Claude Opus 5.5-ը հենց նոր զբաղեցնեց #1 տեղը Code Arena-ում՝ այժմ լավագույն կոդավորման արհեստական ​​բանականության մրցակիցների շարքում

Կարճ պատասխան. Claude Opus 5.5-ի առավելագույն մակարդակը Arena.ai Code Arena WebDev- ում զբաղեցնում է առաջին տեղը 1818 միավորով և գլխավորում է Artificial Analysis-ի Coding Agent Index-ը ՝ առավելագույն ջանքերի դեպքում 66 միավորով։ Սրանք հանրային չափորոշիչներ են, այլ ոչ թե ձեր կուտակված աշխատանքը։ Եթե կոդ եք ուղարկում ապրուստի համար, ապա կարճատև փորձարկում անցկացրեք ձեր սեփական առաջադրանքների վրա, նախքան լռելյայն տարբերակը փոխելը։

Հիմնական եզրակացություններ՝

Code Arena-ի առաջատար. 1,818 WebDev Elo-ն դիտարկեք որպես նախընտրելի ուժեղ կողմ, այլ ոչ թե արտադրության ապացույց։

Գործակալի ինդեքսի գագաթնակետ. Պահեք առավելագույն ջանքերի Opus-ը կպչուն տոմսերի համար, որտեղ ձախողումը թանկ է։

Արժեքի փոխզիջում. Գրանցամատյանային տոկեններ և պատի ժամացույց. գագաթնակետային և էժան միավորները տարբերվում են։

Սկզբում թխեք. ինքներդ փորձարկեք մեկ UI կառուցվածք, մեկ վերագործարկում և մեկ երկար գործակալի սեսիա։

Թագը պտտվում է. Թողարկման ցիկլերի ընթացքում ծավալային աշխատանքի համար պահպանեք ավելի էժան լռելյայն արժեքը։

Առաջատարների ցուցակի գրավումը, պարզ բացատրությամբ

Arena.ai-ն Claude Opus 5.5 (Max)-ը տեղադրեց Code Arena-ի WebDev շարքի առաջին հորիզոնականում՝ 1,818 միավորով։ Սա մոտավորապես քսանվեց միավորով առաջ է զրույցի հաջորդ մոդելից՝ GPT-6 Astra Max-ից, և նշանակալի առաջընթաց է նախորդ Opus 5 Max-ի համեմատ, որը մոտ 1,692 միավոր ուներ։ Սրանք հայտարարագրված թվեր են, այլ ոչ թե ինչ-որ բան, որը ես ինքնուրույն վերստին փորձարկել եմ հերմետիկ լաբորատորիայում։ Այնուամենայնիվ, նույն ընտանիքի Max մակարդակի մոտ 126 միավորով առաջխաղացումը այնպիսի դելտա է, որը մարդկանց ստիպում է թարմացնել Elo աղյուսակները, ինչպես սպորտային միավորները։

Արհեստական ​​վերլուծությունը, առանձին, Opus 5.5-ը ներկայացնում է որպես իր կոդավորման գործակալի ինդեքսի նոր առաջին համարը՝ իրենց հետևած գնահատականներում աճով: Claude Code-ի ներսում առավելագույն ջանքերի դեպքում մոդելը այդ ինդեքսում ստացել է 66 միավոր ՝ ամենաբարձրը, որը, նրանց խոսքով, մինչ այժմ չափվել է: Նշման մեջ կա մի թյուրիմացություն. առաջադրանքի արժեքը ավելի բարձր է դառնում, երբ այդքան մեծ ջանքեր եք գործադրում: Առավելագույն միավորը և էժան միավորը նույնը չեն:

Ամփոփելով այս երկու ազդանշանները՝ կստանաք ամենակարևոր սյուժեն. ոչ թե «մոդելի թողարկում», այլ «շտապ կերպով շրջված կոդավորման տախտակներ»։ Թողարկման մասին հայտարարությունները կատարվում են մամուլի համար։ Առաջատարների ցուցակի գրավումները այն են, ինչ հզոր օգտատերերը խմբային զրույցներում նկարահանում են ոչ աշխատանքային ժամերին։.

• Arena.ai Code Arena WebDev: Opus 5.5 (Max)-ը գրանցված է 1,818-ում
• Gap-ը ընդդեմ հաջորդ անվանական մրցակցի ծածկույթի՝ մոտ +26 ընդդեմ GPT-6 Astra Max-ի
• Ցատկ նախորդ Opus 5 Max-ի համեմատ՝ մոտ 1,692-ից մինչև 1,818
• Արհեստական ​​վերլուծության կոդավորման գործակալի ինդեքս. նոր #1; 66 առավելագույն ջանքերի դեպքում Claude Code-ում
• Նույն ինդեքսային նշումը՝ այդ ջանքերի կարգավորման դեպքում առաջադրանքի համար ավելի բարձր ծախս

Հաղորդված կարճ պատկեր. Opus 5 Max vs Opus 5.5 Max Code Arena-ում

Համեմատական ​​աղյուսակները օգնում են, երբ լրահոսը միայն տրամադրություն և էկրանի պատկերներ է պարունակում։ Ստորև ներկայացված է պարզ, հաղորդված լուսանկարների շրջանակ, այլ ոչ թե անկախ վերլուծություն։ Բջիջները մի փոքր անհավասար են, քանի որ հանրային ֆորումները միշտ այդպիսին են, և քանի որ «Մաքս» անվանումն արդեն իսկ բավարար է աչքերը նեղացնելու համար։.

Որոշ ընթերցողների համար աղյուսակն արդեն իսկ բավարար է թվում հաղթողին թագադրելու համար։ Այդպես չէ։ Էլոյի և գործակալի ինդեքսները հարմար ջերմաչափեր են։ Դրանք ձեր արտադրական կուտակումները չեն։.

Ինչ Code Arena-ի չափորոշիչներն են թաքնված գլխարկի տակ

Եթե ​​միայն վարկանիշը կարդաք, կկորցնեք թեստի ձևը։ Code Arena-ն, մասնավորապես WebDev-ի մասնագետները մեջբերող տեսակը, կառուցված է կոդավորման և ինտերֆեյսի կառուցման առաջադրանքների համեմատական ​​նախապատվությունների։ Մարդիկ (և ասպարեզի քվեարկության մեխանիզմը) հաղթողներ են ընտրում մոդելային ելքերի միջև։ Դա պարգևատրում է այն կոդը, որը ճիշտ տեսք ունի, մաքուր է աշխատում դեմոներում և կույր համեմատության պայմաններում հղկված է թվում՝ առջևի մասի կառուցվածքը, ինտերակտիվությունը, տեսողական կապակցվածությունը, այն բաները, որոնք localhost-ի նախադիտմանը ստիպում են գոռալ «ուղարկել»։

Դա բոլորովին այլ խաղ է, քան ստատիկ բազմակի ընտրության կոդավորման քննությունը։ Այն նաև տարբերվում է երկար հորիզոնով գործակալի գնահատումից, որտեղ մոդելը պետք է ակտիվ պահի shell-ի սեսիան տասնյակ գործիքների կանչերի համար՝ առանց իրեն անկյունում պահելու։ Մոդելը կարող է հաղթահարել բավականին բարդ UI մարտահրավերը և միևնույն է, խափանվել մոնոռեպոյի դժվարին միգրացիայի ժամանակ, որը պահանջում է երեք ամրացված գրադարան և փխրուն թեստային հավաքածու, որը կարգավորվում է պատանդի իրավիճակի պես։.

