Claude Opus 5.5 нь Code Arena дээр 1-р байранд орлоо - Одоо шилдэг код бичих хиймэл оюун ухааны өрсөлдөгчдийн нэг боллоо

Товчхондоо: Claude Opus 5.5-ын хамгийн дээд түвшин нь Arena.ai Code Arena WebDev дээр 1818 оноогоор 1-р байранд бичигдэж байгаа бөгөөд Artificial Analysis-ын Coding Agent Index-ийг хамгийн ихдээ 66 оноогоор тэргүүлж байна. Эдгээр нь таны нөөцлөлт биш, харин нийтийн термометр юм. Хэрэв та код илгээж амьжиргаагаа залгуулах гэж байгаа бол анхдагч тохиргоогоо өөрчлөхөөсөө өмнө өөрийн даалгавраа богино хугацаанд туршиж үзээрэй.

Гол дүгнэлтүүд:

Код Арены тэргүүлэгч: 1,818 WebDev Elo-г үйлдвэрлэлийн баталгаа биш харин давуу тал гэж үз.

Агентын индексийн оргил үе: Алдаа гарах нь үнэтэй наалдамхай тасалбаруудад хамгийн их хүчин чармайлт гаргах.

Зардлын буцаан олголт: Лог жетон болон ханын цаг; оргил оноо болон хямд оноо зөрдөг.

Эхлээд жигнэх: Нэг UI хувилбар, нэг рефактор, нэг урт агентын сессийг өөрөө туршиж үзээрэй.

Титэм эргэлддэг: Суллах мөчлөгүүдийн хооронд дууны хэмжээг багасгахын тулд хямд үнийн тохиргоог хадгална уу.

Тэргүүлэгчдийн самбарыг эзлэх нь, энгийнээр тайлбарлав

Arena.ai нь Claude Opus 5.5 (Max)-ийг Code Arena-ийн WebDev жагсаалтын нэгдүгээрт 1818 оноогоор. Энэ нь дараагийн загвар болох GPT-6 Astra Max-аас ойролцоогоор хорин зургаан оноогоор илүү бөгөөд өмнөх Opus 5 Max-аас (1692 оноотой) мэдэгдэхүйц үсрэлтийг харуулж байна. Эдгээр нь самбарын мэдээлэгдсэн тоонууд бөгөөд би битүүмжлэлийн лабораторид бие даан дахин ажиллуулсан зүйл биш юм. Гэсэн хэдий ч ижил гэр бүлийн Max түвшингээс ~126 оноогоор ахих нь хүмүүсийг спортын оноо гэх мэт Elo чартуудыг шинэчлэхэд хүргэдэг дельта юм.

Хиймэл шинжилгээ нь тус тусад нь Opus 5.5-ыг Кодлох Агентын Индекс дээр шинэ номер нэг гэж мэдээлдэг бөгөөд тэдний хянаж буй үнэлгээний дагуу өсөлттэй байна. Клод Кодын дотор хамгийн их хүчин чармайлтаар загвар нь уг индекс дээр 66 оноо авсан нь тэдний одоогоор хэмжиж байгаа хамгийн өндөр оноо гэж хэлж байна. Тэмдэглэлд нэг чухал зүйл бий: хүчин чармайлтаа хэт их гаргахад даалгавар тус бүрийн өртөг өндөр байдаг. Оргил оноо болон хямд оноо нь ижил зүйл биш юм.

Эдгээр хоёр дохиог нэгтгэснээр та хамгийн чухал түүхийн өнцгийг олж авна: "загварыг гаргасан" биш, харин "код бичих самбарыг яаран эргүүлсэн". Нээлтийн зарлалууд хэвлэл мэдээллийн хэрэгслээр гарч ирдэг. Тэргүүлэгчдийн самбарыг эзэмших нь хэрэглэгчид ажлын бус цагаар бүлгийн чат руу дэлгэцийн зураг авах боломжийг олгодог зүйл юм.

• Arena.ai код Arena WebDev: Opus 5.5 (хамгийн их) хувилбар 1,818 гэж мэдээлсэн
• Хамрах хүрээний дараагийн өрсөлдөгчтэй харьцуулсан зай: ойролцоогоор +26 vs GPT-6 Astra Max
• Өмнөх Opus 5 Max-тай харьцуулахад үсрэлт: ~1,692-оос 1,818 хүртэл
• Хиймэл шинжилгээний кодлох агентын индекс: шинэ #1; Клодын кодод хамгийн их хүчин чармайлтаар 66
• Үүнтэй адил индексийн тэмдэглэл: тухайн хүчин чармайлтын нөхцөлд даалгавар тус бүрийн өртөг өндөр байна

Мэдээлсэн агшин зураг: Code Arena дээрх Opus 5 Max болон Opus 5.5 Max-ын тоглолтууд

Харьцуулах хүснэгтүүд нь зөвхөн сэтгэл санааны байдал болон дэлгэцийн агшингуудыг агуулсан үед тусалдаг. Доорх нь бие даасан бус энгийн мэдээлэгдсэн агшин зургийн хүрээ юм. Олон нийтийн самбарууд үргэлж тэгш бус байдаг тул нүднүүд бага зэрэг тэгш бус байдаг - мөн "Макс" нэршил нь таны нүдийг гашилгахад хангалттай байдаг.

Зарим уншигчдын хувьд энэ хүснэгт ялагчийг тодруулахад хангалттай мэт санагдаж байна. Гэхдээ тийм биш. Эло болон агентын индексүүд нь тохиромжтой термометр юм. Эдгээр нь таны үйлдвэрлэлийн нөөц биш юм.

Код Арена юуг хэмждэг вэ

Хэрэв та зөвхөн зэрэглэлийг нь уншвал тестийн хэлбэрийг алдаж байна. Code Arena, ялангуяа хүмүүсийн иш татаж буй WebDev загвар нь код бичих болон интерфэйс бүтээх даалгавруудын харьцуулсан давуу эрх. Хүмүүс (болон аренийн санал хураалтын механизм) загварын гаралтуудын хооронд ялагчдыг сонгодог. Энэ нь зөв харагдаж, демо хувилбаруудад цэвэрхэн ажиллаж, сохор харьцуулалтаар өнгөлсөн мэт санагддаг кодыг шагнана - урд талын бүтэц, харилцан үйлчлэл, харааны уялдаа холбоо гэх мэт нь localhost-ийн урьдчилсан тоймыг "шилжүүл" гэж хашгирахад хүргэдэг зүйл юм.

