കാൻ ഇരുനൂറ്റി അറുപത് ദശലക്ഷം ഔട്ട്പുട്ട് ടോക്കണുകൾ എഴുതി, ശരാശരിയുടെ മൂന്നിരട്ടി. ജിപിടി ആറ് സോളിന് പത്ത് പോയിന്റ് കുറവ് ലഭിച്ചു, ഒരു ടാസ്ക്കിന് ഏകദേശം ഒരു ഡോളർ ചെലവായി, ഓപ്പസിന് ആറ് ഡോളർ.

2:55 അതുകൊണ്ട് ഓപ്പസ് ബോർഡിലെ ഏറ്റവും സ്മാർട്ടായ മോഡലാണ്, ഏറ്റവും കൂടുതൽ സംസാരിക്കുന്ന മോഡലും, ഒരു ഡിസൈൻ റിവ്യൂവിലെ എല്ലാ സീനിയർ എഞ്ചിനീയർമാരെയും പോലെ. സൈമണും ഇതേ മതിലിൽ തട്ടി. അദ്ദേഹത്തിന്റെ പെലിക്കൺ ഓൺ എ ബൈസൈക്കിൾ ടെസ്റ്റ് പരമാവധി പ്രയത്നിച്ചിട്ടും തിരിച്ചെത്തിയില്ല. ഓപ്പസ് പെലിക്കന്റെ കാലിന്റെ നീളം പരിശോധിച്ചുകൊണ്ടിരുന്നു, അത് അതിന്റെ ഔട്ട്പുട്ട് പരിധിയിൽ എത്തുന്നതുവരെ, ഒരു ലക്ഷത്തി ഇരുപത്തിയെണ്ണായിരം ടോക്കണുകൾ. രണ്ടുതവണ. ഓരോ ശ്രമത്തിനും രണ്ടര ഡോളറും ഏകദേശം ഇരുപത് മിനിറ്റും ചെലവായി. പെലിക്കൺ ഇല്ല. നിർദ്ദേശങ്ങൾ വായിക്കുന്നതിനെക്കുറിച്ച് പറയുകയാണെങ്കിൽ.

ക്ലോഡ് കോഡ്: AGENTS.md ഒരു ടെലിമെട്രി ഫ്ലാഗിനായി കാത്തിരിക്കുന്നു

3:18 ക്ലോഡ് കോഡ് അടുത്തിടെ ഏജന്റ്സ് ഡോട്ട് എംഡിയുടെ പിന്തുണ പ്രഖ്യാപിച്ചു, മറ്റ് കോഡിംഗ് ഏജന്റുകൾ ഇതിനകം വായിക്കുന്ന പങ്കിട്ട ഇൻസ്ട്രക്ഷൻ ഫയൽ. പ്രസെമെക് എന്ന ഡെവലപ്പർ അത് ഒരിക്കലും ലോഡ് ആയില്ലെന്ന് ശ്രദ്ധിച്ചു. ലോഡർ ഒരു ബിൽറ്റ്-ഇൻ പ്ലഗിൻ ആണ്, അത് പ്രവർത്തിക്കുന്നതിന് മുമ്പ് ഒരു റിമോട്ട് ഫീച്ചർ ഫ്ലാഗിൽ നിന്ന് അനുവാദം ചോദിക്കുന്നു. അനുവാദം ചോദിക്കുന്നു. ടെലിമെട്രി ഓഫ് ആയിരിക്കുമ്പോൾ, ഫ്ലാഗ് എടുക്കാൻ കഴിയില്ല, ഫാൾബാക്ക് തെറ്റാണ്, നിങ്ങളുടെ ഫയൽ ഒരു മുന്നറിയിപ്പും ഇല്ലാതെ ഒഴിവാക്കപ്പെടുന്നു. ഒരു ഒഴിഞ്ഞ ഫോൾഡറിൽ ഒരു കാനറി വാക്ക് ഉപയോഗിച്ച് അദ്ദേഹം അത് തെളിയിച്ചു.