Այսպիսով, երբ Opus 5.5-ը WebDev-ում 1818 միավորով է, այն մեկնաբանեք որպես նախընտրելի ուժ՝ կախված Արենայի ընտրողների կողմից տեսնվող կառուցվածքների տեսակից: Արագ localhost հավելվածները, խաղերը, սցենարային տախտակները և վիզուալ ինտերֆեյսները գրեթե չափազանց լավ են համապատասխանում այդ շարքին՝ ինչը համապատասխանում է գիշերային ցուցադրությունների ժամանակացույցին: Նախընտրելի Էլոն սուտ չէ: Դա որոշակի տեսակի ճշմարտություն է: Վերաբերվեք դրան որպես համտեսի ճաշացանկի, այլ ոչ թե լիարժեք սննդային վահանակի:.

Եվս մեկ առանձնահատկություն. առավելագույն մակարդակի պիտակավորում: Ավելի բարձր ջանք / ավելի բարձր հզորության կարգավորումները հաճախ նշանակում են ավելի շատ տոկեններ, ավելի շատ հաշվարկային հզորություն և ավելի շատ համբերություն: Առավելագույն տարբերակները ցուցադրող տախտակները ցույց են տալիս առաստաղը, այլ ոչ թե ամենօրյա API կանչը, որը դուք կատարում եք ստենդափի կեսից դիտելու ժամանակ: Առաստաղը կարևոր է: Օրական դրայվերի արժեքը նույնպես կարևոր է: Մի՛ մոռացեք երկու մտքերի մասին:

Կոդավորման գործակալի ինդեքսը և արժեքի և գագաթնակետի փոխզիջումը

Artificial Analysis-ի կոդավորման գործակալի ինդեքսը այս աճի պատմության մյուս հենասյունն է: Նրանց զեկույցում Opus 5.5-ը ներկայացված է որպես առաջատար՝ իրենց հետևած գնահատականներում բարելավումներով, և Claude Code-ում առավելագույն ջանքերի դեպքում աչքի ընկնող 66-ը: Նրանց չափած ամենաբարձր ցուցանիշը ուժեղ նախադասություն է: Այն նաև գալիս է մեծահասակների համար նախատեսված ծանոթագրությունով. մեկ առաջադրանքի արժեքը բարձրանում է, երբ դուք նվազագույնի եք հասցնում արագացուցիչը:

Սա բյուջե ունեցող թիմերի համար լավագույն մոդելի փաստարկի սիրտն է։ Առավելագույն ջանքերով հաղթող մոդելը դեռ կարող է շաբաթը կորցնել, եթե յուրաքանչյուր առաջադրանք այրի մի փոքր կարողություն՝ տոկենների տեսքով։ Շրջանառվող խոսակցություններն արդեն նշում են, որ որոշ օգտատերեր երկար սեսիաների ժամանակ տեսնում են տոկենների այրում։ Դա չի չեղարկում միավորը։ Այն վերաձևակերպում է ապրանքի որոշումը. առավելագույն ջանքերը պահեք տհաճ տոմսերի համար և պահպանեք ավելի էժան պրոֆիլ՝ սոսնձման կոդի, վերափոխումների և «այս կոճակը պակաս տգեղ դարձնելու» աշխատանքի համար։.

Պատկերացրեք դա նման է սուր կապալառու վարձելուն, որը ժամային հաշիվներ է գանձում և արագ խոսում։ Դուք ուզում եք, որ նրանք լուծեն դժվար խնդիրը։ Դուք չեք ուզում, որ նրանք վերաշարադրեն յուրաքանչյուր README։ Գործակալի ամենաբարձր գնահատականը կարողությունների մասին պնդում է։ Առաջադրանքի արժեքը գործառնությունների մասին պնդում է։ Ժամը 1-ին մենակատար անկախ հաքերության համար լավագույն արհեստական ​​ինտելեկտը ավտոմատ կերպով լավագույն արհեստական ​​ինտելեկտը չի նշանակում ստորաբաժանման տնտեսագիտությունը դիտող ընկերության համար։ Երկու խմբերն էլ գոռում են նույն վարկանիշային աղյուսակի սքրինշոթի մասին։.

• Օգտագործեք առավելագույն ջանքեր, երբ առաջադրանքը կպչուն է, բազմաֆայլային, իսկ ձախողումը թանկ է։
• Զանգահարեք ավելի ցածր, երբ առաջադրանքը սովորական է դառնում և ձեզ ձայնի ուժգնություն է անհրաժեշտ։
• Հետևեք ձեր սեփական միավորված PR-ի արժեքին, ոչ միայն հանրային Elo-ին
• Ակնկալեք, որ գործակալների ինդեքսները և մարզադաշտ Էլոն երբեմն համաձայն չեն լինի՝ տարբեր սպորտաձևեր

Գիշերային մշակողի արձագանքը. Հավելվածներ, խաղեր և «Մի՛ թուլացրեք» էներգիա

Թվերը բացատրում են վերնագրերը։ Դեմոները բացատրում են տրամադրությունը։ Մշակողները հրապարակում են արագ localhost հավելվածներ, փոքրիկ խաղեր, սցենարներ և UI/վիզուալ կառուցվածքներ, որոնք այնպիսի տեսք ունեն, կարծես անցյալ եռամսյակում հանգստյան օրեր էին ունենալու։ Դրա մի մասը ընտրության կողմնակալությունն է. մարդիկ կիսում են հաղթողներին, այլ ոչ թե առաջին երեք ձախողված սերունդներին։ Այնուամենայնիվ, «սպասեք, որ մաքուր աշխատեց» գրառումների ծավալը մասամբ պատճառն է, թե ինչու է սա թվում աճ, այլ ոչ թե լուռ թարմացում։.