Энэ бол статик олон сонголттой код бичих шалгалтаас өөр спорт юм. Энэ нь мөн загвар нь өөрийгөө буланд шахахгүйгээр хэдэн арван хэрэгслийн дуудлагын турш бүрхүүлийн сессийг идэвхтэй байлгах ёстой урт хугацааны агентын үнэлгээнээс өөр юм. Загвар нь хөөрхөн UI сорилтыг даван туулж, гурван номын сан бэхлэгдэж, барьцааны нөхцөл байдал шиг тохиролцсон хэврэг тестийн багц шаардлагатай монорепо шилжилтийг хийж чадна.

Тиймээс Opus 5.5 нь WebDev дээр 1818 оноотой байхад үүнийг Arena сонгогчдын харж буй бүтцийн төрлүүдийн давуу тал гэж уншаарай. Хурдан localhost аппликейшнууд, тоглоомууд, storyboards болон visual UI нь энэ шугамд бараг л сайн тохирдог - энэ нь шөнийн турш үргэлжилсэн демо хувилбаруудтай давхцдаг. Preference Elo бол худал биш. Энэ бол тодорхой төрлийн үнэн юм. Үүнийг бүрэн тэжээллэг чанарын самбар биш, харин цэсийг амталж байгаа мэт харьц.

Бас нэг хачин зүйл: Хамгийн дээд түвшний шошгололт. Илүү их хүчин чармайлт / өндөр багтаамжийн тохиргоо нь ихэвчлэн илүү их токен, илүү их тооцоолол, илүү их тэвчээр гэсэн үг юм. Хамгийн дээд хувилбаруудыг харуулсан самбарууд нь таазыг харуулж байгаа болохоос стендап үзэж байхдаа хийдэг өдөр тутмын API дуудлагыг харуулж байгаа юм биш. Тааз чухал. Өдөр тутмын жолоочийн зардал ч бас чухал. Хоёр бодлыг хоёуланг нь анхаарч үзээрэй.

Кодлох агентын индекс ба өртгийн оргил үеийн тэнцвэр

Artificial Analysis-ийн Кодлох Агентын Индекс нь энэхүү өсөлтийн түүхийн бас нэгэн тулгуур багана юм. Тэдний тайланд Opus 5.5-ыг хянаж буй үнэлгээний сайжруулалтаар тэргүүлж байгаа бөгөөд энэ нь Клод Кодын хамгийн их хүчин чармайлтаар 66-р байранд орсон байна. Тэдний хэмжсэн хамгийн өндөр үзүүлэлт бол хүчтэй өгүүлбэр юм. Мөн насанд хүрэгчдэд зориулсан зүүлт тайлбартай хамт ирдэг: хурдасгуурыг газардах үед даалгавар тус бүрийн өртөг нэмэгддэг.

Энэ бол төсөвтэй багуудын хувьд хамгийн сайн загварын маргааны гол цөм юм. Хамгийн их хүчин чармайлтаар ялсан загвар нь даалгавар бүр бага хэмжээний жетон шатаасан ч гэсэн долоо хоногт хожигдож болно. Зарим хэрэглэгчид урт хугацааны сессүүдэд жетон шатаж байгааг хардаг гэж шуугиан тарьж байна. Энэ нь оноог хүчингүй болгодоггүй. Энэ нь бүтээгдэхүүний шийдвэрийг дахин тодорхойлдог: хамгийн их хүчин чармайлтыг муухай тасалбаруудад зориулж хадгалж, цавуу код, рефакторууд болон "энэ товчийг арай муухай болгох" ажилд зориулж хямд профайлыг хадгалах.

Үүнийг цаг тутамд төлбөр тооцоо хийдэг, хурдан ярьдаг хурц гэрээт гүйцэтгэгч хөлслөхтэй адил гэж бодоорой. Та тэднийг хэцүү асуудлыг шийдэхийг хүсч байна. Та тэднийг README бүрийг дахин бичихийг хүсэхгүй байна. Агентын оргил оноо бол чадварын баталгаа юм. Даалгавар тус бүрийн өртөг бол үйл ажиллагааны баталгаа юм. Шөнийн 1 цагт ганцаарчилсан инди хакердахын тулд хамгийн сайн кодчилдог хиймэл оюун ухаан нь нэгжийн эдийн засгийг харж буй компанийн хувьд автоматаар хамгийн сайн кодчилдог хиймэл оюун ухаан биш юм. Хоёр бүлэг хоёулаа ижил тэргүүлэгчдийн самбарын дэлгэцийн агшинг хашгирч байна.

• Даалгавар нь наалдамхай, олон файлтай, бүтэлгүйтэл нь үнэтэй үед хамгийн их хүчин чармайлт гарга
• Даалгавар хэвийн бөгөөд танд дуу чимээ хэрэгтэй үед доош залгаарай
• Зөвхөн олон нийтийн Elo-д төдийгүй өөрийн нэгтгэсэн PR-ийн өртгийг хянана уу
• Агент индексүүд болон Эло арена заримдаа санал зөрөлдөх байх гэж найдаж байна - өөр өөр спортууд

Хөгжүүлэгчийн шөнийн хариу үйлдэл: Апп, тоглоом, "Санаа зовоохгүй" энерги

Тоонууд гарчгийг тайлбарладаг. Демо хувилбарууд нь сэтгэл санааг тайлбарладаг. Хөгжүүлэгчид өнгөрсөн улиралд амралтын өдрүүдээ өнгөрөөсөн мэт хурдан localhost аппликейшнууд, жижиг тоглоомууд, storyboards болон UI/visual бүтээн байгуулалтуудыг нийтэлж байна. Үүний зарим нь сонголтын гажуудал юм - хүмүүс ялагчдыг хуваалцдаг болохоос түрүүлж ирсэн гурван бүтэлгүйтсэн үе биш. Гэсэн хэдий ч "хүлээгээрэй, энэ цэвэрхэн болсон" гэсэн нийтлэлүүдийн тоо нь үүнийг чимээгүй нөхөөс гэхээсээ илүү өсөлт мэт санагдаж байгаагийн нэг хэсэг юм.

Энэ онигооны мөчлөг аль хэдийн боловсорсон байна: Opus 5.5-г битгий цочирдуул. Энэ онигоо нь зөвхөн загвар өмсөгч зэрлэг байгальд хэтэрхий сайн санагдах эсвэл өмнөх хувилбарууд нь хүмүүст аюулгүй байдал болон бүтээгдэхүүний шинэчлэлтүүд заримдаа ирмэгийг бүдгэрүүлдэг гэдгийг зааж өгөх үед л гарч ирдэг. Ямар нэгэн цочирдуулалт гарах эсэх нь хамаагүй. Энэ меме бол сэтгэл хөдлөлийн температурыг шалгах явдал юм. Одоо энэ хэмжүүр гэрэлтэж байна.