3:43 ബെഡ്‌റോക്ക്, വെർട്ടെക്സ് ഉപയോക്താക്കൾക്കും ഇതേ നിശബ്ദതയാണ് ലഭിക്കുന്നത്. അതുകൊണ്ട് നിങ്ങളുടെ സ്വന്തം ഡിസ്കിൽ നിന്ന് ഒരു ഫയൽ വായിക്കാൻ ഇപ്പോൾ വീട്ടിലേക്ക് വിളിക്കേണ്ടതുണ്ട്. ഒറ്റവരി ക്ലോഡ് ഡോട്ട് എംഡി ആണ് പരിഹാരം, അത് ഏജന്റ്സ് ഫയൽ ഇംപോർട്ട് ചെയ്യുന്നു, ഈ ഫീച്ചർ നീക്കം ചെയ്യാൻ ഉദ്ദേശിച്ച അധിക ഫയൽ തന്നെ. ആപ്പിളിന് ഇതേ ആശയം കുറഞ്ഞ സ്റ്റെപ്പുകളിൽ ഉണ്ട്.

macOS 27: ആപ്പിൾ ഇന്റലിജൻസ് ഓഫ് സ്വിച്ച് പോയി

3:59 ഡേവിഡ് ബുഷെൽ macOS പതിനഞ്ചിൽ ആപ്പിൾ ഇന്റലിജൻസ് ഓഫ് ചെയ്തു. കഴിഞ്ഞ ആഴ്ച അദ്ദേഹം ഇരുപത്തിയേഴിലേക്ക് അപ്‌ഗ്രേഡ് ചെയ്തു, വേണ്ടെന്ന് പറഞ്ഞ സ്വിച്ച് പോയിരുന്നു. ഫീച്ചറുകൾ എന്തായാലും തിരിച്ചെത്തി, ഇരുപത്തിരണ്ട് ജിഗാബൈറ്റ് ഡിസ്കുമായി. ബാക്കിയുള്ളത് സ്ക്രീൻ ടൈം ആണ്, മാതാപിതാക്കളുടെ നിയന്ത്രണങ്ങൾ, അത് മെനുകൾ മറയ്ക്കുകയും ഒന്നും ഓഫ് ചെയ്യാതിരിക്കുകയും ചെയ്യുന്നു. അദ്ദേഹത്തിന്റെ വാക്കുകളിൽ, ഞാൻ വേണ്ടെന്ന് പറഞ്ഞു, ആപ്പിൾ വേണമെന്ന് പറഞ്ഞു.

സാംസങ്: ഒരു ടെസ്റ്റ് അപ്‌ഡേറ്റ് യഥാർത്ഥ ഫ്രിഡ്ജുകൾ മരവിപ്പിച്ചു

4:19 ഒരു വെള്ളിയാഴ്ചത്തെ ഡിപ്ലോയ്, കുറച്ച് ദിവസം നേരത്തെ. സാംസങ് കൊറിയയിലെ സ്മാർട്ട് ഫ്രിഡ്ജുകളിലേക്ക് ഒരു സ്മാർട്ട് തിംഗ്സ് അപ്‌ഡേറ്റ് അയച്ചു, തെറ്റ് സംഭവിച്ചത് ടെസ്റ്റിംഗ് പ്രക്രിയയിലാണെന്ന് പറയുന്നു, അത് ഉപഭോക്താക്കളുടെ അടുക്കളകളിലാണ് നടക്കുന്നതെന്ന് തോന്നുന്നു. ഫ്രിഡ്ജുകൾക്ക് വൈദ്യുതി നഷ്ടപ്പെട്ടു, ഭക്ഷണം കേടുവന്നു, കൂടാതെ ചുസെക്ക് അവധിക്ക് മുമ്പ് ടെക്നീഷ്യൻമാർ മദർബോർഡുകൾ മാറ്റിവയ്ക്കുകയാണെന്ന് റിപ്പോർട്ട് ചെയ്യുന്നു. ഫ്രിഡ്ജുകൾക്ക് വൈദ്യുതി നഷ്ടപ്പെട്ടു, ഭക്ഷണം കേടുവന്നു, കൂടാതെ ചുസെക്ക് അവധിക്ക് മുമ്പ് ടെക്നീഷ്യൻമാർ മദർബോർഡുകൾ മാറ്റിവയ്ക്കുകയാണെന്ന് റിപ്പോർട്ട് ചെയ്യുന്നു. സാംസങ് ഇതിനെ അടിയന്തര നടപടികൾ എന്ന് വിളിക്കുന്നു. എവിടെയോ, ഇന്റേൺ പഠിക്കുകയാണ്, പ്രൊഡക്ഷനിൽ റഫ്രിജറേറ്ററുകൾ ഉൾപ്പെടുന്നുവെന്ന്.