Կատակների շրջանակն արդեն հասունացել է. խնդրում եմ, մի՛ թուլացրեք Opus 5.5-ը։ Այդ կատակը հայտնվում է միայն այն ժամանակ, երբ մոդելը գրեթե չափազանց լավ է թվում բնության մեջ, կամ երբ նախորդ թողարկումները մարդկանց սովորեցրել են, որ անվտանգության և ապրանքի թարմացումները երբեմն մթագնում են լարվածությունը։ Արդյո՞ք որևէ թուլացում կլինի, թե ոչ, կարևոր չէ։ Մեմը տրամադրության ջերմաստիճանի ստուգում է։ Այս պահին այդ չափիչը փայլում է։.

Հարթակները նույնպես փոխվում են։ Օրինակ՝ Questflow-ը խոսակցությունների մեջ է եղել՝ հայտարարելով Opus 5-ից 5.5-ի թարմացումների մասին։ Երբ գործիքների մատակարարները արագորեն առաքում են թարմացումը, դա ազդանշան է, որ պահանջարկը շոշափելի է, և որ նախորդ մակարդակը արդեն համարվում է անցյալ շաբաթվա լռելյայն։ Ինտեգրման արագությունն ինքնին վերանայում է. արտադրանքի թիմերը չեն վերաշարադրում մոդելների ընտրիչները սպորտի համար։.

Անեկդոտային կառուցվածքները մշակողի արձագանք են, այլ ոչ թե վերահսկվող աուդիտներ: Պահեք այդ տարբերությունը ձեր ճակատին դաջված: Գեղեցիկ սցենարային ցուցադրությունը չի ապացուցում ձեռնարկության հուսալիությունը: Այն ապացուցում է, որ ստեղծագործական կոդավորման աշխատանքային հոսքերը շաքարի ալիք են ստանում, և շաքարի ալիքը փոխում է, թե ինչ են մարդիկ փորձում հաջորդը:.

Ինչու՞ առաջին համարը ավտոմատ կերպով չի նշանակում «Լավագույն ծրագրավորող արհեստական ​​բանականություն» ամենօրյա աշխատանքի համար

Կարճ պատասխան՝ որոշ աշխատանքի համար, մի քանի շաբաթով։ Ավելի երկար պատասխան՝ «best»-ը պորտֆոլիո բառ է, որը ձևանում է որպես գավաթ։.

Եթե ​​ձեր օրը WebDev-ի ոճով է՝ վայրէջքի էջեր, ինտերակտիվ նախատիպեր, տեսողական հղկում, արագ խաղեր, սցենարային հոսքեր, Code Arena WebDev-ի լիդը խիստ արդիական է: Նախապատվությունների հաղթողները սովորաբար լավ տեսք ունեն բրաուզերում, և բրաուզերում լավ տեսք ունենալը այդ ոլորտում կես գործն է: Եթե ձեր օրը գործակալական կոդավորում է՝ գործիքներով, shell-երով և երկար սեսիաներով խճճված կոդային բազայի միջոցով, Coding Agent Index-ի գագաթնակետը ավելի հետաքրքիր ազդանշան է՝ դեռևս ծախսերի վերաբերյալ նախազգուշացմամբ:.

Եթե ​​ձեր օրը աշխարհի ամենադժվար խնդիրներից է՝ նորարարական ալգորիթմներ, անվտանգության համար կարևոր համակարգեր, ժառանգական կուտակումներ ցեղային գիտելիքներով, շրջանառվող օգտատերերի նշումներում արդեն ասվում է, որ Opus 5.5-ը դեռ կարող է հետ մնալ ամենադժվար խնդիրների լուծման հարցում և կարող է այրել տոկեններ, երբ սեսիաները ձգձգվում են։ Սա վերջնական արդյունք չէ։ Սա ծանոթ սահմանային օրինաչափություն է. միջին դեպքը ցատկում է, պաթոլոգիական դեպքը մնում է պաթոլոգիական։ Սա կարող է լինել այս ամբողջ հատվածի ամենաքիչ հմայիչ նախադասությունը, և, թերևս, ամենագործնականը։.

Հաշվի առեք նաև մրցակիցների կողմից նույն շաբաթվա ընթացքում առաքումների իրականացումը: Չաթերը նշել է OpenAI GPT-6 Sol/Luna դասի թողարկումները նույն մրցավազքում: Երբ մի քանի լաբորատորիաներ դուրս են գալիս միմյանցից մի քանի օրվա տարբերությամբ, առաջատարների ցանկը վերածվում է պտտվող դուռի: Այսօրվա #1-ը կարող է վաղվա «դեռևս գերազանց լինել, բայց նայեք այս մյուս աղյուսակին»: Լավագույնը ժամանակավոր է: Հնարավորությունների սահմանները հակված են ավելի մշտապես բարձրանալ: Խաղադրույք կատարեք արգելակի վրա, այլ ոչ թե էկրանի նկարի վրա:.

Շրջանառվող ապրանքի պահանջներ (զգուշորեն վարվեք)

Վահանակներից այն կողմ, սովորական ալիքներով շրջանառվում են արտադրանքի վերաբերյալ մի շարք պնդումներ: Վերագրեք դրանք որպես շրջանառվող պնդումներ, որոնք այս հոդվածից ստացված լաբորատոր հետազոտությունների ոչ թե ստուգված արդյունքներ են

• Մոտավորապես համապատասխան «Fable 5.1» դասի կատարողականություն բազմաթիվ առաջադրանքների համար՝ մոտ 40%-ով ցածր գործարկման արժեքով (հայտարարություն շրջանառության մեջ է):
• Ավելի ուժեղ գործակալական կոդավորում և համակարգչի օգտագործման վարքագիծ, քան նախորդ Opus մակարդակները (պահանջ + տրամադրության համապատասխանեցում գործակալի ինդեքսի տեղաշարժի հետ)
• Որոշ օգտատերեր ասում են, որ այն դեռևս հետ է մնում ամենադժվար առաջադրանքների դեպքում
• Երկար սեսիաները կարող են տոկեններն ավելի ծանր այրել, քան մարդիկ կարծում են

Fable դասի արժեքի մասին պնդումը հատկապես սուր է, քանի որ այն փորձում է միաժամանակ վաճառել և՛ որակը, և՛ խնայողությունը: Եթե դա համապատասխանում է ձեր աշխատանքային ծանրաբեռնվածությանը, դա մեծ նշանակություն ունի նրանց համար, ովքեր նախկինում կարծում էին, որ Opus դասի որակը գնահատվում է որպես ամեն երեկո շքեղ ընթրիք: Եթե դա չի համապատասխանում ձեր հուշումներին, դուք դա կզգաք հաշիվ-ապրանքագրում, նախքան Elo-ում զգալը: Անձնական աշխատանքային ծանրաբեռնվածություն > մարքեթինգային հարևանություն: Միշտ:.