Платформууд ч бас хөдөлж байна. Жишээлбэл, Questflow нь Opus 5-аас 5.5 болгон шинэчлэлт хийх талаар яриа өрнүүлж байна. Багаж хэрэгсэл үйлдвэрлэгчид огцом өсөлтийг хурдан хүргэх нь эрэлт хэрэгцээ бодитой бөгөөд өмнөх түвшинг өнгөрсөн долоо хоногийн анхдагч гэж үзсэн гэсэн дохио юм. Интеграцийн хурд нь өөрийн гэсэн тойм юм: бүтээгдэхүүний багууд спортод зориулж загвар сонгогчдыг дахин бичдэггүй.

Анекдот хувилбарууд нь хөгжүүлэгчийн хариу үйлдэл болохоос хяналттай аудит биш юм. Энэ ялгааг духан дээрээ шивээсээр байгаарай. Үзэсгэлэнтэй storyboard демо нь байгууллагын найдвартай байдлыг батлахгүй. Энэ нь бүтээлч код бичих ажлын урсгалууд чихрийн оргилд хүрч байгааг нотолж байна - мөн чихрийн оргил нь хүмүүсийн дараагийн оролдлогыг өөрчилдөг.

Яагаад нэгдүгээрт өдөр тутмын ажилд автоматаар "Хамгийн сайн код бичих хиймэл оюун ухаан" гэж байдаггүй вэ?

Товчхондоо: зарим ажилд, хэдэн долоо хоногийн турш. Илүү урт хариулт: хамгийн сайн нь цом мэт дүр эсгэсэн портфолио гэдэг үг юм.

Хэрэв таны өдөр WebDev хэлбэртэй бол - буух хуудас, интерактив загварууд, харааны өнгөлгөө, хурдан тоглоомууд, storyboard шиг урсгалууд - Code Arena WebDev-ийн тэргүүлэгч нь маш чухал юм. Давуу эрхийн ялагчид хөтөч дээр сайн харагдах хандлагатай байдаг бөгөөд хөтөч дээр сайн харагдах нь энэ чиглэлд ажлын тал хувь нь юм. Хэрэв таны өдөр хэрэгсэл, бүрхүүл, урт сесс бүхий орооцолдсон кодын бааз дээр агентлаг код бичихээр бол Кодлох Агентын Индексийн оргил үе нь илүү сонирхолтой дохио юм - зардлын анхааруулга хэвээр байна.

Хэрэв таны өдөр дэлхий дээрх хамгийн хэцүү ажлууд бол - шинэлэг алгоритмууд, аюулгүй байдлын чухал системүүд, омгийн мэдлэгтэй зангилаатай өв уламжлалт стекүүд - тархсан хэрэглэгчдийн тэмдэглэлд Opus 5.5 нь хамгийн хэцүү асуудлуудыг даван туулж, сессүүд сунжирсан үед токенуудыг шатааж чадна гэж аль хэдийн бичсэн байна. Энэ бол зүгээр л довтолгоо биш. Энэ бол танил хил хязгаарын хэв маяг юм: дундаж тохиолдол үсрэх боловч эмгэг жам нь эмгэг хэвээр байна. Энэ нь энэ бүхэл бүтэн бүтээл дэх хамгийн дур булаам бус, магадгүй хамгийн практик өгүүлбэр байж магадгүй юм.

Мөн өрсөлдөгчдийн нийлүүлэлтийг нэг долоо хоногт хийхийг анхаарч үзээрэй. Чаттер OpenAI GPT-6 Sol/Luna ангиллын хувилбаруудыг нэг дор гаргахыг дурдсан. Хэд хэдэн лаборатори бие биенээсээ хэдхэн хоногийн зайтай унах үед тэргүүлэгчдийн самбарууд эргэлддэг хаалга болж хувирдаг. Өнөөдрийн #1 нь маргаашийн "маш сайн хэвээр байгаа ч энэ бусад графикийг хараарай" байж болно. Хамгийн сайн нь түр зуурынх. Чадамжийн шалнууд илүү байнга өсөх хандлагатай байдаг. Дэлгэцийн зураг дээр биш, харин ратчет дээр бооцоо тавь.

Эргэлтийн бүтээгдэхүүний нэхэмжлэл (Болгоомжтой харьцах)

Самбараас гадна бүтээгдэхүүний нэхэмжлэлийн багц нь ердийн сувгаар эргэлдэж байна. Эдгээрийг энэ нийтлэлээс баталгаажсан лабораторийн үр дүн биш, харин эргэлдэж буй нэхэмжлэл гэж үзнэ үү:

• Олон даалгавар дээр "Fable 5.1" ангиллын гүйцэтгэлийг ойролцоогоор 40% бага ашиглалтын зардлаар тохируулсан (эргүүлэн татах боломжтой)
• Өмнөх Opus шатлалуудтай харьцуулахад илүү хүчтэй агент кодчилол болон компьютерийн хэрэглээний зан төлөв (нэрэмбэ + агентын индексийн шилжилттэй холбоотой сэтгэл хөдлөлийн уялдаа холбоо)
• Зарим хэрэглэгчид энэ нь хамгийн хэцүү даалгавруудаас хоцорсоор байгаа гэж хэлж байна
• Урт хугацааны сессүүд нь хүмүүсийн хүлээж байснаас илүү хүчтэй токенуудыг шатааж чаддаг

Fable ангиллын зардлын мэдэгдэл нь чанартай болон хямд барааг нэгэн зэрэг борлуулахыг оролддог тул онцгой хурц юм. Хэрэв энэ нь таны ажлын ачаалалд нийцэж байвал энэ нь өмнө нь Opus-tier чанарыг орой бүр тансаг оройн хоол шиг үнэлдэг гэж боддог байсан хүмүүст маш том асуудал юм. Хэрэв энэ нь таны хүсэлтэд нийцэхгүй бол та үүнийг Elo-д мэдрэхээсээ өмнө нэхэмжлэх дээр мэдрэх болно. Хувийн ажлын ачаалал > маркетингийн зэргэлдээ байдал. Үргэлж.