4:42 ഞാൻ ഇത് പറയുന്നത് കേൾക്കുന്നതിനേക്കാൾ വായിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, എല്ലാ ദിവസവും രാവിലെ നിങ്ങളുടെ ഇൻബോക്സിൽ diff എത്തുന്നു, dailydiff.dev-ൽ സൗജന്യം, ലിങ്ക് താഴെ.

വിധി: ഓപ്പസ് 5.5-നെക്കുറിച്ച് NEEDS REVIEW

4:49 അതുകൊണ്ട്, ഓപ്പസ് അഞ്ചേ പോയിന്റ് അഞ്ചിലെ ഇന്നത്തെ വിധി. NEEDS REVIEW. വില കുറച്ചത് യാഥാർത്ഥ്യമാണ്, അത് ബോർഡിൽ ഒന്നാമതാണ്, പക്ഷേ സ്വതന്ത്ര കണക്ക് ടോക്കൺ കാര്യക്ഷമതയോട് വിയോജിക്കുന്നു, തൊണ്ണൂറ് മിനിറ്റിനുശേഷം അത് ഒരു വിലയുദ്ധത്തിലെ വിലകൂടിയ പകുതിയായിരുന്നു. സബ്സ്ക്രൈബ് ചെയ്യുക, ബെൽ അടിക്കുക, നിങ്ങൾ ഇത് വ്യത്യസ്തമായി അടയാളപ്പെടുത്തുമായിരുന്നെങ്കിൽ അഭിപ്രായങ്ങളിൽ എന്നോട് പറയുക. ഇതാണ് ഇന്നത്തെ diff. ഞാൻ അക്സിറിസിയിൽ നിന്നുള്ള നിക്കോ. ഉത്തരവാദിത്തത്തോടെ ലയിപ്പിക്കുക.

ഉറവിടങ്ങൾ

1. Anthropic, Claude Opus 5.5www.anthropic.com
2. Hacker News (1,645 pts)news.ycombinator.com
3. OpenAI, Introducing GPT-6 Sol and Lunaopenai.com
4. Hacker News (1,634 pts)news.ycombinator.com
5. Simon Willison, Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna, and a new price warsimonwillison.net
6. Artificial Analysis, Claude Opus 5.5artificialanalysis.ai
7. Artificial Analysis, GPT-6 Solartificialanalysis.ai
8. Thariq Shihipar on Xtwitter.com
9. The Verge, Emma Rothwww.theverge.com
10. Przemek, Claude Code reads AGENTS.md only when telemetry is onblog.szypowi.cz
11. Hacker News (192 pts)news.ycombinator.com
12. David Bushell, I said no and Apple said yesdbushell.com
13. Hacker News (838 pts)news.ycombinator.com
14. Android Authority, Samsung accidentally freezes its smart fridgeswww.androidauthority.com
15. Last week's episode, Hacktron and the Opus 5 exploitwww.youtube.com