Համակարգչի ավելի ուժեղ օգտագործումը և գործակալական կոդավորումը այն պնդումն է, որն ամենաճշգրիտ կերպով համապատասխանում է Արհեստական ​​վերլուծության պատմությանը: Գործակալները, որոնք կարող են կառավարել գործիքներ, սեղմել շուրջը և պահպանել վիճակի հետևողականությունը, այն ապրանքի ձևն են, որը շատ կառուցողներ են ցանկանում: WebDev-ում Preference Elo-ն և գործակալների ինդեքսի գագաթները կարող են հանգավորվել առանց նույնական երկվորյակներ լինելու: Երբ դրանք հանգավորվում են, մարդիկ բարձրաձայնում են: Երբ դրանք հետագայում տարբերվում են, մարդիկ ցինիկ են դառնում: Ապրեք մեջտեղում:.

Նույն շաբաթվա խառնաշփոթ. Ինչու է ժամանակի ընտրությունը ամեն ինչ ավելի արդյունավետ դարձնում

Opus 5.5-ը չհայտնվեց հանգիստ լրատվական անապատում։ Այն թողարկվեց վերջերս՝ նույն շաբաթում, երբ մրցակից մոդելների թողարկումները, որոնք անընդհատ խառնվում են իրար, այդ թվում՝ OpenAI GPT-6 Sol/Luna-ի հիշատակումները։ Այդ գերբնակեցումը կարևոր է։ Գերբնակեցված շաբաթները ստեղծում են համեմատական ​​սքրինշոթներ։ Համեմատական ​​սքրինշոթները ստեղծում են ցեղային ճամբարներ։ Ցեղային ճամբարները ստեղծում են պատրանք, որ մեկ գրաֆիկը հաստատում է քաղաքակրթությունը։.

Այն նաև ստեղծում է ազդեցիկ սթրես-թեստ։ Երբ մի քանի ուժեղ մոդելներ միաժամանակ հաջողվում են, մշակողները դրանք մի քանի ժամվա ընթացքում A/B են տեղադրում նույն խաղալիք հավելվածներում։ Մեկ գիշերվա ընթացքում տեղի ունեցած localhost բումը մասամբ այդ սթրես-թեստի արտահոսքն է սոցիալական ցանցեր։ Դուք դիտում եք տարածված փորձարկում՝ սարսափելի մեթոդաբանությամբ և հիանալի զվարճանքի արժեքով։ Սա գիտություն չէ։ Այն դեռ կարող է ազդանշան կրել, եթե անտեսեք ընտրության կողմնակալությունը։.

Anthropic-ի համար Code Arena-ում և Coding Agent Index-ում #1 գրառումներ կատարելը այդ մրցավազքի ընթացքում գերազանց ժամանակացույց է, կամ գերազանց մոդելի որակ, որը պատահաբար ժամանակացույցի նման է թվում։ Ամեն դեպքում, պատմությունը մնաց. կոդավորման աճ, ոչ թե պարզապես մեկնարկային գրառում։.

Ինչ պետք է անեն շինարարները դրա հետ

Գործնական ձեռնարկ, առանց միստիցիզմի

• Գործարկեք ձեր սեփական եռակի առաջադրանքից բաղկացած նախապատրաստական ​​աշխատանքը՝ մեկ UI կառուցվածք, մեկ բազմաֆայլային վերափոխում, մեկ երկար գործակալի սեսիա։
• Գրանցամատյանների ժետոններ և պատի ժամացույց, ոչ միայն «աշխատե՞ց»
• Arena.ai-ն և Artificial Analysis-ը դիտարկեք որպես վարկանիշային պատմության հիմնական հանրային ջերմաչափեր։
• Պահպանեք ավելի էժան լռելյայն մոդելը մեծ ծավալի տնային գործերի համար
• Եթե ​​օգտագործում եք Questflow-ի նման հարթակներ, որոնք արդեն անցել են 5.5 տարբերակի, ուշադրություն դարձրեք, թե ինչպես են փոխվում ձեր առկա աշխատանքային հոսքերը, նախքան ամեն ինչ վերաշարադրելը։
• Անտեսեք «ամենալավը ընդմիշտ» տարբերակները, կրկին այցելեք մի քանի թողարկման ցիկլերից հետո։

Եթե ​​UI առաջադրանքը հաջողվի, և գործակալի երկարատև սեսիան թանկանա, դուք կստանաք ձեր պատասխանը մեկ օրվա ընթացքում։ Եթե և՛ առաջարկը, և՛ արժեքը բավարար են ձեր մասշտաբի համար, շնորհավորում եմ՝ դուք կարող եք ունենալ նոր լռելյայն արժեք։ Եթե ամենադժվար առաջադրանքը դեռևս ձախողվում է, ապա դուք սովորել եք այն, ինչ վարկանիշային աղյուսակները երբեք չէին պատմի ձեզ։ Սա ամբողջ խաղն է։ Մի փոքր չոր։ Չափազանց գործնական։.

Մի անկատար փոխաբերություն, քանի որ տիեզերական օրենքը պահանջում է, որ այս հոդվածներն ունենան այդպիսին. մեկ Էլոյի գլխավոր հերոսին որպես «լավագույն ծրագրավորող արհեստական ​​ինտելեկտ» դիտարկելը նման է աշխարհի լավագույն խոհարարին թագադրելուն, քանի որ նա հաղթել է աղանդերի մրցույթում: Աղանդերը կարևոր են: Նույնը վերաբերում է նաև տասներկու քմահաճ ազգականների համար ընթրիք պատրաստելուն, որոնք ունեն փչացած վառարան: Ձեր պահոցը ազգականներն են:.

Ինչպես է սա համապատասխանում կոդավորման և արհեստական ​​բանականության ավելի լայն սպառազինության մրցավազքին

Մեծացնելով մասշտաբը, պատկերը ծանոթ է դառնում։ Լաբորատորիաները առաքում են կատարում։ Խաղատախտակները խառնվում են։ Մշակողները ներխուժում են նոր առաստաղ։ Գործիքների մատակարարները թարմացնում են լռելյայն կարգավորումները։ Մեկը հրապարակում է ապշեցուցիչ մինի խաղ։ Մեկ ուրիշը հրապարակում է տհաճ սխալի վերաբերյալ ձախողում։ Միջին կարողությունները բարձրանում են, նույնիսկ երբ թագը փոխում է գլուխը։.

Այստեղ ավելի թարմ է թվում երկակի տախտակի ազդանշանը գումարած արժեքի ծանոթագրությունը, որը ճանապարհորդում է փառքի հետ միասին: Մենք անցել ենք այն դարաշրջանը, երբ մեկ չաթի չափանիշը կարող էր ամբողջական պատմություն կրել: Կոդավորման աշխատանքը գործնականում բազմամոդալ է. գրել, խմբագրել, զննել, սեղմել, գործարկել, կրկին փորձել: Գործնականորեն հիմնված ինդեքսները և WebDev նախընտրությունների վրա հիմնված ասպարեզները տարբեր կերպ են ընկալում դա: Երբ մեկ մոդելը միաժամանակ առաջատար է երկու հատվածներում, ալիքի մասին խոսակցությունները գրվում են ինքնուրույն:.