Илүү хүчтэй компьютерын хэрэглээ болон агент кодчилол нь Хиймэл шинжилгээний түүхтэй хамгийн цэвэрхэн нийцдэг мэдэгдэл юм. Хэрэгслийг ажиллуулж, товшиж, төлөвийг уялдаатай байлгаж чаддаг агентууд бол олон барилгачдын хүсдэг бүтээгдэхүүний хэлбэр юм. WebDev дээрх Preference Elo болон агентын индексийн оргилууд нь ижил ихэр байхгүйгээр шүлэглэж чаддаг. Тэд шүлэглэх үед хүмүүс чангаар ярьдаг. Хожим нь тэд зөрж эхлэх үед хүмүүс циник болдог. Дунд нь амьдар.

Нэг долоо хоногийн тулаан: Цаг хугацаа яагаад бүх зүйлийг сайжруулдаг вэ

Opus 5.5 нь мэдээний чимээгүй цөлд гарч ирээгүй. Энэ нь саяхан OpenAI GPT-6 Sol/Luna-ийн дурдсан зүйлс зэрэг байнга цуу яриа өрнүүлдэг өрсөлдөгч загваруудын хувилбаруудтай ижил долоо хоногт гарсан. Энэ нь хүн ихтэй байх нь чухал юм. Хүн ихтэй долоо хоногууд харьцуулсан дэлгэцийн агшинг бий болгодог. Харьцуулсан дэлгэцийн агшин нь омгийн зусланг бий болгодог. Омгийн зуслангууд нь нэг график нь соёл иргэншлийг суурьшуулдаг гэсэн хуурмаг байдлыг бий болгодог.

Энэ нь мөн тодорхой стресс тестийг бий болгодог. Хэд хэдэн хүчтэй загварууд нэгэн зэрэг ажиллахад хөгжүүлэгчид тэдгээрийг хэдхэн цагийн дотор нэг тоглоомын аппликейшн дээр буулгадаг. Шөнийн турш орон нутгийн хостуудын өсөлт нь энэхүү стресс тестийн сошиал медиад цацагдаж байгаатай холбоотой юм. Та аймшигтай арга зүй, маш сайн зугаа цэнгэлийн үнэ цэнэтэй тархсан жигнэмэгийг үзэж байна. Энэ бол шинжлэх ухаан биш. Хэрэв та сонголтын алдааг үл тоомсорлож, нүдээ аниад үзвэл энэ нь дохио өгч чадна.

Anthropic-ийн хувьд, Code Arena болон Coding Agent Index дээр #1 бичлэгүүдийг байршуулах нь маш сайн цаг хугацаатай эсвэл цаг хугацаа шиг харагдах маш сайн загварын чанар юм. Аль ч тохиолдолд өгүүлэмж гацсан: код бичих өсөлт, зөвхөн эхлүүлэх бичлэг биш.

Барилгачид үүнийг юу хийх ёстой вэ

Практик тоглоомын ном, ид шидийн үзэлгүй:

• Өөрийн гурван даалгавартай бэлтгэл ажлыг ажиллуул: нэг UI бүтээх, нэг олон файлын рефактор, нэг урт агентын сесс
• Лог жетон болон ханын цаг нь зөвхөн "ажилласан" төдийгүй
• Arena.ai болон Artificial Analysis-ийг зэрэглэлийн түүхийн гол олон нийтийн термометр гэж үзнэ үү
• Их хэмжээний ажилд зориулж хямд үнэтэй анхдагч загварыг хадгалах
• Хэрэв та Questflow гэх мэт аль хэдийн 5.5 хувилбар руу шилжсэн платформуудыг ашигладаг бол бүх зүйлийг дахин бичихээсээ өмнө одоо байгаа ажлын урсгалууд хэрхэн өөрчлөгдөж байгааг ажиглаарай
• "Үүрдийн хамгийн шилдэг нь" киноны хэсгүүдийг үл тоомсорло; хэд хэдэн удаагийн нээлтийн мөчлөгийн дараа дахин үзээрэй

Хэрэв хэрэглэгчийн интерфэйсийн даалгавар гарч ирээд, агентын урт хугацааны сесс үнэтэй болвол та хариултаа нэг өдрийн дотор авах болно. Хэрэв ачаалал болон зардал хоёулаа таны масштабад тохирсон бол баяр хүргэе - танд шинэ анхдагч тохиргоо гарч ирж магадгүй юм. Хэрэв хамгийн хэцүү даалгавар бүтэлгүйтсэн хэвээр байвал та тэргүүлэгчдийн самбарын танд хэзээ ч хэлэхгүй зүйлийг сурсан байна. Энэ бол бүхэл бүтэн тоглоом юм. Бага зэрэг хуурай. Маш практик.

Нэг төгс бус зүйрлэл, учир нь эдгээр өгүүллүүд сансрын хуулиар нэг зүйрлэлтэй байх шаардлагатай: ганц Элогийн удирдагчийг "хамгийн сайн кодчилдог хиймэл оюун ухаан" гэж үзэх нь дэлхийн шилдэг тогоочийг амттаны тэмцээнд түрүүлсэн гэж титэм зүүхтэй адил юм. Амттан чухал. Мөн арван хоёр сонгомол хамаатан садандаа эвдэрхий зуухтай оройн хоол хийх нь чухал. Таны репозитор бол хамаатан садан юм.

Энэ нь код бичих хиймэл оюун ухааны өргөн хүрээтэй зэвсгийн уралдаанд хэрхэн тохирч байна вэ

Алс холдуулбал загвар танил болно. Лабораториуд илгээнэ. Самбарууд холилдоно. Хөгжүүлэгчид шинэ таазыг дайран өнгөрнө. Багаж хэрэгслийн үйлдвэрлэгчид анхдагч тохиргоог шинэчилнэ. Хэн нэгэн гайхалтай мини тоглоом нийтэлнэ. Өөр хэн нэгэн муухай алдааны талаар алдаа нийтэлнэ. Титэм толгой солигдсон ч гэсэн дундаж чадвар дээшээ хэлбэлзэнэ.

Энд илүү шинэлэг санагдаж байгаа зүйл бол хос самбарын дохио болон алдар суутай хамт аялах зардлын тайлбар юм. Бид ганц чатын жишиг нь бүхэл бүтэн өгүүлэмжийг агуулж чадах эрин үеийг өнгөрөөсөн. Код бичих ажил нь практик дээр олон горимтой байдаг: бичих, засах, үзэх, товших, ажиллуулах, дахин оролдох. Агентлагт суурилсан индексүүд болон WebDev-ийн давуу эрхэд суурилсан талбарууд нь үүний өөр өөр хэсгүүдийг барьж авдаг. Нэг загвар хоёр хэсгийг нэгэн зэрэг удирдаж байх үед өсөлтийн яриа өөрөө бичигддэг.