Ոչ ոք, ով հստակորեն գրում է, չգիտի՝ Opus 5.5-ը կմնա՞ առաջատար դիրքում, թե՞ ոչ: Մրցակից Max մակարդակները WebDev-ի տախտակում արդեն իսկ շատ մոտ են, եթե մոտ 26 միավորի տարբերությունը պահպանվի: Այդքան փոքր բացերը կարող են փոխվել: Դեմո տարբերակներում «մեկ գիշերվա ընթացքում ավելի լավ» զգացվող կարողությունը մի քանի շաբաթ անց, երբ բոլորը հարմարվեն, դեռ կարող է դառնալ նոր նորմալ: Հետաքրքիր, կայուն հարցը թագը չէ: Հարցը այն է, թե արդյոք գործակալական կոդավորման որակը մեկ դոլարի դիմաց շարունակում է բարձրանալ սովորական շինարարների համար: Այդ հարցի վերաբերյալ 66 նոր չափված առավելագույնը՝ ծախսերի մասին հստակ նախազգուշացմամբ, թափանցիկ, մարքեթինգային հարակից հաշվետվություն է: Հարգանքները պետք է լինեն:.

Եզրափակիչ գիծ

Claude Opus 5.5-ի Max մակարդակը Arena.ai-ի Code Arena WebDev շարքում առաջինն է՝ 1,818 միավորով, մոտ քսանվեցով ավելի առաջ, քան հաջորդ անվանված մրցակցին ծածկույթի առումով և զգալիորեն ավելի բարձր, քան նախորդ Opus 5 Max-ը՝ մոտ 1,692 միավորով: Artificial Analysis-ը այն նշում է որպես Coding Agent Index-ի նոր #1 մակարդակը՝ Claude Code-ում առավելագույն ջանքերի 66 միավորով, որը մինչ այժմ նրանց ամենաբարձր ցուցանիշն է, գումարած այն նշումը, որ առաջադրանքի արժեքը մեծանում է այդ ջանքերի հետ մեկտեղ: Մշակողների արձագանքը բարձր է. արագ localhost հավելվածներ, խաղեր, սցենարի տախտակներ, UI կառուցվածքներ, «չկորցնել» կատակներ և հարթակի արդիականացումներ, ինչպիսին է Questflow-ի Opus 5-ից 5.5 անցումը: Շրջանառվող պնդումները ավելացնում են Fable դասի ավելի ցածր գնով պատմություն, ավելի ուժեղ գործակալական/համակարգչային օգտագործման զգացողություն և ծանոթ նախազգուշացումներ դժվար առաջադրանքների և տոկենների այրման վերաբերյալ:.

WebDev-աձև նախընտրելի առաջադրանքների և բարձր ջանք պահանջող գործակալի կոդավորման համար հանրային խորհուրդները նշում են, որ Opus 5.5-ը այս պահին առաջատարն է: Ձեր կոնկրետ պահեստի, բյուջեի և մղձավանջային տոմսերի համար դուք դեռ պետք է անցկացնեք թխման գործընթացը: Պսակները պտտվում են: Գործիքները բարդանում են: Օգտագործեք ալիքը, մի՛ երկրպագեք դրան: Եվ գուցե երկրորդ մոդելը տաք պահեք, երբ հաշիվ-ապրանքագիրը սկսի սյուժետային շրջադարձի նմանվել:.

Գործնական օրինակ՝ Opus 5.5-ի երեք առաջադրանքից բաղկացած փորձարկման կատարումը նախնական կարգավորումը փոխելուց առաջ։

ի վարկանիշային աղյուսակի սքրինշոթներ՝ Code Arena-ում զբաղեցնելով առաջին տեղը - այժմ լավագույն կոդավորման արհեստական ​​ինտելեկտի հավակնորդների շարքում են ջերմաչափերը, այլ ոչ թե ձեր կուտակված աշխատանքները: Ահա, թե ինչպես է Մեծ Բրիտանիայի մի ազատ ծրագրավորող Elo-ի գիշերային աճը վերածել մեկ կեսօրվա նախապատրաստման՝ մեկ UI կառուցվածք, մեկ բազմաֆայլային վերափոխում, մեկ երկար գործակալի սեսիա՝ նախքան ցանկացած լռելյայն մոդելի ընտրիչ անցնելը:

Սցենար

Ռայլին մատակարարում է հաճախորդների վայրէջքի էջեր և ընդարձակ React/Node մոնոռեպո SaaS կողմնակի նախագծի համար: Arena.ai Code Arena WebDev գրառումներից և Artificial Analysis-ի Coding Agent Index-ի զրույցից հետո, որը թագադրեց Opus 5.5 (Max), Slack-ը լցվեց «պարզապես օգտագործեք Max-ը ամեն ինչի համար» էներգիայով: Ռայլիի հաշիվ-ապրանքագրերն արդեն իսկ ծանր են երկար սեսիաների համար, իսկ անցյալ եռամսյակի «ամենալավը ընդմիշտ» փոխարինումը նրանց ստիպեց ամսական երկու անգամ վերաշարադրել հարցումները:.

Նրանք հանրային տախտակները պահում են որպես համատեքստ՝ WebDev-ում գրանցվել է 1818, գործակալի ինդեքսի գագաթնակետը՝ արժեքի ծանոթագրով, և հրաժարվում են Էլոն դիտարկել որպես արտադրական վճիռ։ Պլանը՝ Opus 5.5-ի վրա երեք ֆիքսված առաջադրանք՝ սովորական ջանքերի ռեժիմով, և միայն անհրաժեշտության դեպքում՝ մեկ Max/max-effort փոխանցում կպչուն տոմսի վրա։ Գրանցման տոկեններ, պատի ժամացույց և այն, թե արդյոք փոփոխությունը հասել է հիմնականին։ Ավելի էժան մոդելը տաք է մնում կպչուն աշխատանքի համար։.

Նպատակը «լավագույնի» անձնական սահմանումն է՝ որակը միավորված փոփոխության համար, այլ ոչ թե խմբային զրույցի էկրանի նկարը։.

Ինչ է պետք օգնականին

• Երեք սառեցված համառոտ նկարագրություն՝ (1) փոքր ինտերակտիվ WebDev UI, (2) բազմաֆայլային վերակառուցում՝ թեստերով, (3) երկար գործակալի ոճով սեսիա՝ գործիքներով/shell քայլերով։
• Գնահատման աղյուսակ. Առաջադրանք / Ջանքերի սահմանում / Թոքեններ / Պատի ժամացույց / Մաքուր աշխատե՞լ է / Միավորվե՞լ է / Նշումներ
• Նույն երեք համառոտագրերի վերաբերյալ նախորդ լռելյայն մոդելի բազային նշումները (նույնիսկ կոպիտ)
• Բյուջեի կանոն՝ առավելագույն ջանքեր միայն այն դեպքում, երբ ձախողումը թանկ է. ավելի էժան լռելյայն տարբերակ մեծ ծավալի տնային գործերի համար։
• «Միայն ջերմաչափ» պիտակով հանրային վահանակների հղումներ կամ էկրանի նկարներ, որոնք ընդունման չափանիշներ չեն։
• Մարդ-սեփականատեր, որը որոշում է լռելյայն արժեքը փորձարկումից հետո, այլ ոչ թե առաջին գեղեցիկ localhost ցուցադրությունից հետո։

Օրինակային հրահանգ

Դուք օգնում եք ինձ Claude Opus 5.5-ի համար անցկացնել արդար երեք առաջադրանքից բաղկացած փորձարկում, նախքան ես կփոխեմ իմ կոդավորման լռելյայն տարբերակը։ Օգտագործեք միայն իմ տեղադրած առաջադրանքների համառոտագրերը և օգտագործման համարները։ Մի՛ հորինեք Arena Elo, գործակալի ինդեքսի միավորներ կամ ծախսերի տոկոսներ։.

Առաջադրանք՝ Կազմեք իմ գնահատման աղյուսակը՝ լցնելով երեք կարճ առաջադրանքների համար նախատեսված տեղակալներով։ Այնուհետև գրեք վեց կետանոց որոշման կանոն. երբ պահել Opus 5.5-ը որպես լռելյայն, երբ պահել առավելագույն/առավելագույն ջանքերը միայն կպչուն տոմսերի համար, և երբ պահել ավելի էժան մոդելը ծավալային աշխատանքի համար։ Եթե իմ տեղադրած տոմսում հայտնվում է հանրային վարկանիշային աղյուսակի համար, անվանեք այն ՋԵՐՄՈՄԵՏՐ։.

Սահմանափակումներ՝ Մեծ Բրիտանիայի անգլերեն։ Արգելափակել «ամենալավ կոդավորումը՝ արհեստական ​​բանականությունը ընդմիշտ» լեզուն։ Նախապատվությունը տալ միաձուլված փոփոխության արժեքին՝ ներքին զգացողության փոխարեն։ Եթե որևէ չափանիշ բացակայում է, գրեք [NEED MEASUREMENT]՝ Fable դասի կամ 40% պնդումների փոխարեն։.

Արդյունք՝ աղյուսակի վերնագիրը գումարած իմ առաջադրանքների անունով երեք դատարկ տողեր, ապա որոշման կետերը։ Նախաբան չկա։.

Ինչպես փորձարկել այն

• Գործարկեք UI համառոտ նկարագրությունը և վերափոխումը նույն ուժգնությամբ, ինչ ամեն օր։ Համոզվեք, որ գրանցել եք տոկենները և պատի ժամացույցը, այլ ոչ թե միայն «լավ տեսք ուներ»։
• Հարցրեք. «Արդյո՞ք Code Arena #1-ն ինքնին արդարացրեց արտադրությունը շրջելը»: Լավ պատասխան՝ ոչ, միայն փորձարկման արդյունքները արդարացնում են:.
• Եզրային դեպք. UI-ը բացվում է, գործակալի երկարատև սեսիան այրում է տոկենները և դեռ մարդու կարիք ունի - հաստատեք, որ Մաքսը ամրագրված է, այլ ոչ թե սոսնձման աշխատանքի համար լռելյայն։.
• Եզրային դեպք. ամենադժվար պաթոլոգիական տոմսը դեռևս չի աշխատում. համոզվեք, որ երկրորդ մոդելը տաք եք պահում և ամբողջ կույտը չեք վերաշարադրում։.
• Ընդունման ստուգումներ՝ (1) ձեր չափված միավորը չի պարունակում 1,818 կամ 66 հորինվածք, (2) երեք առաջադրանք ավարտված է կամ ակնհայտորեն ձախողված է՝ նշումներով, (3) գրանցված ծախսեր, (4) ավելի էժան տարբերակը դեռևս անվանակոչված է ծավալի համար, (5) վերանայման ամսաթիվը սահմանվում է մի քանի թողարկման ցիկլերից հետո։.

Արդյունք

Նկարազարդ արդյունք (օրինակելի գնահատական ​​մեկ ազատ ծրագրավորողի համար մեկ կեսօրին երեք սառեցված թրեքերի վրա, ոչ թե Arena.ai-ի կամ Artificial Analysis-ի անկախ վերագործարկում). WebDev ոճի UI թրեքի վրա Opus 5.5-ը սովորական ջանքերով մեկ անցումով ապահովեց մաքուր localhost նախադիտում (1-ից 1-ը միաձուլվեց թեթև հղկումից հետո. մոտ 12 րոպե պատի ժամացույցի պես): Բազմաֆայլային վերակառուցման վրա 1-ից 1 թեստային հավաքածուն կանաչ դարձավ մեկ ուղղորդվող վերափորձից հետո. տոկենները մոտ 30%-ով ավելի բարձր էին, քան նույն թրեքի նախորդ լռելյայն արժեքը (ինքնազեկուցված օգտագործման արտահանում): Երկար գործակալի սեսիայի վրա կպչուն տոմսը լրացվեց մարդկային օգնությամբ՝ տոկենների կտրուկ աճից հետո. ուժեղ էր ավելի մեծ ջանքերի դեպքում, չափազանց ծախսատար էր որպես ամենօրյա լռելյայն: Որոշում փորձարկումից հետո. Opus 5.5-ը դարձավ լռելյայն UI և միջին չափի վերակառուցումների համար. առավելագույն ջանքերը պահպանվեցին տհաճ տոմսերի համար. ավելի էժան մոդելը պահպանվեց README/սոսինձի աշխատանքների համար: Հիգիենայի ստուգաթերթիկում (ջերմաչափի պիտակները պահպանվեցին, տոկենները գրանցված էին, երկրորդ մոդելը տաք էր, «լավագույնը ընդմիշտ» փոխարինում չկար), 4-ից 4 կետերը հաջողությամբ անցան: Սահմանափակումներ՝ n=3 առաջադրանք, մեկ մշակող, ընտրության կողմնակալություն՝ համօգտագործելի UI հաղթանակների նկատմամբ. հանրային Elo բացթողումները կարող են փոխվել հաջորդ շաբաթ։

Ձեր սեփական տարբերակը չափելու համար՝ սառեցրեք նույն երեք թրեքերը, նախ գնահատեք ձեր ներկայիս լռելյայն արժեքը, գործարկեք Opus 5.5-ը նույնական թրեքերով, համեմատեք հաջողությունը, թոքենները, պատի ժամացույցը և միաձուլման մակարդակը, այնուհետև սահմանեք ջանքերի մակարդակները՝ ցույց տրված հայտարարներով։.