Хэн ч Opus 5.5 тэргүүлэх эсэхийг мэдэхгүй. Хэрэв ~26 онооны зайтай хүрээ хэвээр байвал өрсөлдөгч Max-ийн түвшин WebDev самбар дээр аль хэдийн тодорхой зайд байна. Жижиг зайнууд өөрчлөгдөж болно. Демо хувилбаруудад "шөнийн дотор илүү сайн" мэт санагдах чадвар нь хэдэн долоо хоногийн дараа хүн бүр дасан зохицоход шинэ хэвийн зүйл хэвээр байж болно. Сонирхолтой, удаан үргэлжлэх асуулт бол титэм биш юм. Энэ нь энгийн барилгачдын хувьд агентын кодчилолын чанар өссөөр байгаа эсэх юм. Энэ асуултын хувьд зардлын тодорхой анхааруулгатай 66 гэсэн шинэ хэмжсэн дээд хэмжээ нь тодорхойгүй, маркетингийн холбогдолтой тайлан юм. Шаардлагатай бол нэр хүндийг нь дурдъя.

Эцсийн дүгнэлт

Claude Opus 5.5-ын Max түвшин нь Arena.ai-ийн Code Arena WebDev эгнээнд 1,818 оноогоор 1-р байранд орсон нь дараагийн нэрлэгдсэн өрсөлдөгчөөс хамрах хүрээгээрээ хорин зургаа орчим тэргүүлж, өмнөх Opus 5 Max-ын 1,692-ын ойролцоох үзүүлэлтээс хамаагүй өндөр байна. Artificial Analysis үүнийг Coding Agent Index-ийн шинэ #1 гэж мэдээлж байгаа бөгөөд Claude Code-д хамгийн их хүчин чармайлтаар 66 оноо авсан нь одоогоор тэдний хамгийн өндөр үзүүлэлт бөгөөд үүнээс гадна даалгавар тус бүрийн өртөг энэ хүчин чармайлтаар нэмэгддэг болохыг тэмдэглэжээ. Хөгжүүлэгчийн хариу үйлдэл чанга байна: хурдан localhost аппликейшнууд, тоглоомууд, storyboards, UI бүтээлтүүд, "nerf бүү хий" онигоонууд, Questflow нь Opus 5-аас 5.5 руу шилжих гэх мэт платформ шинэчлэлтүүд. Эргэлдэж буй мэдэгдлүүд нь Fable-ангиллын бага өртөгтэй түүх, илүү хүчтэй агент/компьютерийн хэрэглээний мэдрэмж, хүнд даалгаварууд болон токен шаталтын талаарх танил анхааруулгыг нэмж өгдөг.

WebDev хэлбэрийн тохиргооны ажлууд болон өндөр хүчин чармайлттай агент код бичихэд олон нийтийн самбарууд Opus 5.5 одоогоор тэргүүлж байна гэж мэдэгдэв. Таны тодорхой репозитор, төсөв, хар дарсан зүүдний тасалбарын хувьд та жигнэх ажлыг хийх хэрэгтэй хэвээр байна. Титэм эргэлддэг. Багаж хэрэгсэл нийлдэг. Өсөлтийг ашиглаарай, үүнийг бүү шүт. Нэхэмжлэх нь сюжетийн эргэлт шиг харагдаж эхлэхэд хоёр дахь загварыг дулаан байлгаж магадгүй юм.

Практик жишээ: Анхдагч хувилбараа өөрчлөхөөсөө өмнө гурван даалгавартай Opus 5.5 жигнэмэгийг ажиллуулах

ийн тухай тэргүүлэгчдийн самбарын дэлгэцийн агшин Code Arena дээр дөнгөж сая 1-р байранд орлоо - Одоо шилдэг код бичих хиймэл оюун ухааны өрсөлдөгчдийн дунд таны нөөц биш термометрүүд байна. Их Британийн чөлөөт бүрэн хэмжээний хөгжүүлэгч Elo-ийн шөнийн огцом өсөлтийг хэрхэн нэг өдрийн жигнэмэг болгон хувиргасныг энд харуулав - нэг UI бүтээх, нэг олон файлын рефактор, нэг урт агентын сесс - ямар ч анхдагч загвар сонгогчийг асаахаас өмнө.

Хувилбар

Райли нь SaaS хажуугийн төсөлд зориулж үйлчлүүлэгчийн буух хуудас болон өргөн хүрээтэй React/Node монорепог илгээдэг. Arena.ai Code Arena WebDev бичлэгүүд болон Artificial Analysis-ийн Coding Agent Index яриа Opus 5.5 (Max)-ийг тэргүүлсний дараа Slack нь "зүгээр л бүх зүйлд Max ашиглаарай" гэсэн эрч хүчээр дүүрсэн. Райлигийн нэхэмжлэхүүд аль хэдийн урт хугацааны сессүүдэд зарцуулагдаж байсан бөгөөд өнгөрсөн улирлын "хамгийн шилдэг нь" гэсэн солилцоо нь тэднийг сард хоёр удаа дахин бичихэд хүргэсэн.

Тэд олон нийтийн самбаруудыг нөхцөл байдалд байлгадаг - WebDev дээр 1818 гэж мэдээлсэн, агентын индексийн оргил үе нь зардлын тайлбартай - мөн Элог үйлдвэрлэлийн шийдвэр гэж үзэхээс татгалздаг. Төлөвлөгөө: Opus 5.5 дээр ердийн хүчин чармайлтын тохиргоонд гурван тогтмол даалгавар, зөвхөн шаардлагатай тохиолдолд наалттай тасалбар дээр нэг Max/max-exfort дамжуулалт. Лог жетон, ханын цаг, өөрчлөлт нь гол хэсэгт орсон эсэхийг. Хямд загвар нь цавууны ажилд дулаан хэвээр байна.

Зорилго нь "хамгийн сайн" гэсэн хувийн тодорхойлолт юм: нэгтгэсэн өөрчлөлт бүрийн чанар, бүлгийн чатын дэлгэцийн агшин биш.