Ի՞նչը կարող է սխալ ընթանալ

• Էկրանի նկարի երկրպագություն. Code Arena-ի վարկանիշի լռելյայն կարգավորումը ինքնուրույն փոխվում է։
• Առավելագույնը ամեն ինչի համար. Տոկենների բյուջեն այրվում էր սոսնձի կոդի վրա, քանի որ առավելագույն միավորը գեղեցիկ տեսք ուներ։
• Դեմո կողմնակալություն. տրամադրության փոխանցում սթորիբորդից հաղթանակից, մինչդեռ մոնոռեպո տոմսը դեռևս ձախողվում է։
• Արժեքի նկատմամբ կուրություն. գործակալի ինդեքսի գագաթնակետերի վրա առաջադրանքի արժեքի ծանոթագրությունների անտեսում։
• Մեկ մոդելի ամրացում. տաք պահեստային խաղացողի ստեղծում, երբ մրցակից Max մակարդակները մոտ են։
• Մշտապես մտածելով՝ բաց թողնել կրկին այցելելը հաջորդ մարդաշատ մեկնարկի շաբաթից հետո։

Գործնական ուսուցողական նյութ

Opus 5.5-ը, որը առաջատար է Code Arena WebDev-ում և Coding Agent Index-ում, իսկական ալիքի ազդանշան է, և դեռևս միայն ջերմաչափ։ Գործարկեք մեկ UI կառուցվածք, մեկ բազմաֆայլային վերակառուցում և մեկ երկար գործակալի սեսիա. գրանցեք տոկեններ և միաձուլումներ. պահպանեք առավելագույն ջանքերը կպչուն աշխատանքի համար. պահպանեք ավելի էժան լռելյայն արժեքը ծավալի համար։ Պսակները պտտվում են։ Ձեր միավորված արժեքի փոփոխությունը այն գավաթն է, որը կարևոր է։.

Հաճախակի տրվող հարցեր

Ի՞նչ է նշանակում, որ Claude Opus 5.5-ը հենց նոր զբաղեցնեց #1 հորիզոնականը Code Arena-ում։

Arena.ai-ն Claude Opus 5.5 (Max)-ը դասեց Code Arena-ի WebDev շարքի առաջին հորիզոնականում՝ 1,818 միավորով, որը մոտ քսանվեցով ավելի է, քան GPT-6 Astra Max-ը լուսաբանման մեջ, և զգալի առաջընթաց է նախորդ Opus 5 Max-ի մոտ 1,692 միավորի համեմատ: Artificial Analysis-ը, առանձին թեմայում, Opus 5.5-ը նույնպես նշում է որպես իր Coding Agent Index-ի նոր առաջին համարը, ներառյալ Claude Code-ում առավելագույն ջանք գործադրելու 66 միավորը: Սրանք հրապարակված տախտակների թվեր են, այլ ոչ թե անկախ լաբորատոր աուդիտ: Պատմությունը կոդավորման տախտակների շտապ շրջվելու մասին է, ոչ միայն թողարկման հրապարակում:.

Որքա՞ն մեծ է Opus 5 Max-ից մինչև Opus 5.5 Max անցումը Code Arena-ում։

WebDev-ի հրապարակած լուսանկարում նախորդ մոդելը՝ Claude Opus 5 Max-ը, գտնվում էր մոտ 1,692 միավորի վրա, մինչդեռ Opus 5.5 (Max)-ը գրանցել էր 1,818 միավոր՝ որպես ակնհայտորեն առաջատար։ Սա մոտավորապես 126 միավորով առաջ է նույն ընտանիքի Max մակարդակի համեմատ՝ այնպիսի դելտա, որը մարդկանց ստիպում է թարմացնել Elo աղյուսակները, ինչպես սպորտային միավորները։ GPT-6 Astra Max-ը ներկայացված է որպես մոտ 26 միավորի տարբերությամբ երկրորդ հորիզոնականում։ Կարդացեք աղյուսակը որպես նախընտրության ուժի ջերմաչափ, այլ ոչ թե ձեր արտադրության կուտակված քանակի վերաբերյալ դատողություն։.

Ի՞նչ է գործնականում չափում Code Arena-ի WebDev գոտին։

Code Arena WebDev-ը կառուցված է կոդավորման և ինտերֆեյսի կառուցման առաջադրանքների համեմատական ​​​​նախընտրության շուրջ. ընտրողները հաղթողներ են ընտրում մոդելի ելքերի միջև: Այն խրախուսում է այն կոդը, որը ճիշտ տեսք ունի, մաքուր է աշխատում դեմո տարբերակներում և հղկված է՝ առջևի կառուցվածքով, ինտերակտիվությամբ և տեսողական ներդաշնակությամբ: Սա տարբերվում է ստատիկ բազմակի ընտրության քննությունից կամ երկար հորիզոնով գործակալի գնահատումից, որը պետք է պահպանի shell-ը տասնյակ գործիքների կանչերի համար: 1818 WebDev-ի առաջատարը նախընտրության ուժն է այդ կառուցվածքներում, այլ ոչ թե յուրաքանչյուր պահոցի համար լիարժեք սննդային վահանակ:.

Որքա՞ն է Opus 5.5-ի արհեստական ​​վերլուծության կոդավորող գործակալի ինդեքսի գնահատականը։

Artificial Analysis-ը Opus 5.5-ը ներկայացնում է որպես իր կոդավորող գործակալի ինդեքսի նոր առաջին համարը՝ իրենց հետևած գնահատականներում աճով: Claude Code-ի ներսում առավելագույն ջանքերի դեպքում մոդելը ստացել է 66 միավոր՝ ամենաբարձրը, որը նրանք մինչ այժմ չափել են: Մեծահասակների ծանոթագրությունն այն է, որ մեկ առաջադրանքի արժեքը բարձրանում է, երբ դուք իջեցնում եք արագացուցիչը: Գործակալի գագաթնակետային միավորը կարողությունների պնդում է, իսկ մեկ առաջադրանքի արժեքը՝ գործառնությունների պնդում, և դրանք նույնը չեն:.

Կլոդ Օպուս 5.5-ը առօրյա աշխատանքի համար լավագույն ծրագրավորման արհեստական ​​բանականությունն է՞։

Կախված է նրանից, թե ինչ է նշանակում ձեզ համար «լավագույնը». Էլո հանրային ասպարեզում, գործակալի ինդեքս առավելագույն ջանքերով, ավարտված առաջադրանքի արժեքը, թե՞ ձեր խճճված պահոցը կազմվում է ուրբաթ երեկոյան: WebDev-ի ձև ունեցող օրերը՝ վայրէջքի էջերը, նախատիպերը, տեսողական հղկումը, լավ են համապատասխանում Code Arena WebDev լիդին: Խճճված կոդային բազաներում գործակալի օրերը Coding Agent Index-ը դարձնում են ավելի հետաքրքիր՝ դեռևս արժեքի վերաբերյալ նախազգուշացմամբ: Շրջանառվող նշումները ցույց են տալիս, որ այն դեռևս կարող է հետ մնալ ամենադժվար առաջադրանքների դեպքում և այրել տոկեններ երկար սեսիաների ժամանակ:.

Ինչպե՞ս պետք է թիմերը հաղթահարեն Opus 5.5-ի արժեքի և գագաթնակետի հարաբերակցությունը։

Առավելագույն ջանքերը պահեք կպչուն, բազմաֆայլային աշխատանքի համար, որտեղ ձախողումը թանկ է, և նվազեցրեք ծավալի կարիք ունեցող սոսնձման կոդի, վերափոխման և փայլեցման համար նախատեսված սովորական աշխատանքները: Հետևեք ձեր սեփական միավորված PR-ի արժեքին, ոչ միայն հանրային Elo-ին: Առավելագույն ջանքերով հաղթող մոդելը դեռ կարող է կորցնել շաբաթը, եթե յուրաքանչյուր առաջադրանք այրի մի ամբողջ կարողություն տոկենների տեսքով: Միայնակ անկախ հաքերները և միավորների տնտեսագիտությանը հետևող ընկերությունները կարող են գոռալ նույն էկրանի նկարի մասին՝ միաժամանակ անհրաժեշտ լինելով տարբեր լռելյայն արժեքներ:.

Ի՞նչ շրջանառվող ապրանքային պնդումներ են շրջանառվում Claude Opus 5.5-ի՝ նոր առաջին հորիզոնականում հայտնվելու մասին խոսակցությունների շուրջ։

Ծածկույթը շրջանառում է պնդումներ, որ շատ առաջադրանքներում մոտավորապես համապատասխանում է «Fable 5.1» դասի կատարողականին՝ մոտ 40%-ով ցածր գործարկման ծախսով, գումարած ավելի ուժեղ գործակալական կոդավորում և համակարգչի օգտագործման վարքագիծ, քան նախորդ Opus մակարդակներում: Որոշ օգտատերեր ասում են, որ այն դեռևս հետ է մնում ամենադժվար առաջադրանքներում, և երկար սեսիաները կարող են ավելի ծանրաբեռնված այրել տոկենները, քան մարդիկ սպասում են: Վերաբերվեք դրանց որպես շրջանառվող պնդումների, այլ ոչ թե հոդվածից ստացված լաբորատոր արդյունքների: Անձնական աշխատանքային ծանրաբեռնվածությունը գերազանցում է մարքեթինգային հարևանությանը, երբ հաշիվ-ապրանքագիրը գալիս է:.

Ինչո՞ւ այս շաբաթ ծրագրավորողի գիշերային արձագանքն այդքան բարձր էր թվում։

Մշակողները հրապարակում են արագ localhost հավելվածներ, փոքրիկ խաղեր, սցենարներ և UI կառուցվածքներ, որոնք նման են անցյալ եռամսյակի հանգստյան օրերի նախագծերի՝ ընտրության կողմնակալությամբ դեպի հաղթողներ: «Խնդրում եմ, մի՛ թուլացրեք» կատակները տրամադրության ջերմաստիճանի ստուգում են, երբ մոդելը գրեթե չափազանց լավ է թվում բնության մեջ: Questflow-ի նման հարթակները խոսակցությունների թեմա են դարձել Opus 5-ից 5.5-ի թարմացման վերաբերյալ, ինչը ցույց է տալիս զգալի պահանջարկ: Անեկդոտային դեմոները ռեակցիա են, այլ ոչ թե վերահսկվող աուդիտներ. պահպանեք այդ տարբերությունը հստակ:.

Ի՞նչ պետք է անեն շինարարները Opus 5.5-ի կոդավորման տախտակները տեսնելուց հետո։

Գործարկեք ձեր սեփական եռակի առաջադրանքների նախապատրաստական ​​աշխատանքը՝ մեկ UI կառուցվածք, մեկ բազմաֆայլային վերակառուցում և մեկ երկար գործակալի սեսիա: Գրանցեք տոկենները և պատի ժամացույցը, ոչ միայն «աշխատե՞լ է»: Վերաբերվեք Arena.ai-ին և Artificial Analysis-ին որպես հանրային ջերմաչափերի, պահպանեք ավելի էժան լռելյայն արժեքը մեծ ծավալի աշխատանքների համար և դիտեք, թե ինչպես են 5.5 տարբերակի վրա արդեն իսկ գտնվող հարթակները փոխում առկա աշխատանքային հոսքերը՝ ամեն ինչ վերաշարադրելուց առաջ: Անտեսեք «ամենալավը ընդմիշտ» քայլերը և վերանայեք դրանք մի քանի թողարկման ցիկլերից հետո. թագերը պտտվում են. հնարավորությունների հատակները արագանում են:.

Ինչպե՞ս կարող եմ իրականացնել արդար երեք առաջադրանքից բաղկացած փորձարկում, նախքան կոդավորման լռելյայն կարգավորումը փոխելը։

Սառեցրեք երեք կարճ նկարագրություն՝ փոքր ինտերակտիվ WebDev UI, թեստերով բազմաֆայլային վերակառուցում և երկար գործակալի ոճով սեսիա, այնուհետև գնահատեք առաջադրանքը, ջանքերը, տոկենները, պատի ժամացույցը, մաքուր աշխատեց, միավորվեց և նշումները: Համեմատեք նույն կարճ նկարագրությունների ձեր նախորդ լռելյայն արժեքների հետ. առավելագույն ջանքերը օգտագործեք միայն այն դեպքում, երբ ձախողումը թանկ է: Հանրային տախտակի համարները նշեք որպես ջերմաչափեր, այլ ոչ թե ընդունման չափանիշներ: Որոշեք լռելյայն արժեքը փորձարկումից հետո, այլ ոչ թե առաջին գեղեցիկ localhost ցուցադրությունից հետո, և պահեք ավելի էժան մոդելը տաք՝ ծավալուն աշխատանքի համար:.

Հղումներ

1. Անթրոպիկ — anthropic.com
2. Կլոդ հարթակ — platform.claude.com
3. Arena.ai — Code Arena — arena.ai
4. Արհեստական ​​վերլուծություն — Կոդավորող գործակալի ինդեքս — artificialanalysis.ai