Туслахад юу хэрэгтэй вэ

• Гурван хөлдөөсөн товч мэдээлэл: (1) жижиг интерактив WebDev UI, (2) тестүүдтэй олон файлын рефактор, (3) хэрэгслүүд/бүрхүүлийн алхамуудтай урт агент маягийн сесс
• Дүгнэлтийн хуудас: Даалгавар / Хүчин чармайлтын тохиргоо / Токенууд / Ханын цаг / Цэвэрхэн ажилласан уу? / Нийлүүлсэн үү? / Тэмдэглэл
• Өмнөх анхдагч загвараас ижил гурван товч мэдээлэл (бүр бүдүүлэг) дээрх үндсэн тэмдэглэлүүд
• Төсвийн дүрэм: бүтэлгүйтэл үнэтэй үед л хамгийн их хүчин чармайлт гаргах; их хэмжээний ажлыг хямд үнээр хийх
• "Зөвхөн термометр" гэсэн шошготой олон нийтийн самбарын холбоос эсвэл дэлгэцийн агшинг хүлээн авах шалгуур биш
• Анхны хөөрхөн localhost демогийн дараа биш, харин жигнэмэгийн дараа анхдагч тохиргоог шийддэг хүний ​​​​эзэмшигч

Жишээ заавар

Та надад код бичих үндсэн тохиргоогоо өөрчлөхөөс өмнө Claude Opus 5.5-д зориулж гурван даалгавартай ажлыг шударгаар гүйцэтгэхэд тусалж байна. Зөвхөн миний буулгасан даалгаврын товч мэдээлэл болон хэрэглээний дугаарыг ашиглаарай. Arena Elo, агентын индексийн оноо эсвэл зардлын хувийг бүү зохио.

Даалгавар: Гурван товч дүгнэлтийн байршлыг бөглөсөн онооны хуудсаа бүтээ. Дараа нь зургаан цэгийн шийдвэрийн дүрмийг бич: хэзээ Opus 5.5-г анхдагчаар хадгалах, хэзээ зөвхөн наалттай тасалбаруудад зориулж хамгийн их/хамгийн их хүчин чармайлтыг хадгалах, хэзээ хямд загварыг эзлэхүүнтэй ажилд зориулж хадгалах. Хэрэв миний буулгалтанд олон нийтийн тэргүүлэгчдийн самбарын дугаар гарч ирвэл түүнийг ТЕРМОМЕТР гэж тэмдэглэ.

Хязгаарлалтууд: Их Британийн Англи хэл. "Хамгийн сайн кодчилолтой хиймэл оюун ухаан" гэсэн хэлийг үүрд хориглоно. Мэдрэмжийн мэдрэмжээс илүү нэгдмэл өөрчлөлтийн өртгийг илүүд үзнэ үү. Хэрэв хэмжүүр байхгүй бол Fable ангиллын эсвэл 40%-ийн мэдэгдлүүдийг таамаглахын оронд [ХЭМЖИЛТ ХЭРЭГТЭЙ] гэж бичнэ үү.

Гаралт: хүснэгтийн толгой хэсэг дээр миний даалгавруудад нэрлэгдсэн гурван хоосон мөр, дараа нь шийдвэрийн сумнууд байна. Оршил байхгүй.

Үүнийг хэрхэн шалгах вэ

• Хэрэглэгчийн интерфэйсийн товч танилцуулга болон рефакторыг өдөр бүр ашигладаг ижил хүчин чармайлтын тохиргоогоор ажиллуулна уу. Зөвхөн "сайхан харагдаж байна" гэлтгүй, токен болон ханын цагийг бүртгэснээ баталгаажуулна уу
• “Code Arena #1 өөрөө үйлдвэрлэлийг өөрчлөхийг зөвтгөсөн үү?” гэж асуу. Сайн хариулт: үгүй ​​- зөвхөн бэлтгэлийн үр дүн л үүнийг зөвтгөдөг.
• Ирмэгийн тохиолдол: UI гарч ирэх, агентын урт сесс нь токенуудыг шатаах бөгөөд хүн хэрэгтэй хэвээр байна - Макс нь нөөцлөгдсөн, цавууны ажилд анхдагчаар хийгдээгүй гэдгийг баталгаажуулна уу.
• Ирмэгийн тохиолдол: хамгийн хэцүү эмгэг судлалын тасалбар амжилтгүй хэвээр байна - хоёр дахь загварыг дулаан байлгаж, бүхэл бүтэн стекийг дахин бичихгүй байхыг баталгаажуулна уу.
• Хүлээн авах шалгалтууд: (1) хэмжсэн оноогоороо 1818 эсвэл 66 оноог зохиогоогүй, (2) тэмдэглэл хөтөлсөн гурван даалгаврыг гүйцэтгэсэн эсвэл илт бүтэлгүйтсэн, (3) зардлыг бүртгэсэн, (4) эзлэхүүнээс шалтгаалан хямд үнийн анхдагчаар нэрлэгдсэн хэвээр байгаа, (5) хэдэн мөчлөгийн дараа гаргахаар товлосон огноог дахин тогтоосон.

Үр дүн

Жишээ үр дүн (Arena.ai эсвэл хиймэл шинжилгээний бие даасан дахин ажиллуулалт биш, нэг өдрийн дотор гурван хөлдөөсөн товч танилцуулга дээр нэг чөлөөт хөгжүүлэгчийн жишээ тооцоолол): WebDev маягийн UI товч танилцуулга дээр Opus 5.5 нь хэвийн хүчин чармайлтаар нэг дамжуулалтаар цэвэр localhost урьдчилсан тоймыг гаргасан (1-ээс 1 нь хөнгөн өнгөлгөө хийсний дараа нэгтгэгдсэн; ойролцоогоор 12 минутын ханын цаг). Олон файлын рефактор дээр 1 туршилтын багцын 1 нь нэг удирдамжтай дахин оролдлогын дараа ногоон болсон; токенууд нь ижил товч танилцуулга дээрх өмнөх анхдагч утгаас 30% орчим өндөр байсан (өөрөө мэдээлсэн хэрэглээний экспорт). Урт хугацааны агентын сесс дээр токен огцом нэмэгдсэний дараа наалдамхай тасалбарыг хүний ​​тусламжтайгаар дуусгасан - илүү их хүчин чармайлтаар хүчтэй, өдөр тутмын анхдагч утга шиг хэт их зардал гарсан. Бялуулалтын дараах шийдвэр: Opus 5.5 нь UI болон дунд хэмжээний рефакторуудын хувьд анхдагч болсон; хамгийн их хүчин чармайлт нь муу тасалбаруудад зориулагдсан; хямд загварыг README/цавууны ажилд хадгалсан. Эрүүл ахуйн шалгах хуудсан дээр (термометрийн шошгыг хадгалсан, токенуудыг бүртгэсэн, хоёр дахь загварыг дулаацуулсан, "үүрд хамгийн сайн" солилцоо байхгүй) 4 зүйлийн 4 нь тэнцсэн. Хязгаарлалтууд: n=3 даалгавар, нэг хөгжүүлэгч, хуваалцах боломжтой UI ялалтад чиглэсэн сонголтын хандлага; олон нийтийн Elo зөрүү ирэх долоо хоногт өөрчлөгдөж магадгүй.

Өөрийн хувилбарыг хэмжихийн тулд: ижил гурван товчлолыг хөлдөөх; эхлээд одоогийн анхдагч утгыг оноох; Opus 5.5-г ижил товчлолуудтай ажиллуулах; амжилт, жетон, ханын цаг, нэгтгэх хурдыг харьцуулах; дараа нь харуулсан хуваарьтай хамт хүчин чармайлтын түвшинг тохируулах.

Юу буруу болж болох вэ

• Дэлгэцийн агшинд мөргөх: Код Аренагийн зэрэглэл дээрх анхдагч тохиргоог өөрчлөх нь өөрөө юм.
• Бүх зүйлд хамгийн тохиромжтой: Таазны оноо хөөрхөн харагдаж байсан тул цавуу код дээр токены төсвийг шатааж байна.
• Демо хэвийлт: Монорепо тасалбар амжилтгүй хэвээр байхад storyboard-д хожсоноос үүдэлтэй тээвэрлэлтийн сэтгэл санаа.
• Зардлын харалган байдал: Агентын индексийн оргил үеийн даалгавар тус бүрийн өртгийн тайлбарыг үл тоомсорлох.
• Дан загварын түгжээ: Өрсөлдөгч Макс шатлалууд хашхирах зайд байрлах үед дулаан нөөцийг унагадаг.
• Үргэлж бодож байх: Дараагийн хөл хөдөлгөөн ихтэй нээлтийн долоо хоногийн дараа дахин уулзахгүй байх.

Практик хоол

Opus 5.5-д тэргүүлэгч Code Arena WebDev болон Кодлох Агентын Индекс нь жинхэнэ өсөлтийн дохио бөгөөд зөвхөн термометр юм. Нэг UI бүтээлт, нэг олон файлын рефактор, нэг урт агентын сесс ажиллуул; лог жетон болон нэгтгэлтүүд; хамгийн их хүчин чармайлтыг наалдамхай ажилд зориул; эзлэхүүний хувьд хямд анхдагч утгыг хадгал. Титэмүүд эргэлддэг. Таны нэгтгэсэн өөрчлөлтийн өртөг бол чухал цом юм.

Түгээмэл асуултууд

Claude Opus 5.5 нь Code Arena дээр дөнгөж сая 1-р байранд орсон гэдэг нь юу гэсэн үг вэ?

Arena.ai нь Claude Opus 5.5 (Max)-ийг Code Arena-ийн WebDev жагсаалтын тэргүүн байрт 1818 оноогоор оруулсан нь GPT-6 Astra Max-аас хорин зургаа орчим оноогоор түрүүлж, өмнөх Opus 5 Max-аас 1692 оноотой харьцуулахад мэдэгдэхүйц үсрэлт юм. Artificial Analysis нь тусдаа жагсаалтад Opus 5.5-ийг Coding Agent Index-ийн шинэ нэгдүгээр байрт жагсаасан бөгөөд үүнд Claude Code-ийн хамгийн их хүчин чармайлтаар 66 оноо багтсан байна. Эдгээр нь самбарын мэдээлэгдсэн тоо баримт бөгөөд бие даасан лабораторийн аудит биш юм. Гол нь зөвхөн хөөргөх цэг биш, харин код бичих самбарууд яаран эргэлдэж байгаа тухай түүх юм.

Code Arena дээр Opus 5 Max-аас Opus 5.5 Max руу шилжих шилжилт хэр том вэ?

WebDev-ийн мэдээлснээр өмнөх Claude Opus 5 Max нь 1692 оноотой байсан бол Opus 5.5 (Max) нь 1818 оноотойгоор тэргүүлж байжээ. Энэ нь ижил гэр бүлийн Max түвшингээс ойролцоогоор 126 оноогоор дээшилсэн үзүүлэлт бөгөөд энэ нь хүмүүсийг спортын оноо гэх мэт Elo чартуудыг шинэчлэхэд хүргэдэг дельта юм. GPT-6 Astra Max нь ~26 онооны зөрүүтэй ойролцоо хоёрдугаарт бичигдсэн байна. Хүснэгтийг таны үйлдвэрлэлийн хоцрогдлын талаарх дүгнэлт биш, харин давуу эрхийн хүчний термометр гэж уншаарай.

Code Arena-ийн WebDev эгнээ практик дээр юуг хэмждэг вэ?

Code Arena WebDev нь код бичих болон интерфэйс бүтээх даалгавруудын харьцуулсан давуу эрх дээр суурилдаг: сонгогчид загварын гаралтын хооронд ялагчдыг сонгодог. Энэ нь зөв харагдаж, демо хувилбаруудад цэвэрхэн ажиллаж, өнгөлсөн мэт санагддаг кодыг шагнана - фронтендын бүтэц, интерактив байдал, харааны уялдаа холбоо. Энэ нь олон арван хэрэгслийн дуудлагын хувьд бүрхүүлийг амьд байлгах ёстой статик олон сонголттой шалгалт эсвэл урт хугацааны агентын үнэлгээнээс өөр спорт юм. 1,818 WebDev тэргүүлэгч нь эдгээр бүтээн байгуулалтууд дээрх давуу эрхийн хүч болохоос репозитор бүрийн бүрэн тэжээллэг чанарын самбар биш юм.

Opus 5.5-ын хиймэл шинжилгээний кодчилолын агентын индексийн оноо хэд вэ?

Artificial Analysis нь Opus 5.5-г Кодлох Агентын Индекс дээр шинэ номер нэг гэж мэдээлдэг бөгөөд тэдний хянаж буй үнэлгээний дагуу өсөлттэй байна. Клод Кодын дотор хамгийн их хүчин чармайлтаар загвар нь 66 оноо авсан нь тэдний одоогоор хэмжиж байгаа хамгийн өндөр оноо юм. Насанд хүрэгчдийн тайлбарт хурдасгуурыг газардах үед даалгавар тус бүрийн өртөг нэмэгддэг гэжээ. Агентын оргил оноо нь чадавхийн нэхэмжлэл юм; даалгавар тус бүрийн өртөг нь үйл ажиллагааны нэхэмжлэл бөгөөд тэд ижил амьтан биш юм.

Claude Opus 5.5 нь өдөр тутмын ажилд хамгийн тохиромжтой код бичих хиймэл оюун ухаан мөн үү?

Энэ нь таны хувьд "хамгийн сайн" гэдэг нь юу гэсэн үг болохыг харуулж байна: олон нийтийн талбарт Elo, агентын индекс хамгийн их хүчин чармайлт гаргах, дууссан даалгавар бүрийн өртөг, эсвэл таны орооцолдсон репозитор Баасан гарагийн орой эмхэтгэгдэх эсэхээс хамаарна. WebDev хэлбэртэй өдрүүд - буух хуудас, туршилтын загвар, харааны өнгөлгөө - Code Arena WebDev-ийн тэргүүлэгчтэй сайн нийцдэг. Орооцолдсон кодын баазууд дээрх агентын өдрүүд нь Кодлох Агентын Индексийг илүү сонирхолтой болгодог бөгөөд зардлын анхааруулга хэвээр байна. Эргэлтийн тэмдэглэлүүд нь хамгийн хэцүү даалгавруудыг дагаж мөрдөж, урт хугацааны сессүүдэд токен шатааж чадна гэж хэлж байна.

Багууд Opus 5.5-тай өртөг болон оргил үеийн буулт хийх асуудлыг хэрхэн шийдвэрлэх ёстой вэ?

Алдаа гарах нь үнэтэй, олон файлтай ажилд хамгийн их хүчин чармайлтаа нөөцөлж, ердийн цавуу код, рефактор, өнгөлгөөний хэмжээг багасга. Зөвхөн олон нийтийн Elo төдийгүй өөрийн нэгтгэсэн PR-ийн өртгийг хяна. Хамгийн их хүчин чармайлтаар ялсан загвар нь даалгавар бүр их хэмжээний жетон шатаасан ч гэсэн долоо хоногоо алдаж магадгүй юм. Ганцаарчилсан инди хакерууд болон нэгжийн эдийн засгийг ажигладаг компаниуд өөр өөр анхдагч тохиргоог шаардаж байхдаа ижил дэлгэцийн агшинг хашгирч магадгүй юм.

Claude Opus 5.5 Just Ranked #1 шуугианыг тойрсон ямар бүтээгдэхүүний шуугиан тарьж байна вэ?

Хамрах хүрээ нь олон даалгавар дээр "Fable 5.1" ангиллын гүйцэтгэлтэй ойролцоогоор тэнцүү бөгөөд ашиглалтын зардлаас 40% бага, мөн өмнөх Opus шатлалуудаас илүү хүчтэй агент кодчилол болон компьютер ашиглах зан төлөвтэй гэсэн мэдэгдлийг тараадаг. Зарим хэрэглэгчид энэ нь хамгийн хэцүү даалгавруудаас хоцорч байгаа бөгөөд урт хугацааны сессүүд нь хүмүүсийн хүлээж байснаас илүү хүчтэй токен шатааж болзошгүй гэж хэлдэг. Эдгээрийг нийтлэлээс баталгаажсан лабораторийн үр дүн биш, харин тарааж буй мэдэгдэл гэж үз. Нэхэмжлэх ирэхэд хувийн ажлын ачаалал маркетингийн зэргэлдээ байдлаас давдаг.

Энэ долоо хоногт хөгжүүлэгчдийн хариу үйлдэл яагаад шөнийн дотор ийм чанга сонсогдсон бэ?

Хөгжүүлэгчид өнгөрсөн улирлын амралтын өдрүүдийн төслүүд шиг хурдан localhost аппликейшнууд, жижиг тоглоомууд, storyboards болон UI бүтээн байгуулалтуудыг нийтэлж байгаа бөгөөд энэ нь ялагчдыг сонгох тал дээр төвлөрч байна. "Битгий уурлаарай" гэсэн онигоо нь загвар нь зэрлэг байгальд хэтэрхий сайн санагдах үед сэтгэл хөдлөлийн температурын шалгалт болдог. Questflow зэрэг платформууд Opus 5-аас 5.5 болгон сайжруулж байгаа нь бодит эрэлтийг илтгэж байна. Анекдот демо нь хяналттай аудит биш, харин хариу үйлдэл юм - энэ ялгааг тодорхой байлгаарай.

Opus 5.5 хар тугалга кодлох самбарыг харсны дараа барилгачид юу хийх ёстой вэ?

Өөрийн гурван даалгаврын бэлтгэлийг ажиллуул: нэг UI бүтээх, нэг олон файлын рефактор, нэг урт агентын сесс. Лог жетон болон ханын цаг нь зөвхөн "ажилласан" төдийгүй. Arena.ai болон Хиймэл Шинжилгээг олон нийтийн термометр гэж үзэж, их хэмжээний ажлуудад хямд үнийн саналыг хадгалж, 5.5 дээр аль хэдийн байгаа платформууд бүх зүйлийг дахин бичихээсээ өмнө одоо байгаа ажлын урсгалыг хэрхэн өөрчилж байгааг ажиглаарай. "Үүрд хамгийн шилдэг нь" гэсэн үйлдлийг үл тоомсорлож, хэд хэдэн хувилбарын мөчлөгийн дараа дахин зочлоорой - титэм эргэлддэг; чадавхийн давхаргууд чангардаг.

Кодын анхдагч тохиргоогоо өөрчлөхөөсөө өмнө гурван даалгавартай ажлыг хэрхэн шударгаар гүйцэтгэх вэ?

Гурван товч мэдээллийг хөлдөөх - жижиг интерактив WebDev UI, тест бүхий олон файлын рефактор, урт агент маягийн сесс - дараа нь Даалгавар, Хүчин чармайлт, Токен, Ханын цаг, Цэвэрлэсэн үү?, Нэгтгэсэн үү? болон Тэмдэглэлүүдийг оноо. Өмнөх анхдагч үзүүлэлтүүдтэйгээ ижил товч үзүүлэлтүүд дээр харьцуул; зөвхөн алдаа үнэтэй үед хамгийн их хүчин чармайлтыг ашиглаарай. Олон нийтийн самбарын дугааруудыг хүлээн авах шалгуур биш харин термометр гэж тэмдэглэ. Анхны хөөрхөн localhost демогийн дараа биш, харин жигнэсний дараа анхдагч үзүүлэлтийг шийд - мөн хямд загварыг их хэмжээний ажилд зориулж дулаан байлга.

Лавлагаа

1. Хүн төрөлхтөн — anthropic.com
2. Клодын Платформ — platform.claude.com
3. Arena.ai — Код Арена — arena.ai
4. Хиймэл шинжилгээ — Кодлох агентын индекс — artificialanalysis.ai