Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

Ad diarium redi

GPT-6.2 in programmando et agentibus: tabulae vix moventur, in negotiis longis experientia in contraria scinditur

GPT-6.2 AstraGPT-6.2 Solagens programmandiCodexFrontierCode

Theo ab Astra petiit ut proiectum ts-rust optimaret; septem dies cucurrit, nulla emendatio, compilator 56% tardior, deinde alii quattuor dies sine ulla mutatione. Hoc in longo articulo suo in X narrat, experientia privata quam nemo independenter repetivit. Idem exemplar in alio eius negotio fuit optimus recensor codicis quo umquam usus est.

"Bonum codicem scribere" et "negotium longum perficere et sincere referre" duae res diversae sunt. Disputatio de programmando post editionem GPT-6.2 ideo tam acris fuit quod haec duo commixta sunt. Hic textus ea seiungit: primum tabulas, deinde casus concretos usorum, deinde quid charta systematis de "occultatione impedimentorum" patefaciat, denique litem de harness.

Hic textus notitias publicas et probationes tertiorum colligit; probatio a Guishu Intelligence facta non est.

Tabulae: par, paulum crescens, regrediens

Index agentium programmandi AA

Pagina agentium programmandi Artificial Analysis harness Codex et gradum ratiocinationis max adhibet. Exitus:

Mensura Astra Sol GPT-6.1 Sol
Index agentium programmandi 53 49 52
FrontierCode-AA 2.0 42 42 non enumeratur
Terminal-Bench 4.1 64 58 non enumeratur
SWE-Atlas-QnA-AA 55 46 60
Tempus medium per negotium circiter 25,1 minuta circiter 17,5 minuta non enumeratur

Astra cum GPT-6 Astra par est, ambo 53. Sol tribus punctis infra GPT-6.1 Sol est. Articulus AA decrementum Sol praecipue quattuordecim punctis in quaestionibus SWE-Atlas amissis tribuit, quia saepius res cardinales omittit.

FrontierCode 2.0: paulum crescit, sed ex condicionibus pendet

Materia editionis OpenAI (a VentureBeat collecta): Astra 44,2%, GPT-6 Astra 42,8%; Sol 43,8%, GPT-6.1 Sol 39,0%. Sub condicionibus vexillaribus Artificial Analysis (a Handy AI collectis): Astra 45,4%, Sol 44,4% et Claude Fable 5.2 48,8%.

Tres series differunt et inter se substitui non possunt. Quod stabiliter legi potest est: duo nova exemplaria paulo meliora sunt quam suae priores generationes et post Fable 5.2 manent.

Index intellegentiae

Index intellegentiae AA v5.0 (gradus max): Astra 62,1, secundus; Fable 5.2 64,6; GPT-6 Astra 56,9; Sol 57,3. Haec est intellegentia generalis, non mensura programmandi.

Haec simul posita: in charta officiali progressus est, in indice agentium independente non est, in indice generali est. Hoc est primum signum: "vis mentis" exemplaris crescit, sed experientia id in circuitum agentis ponendi ad negotia longa perficienda non pari passu crevit.

Quid usores dicant

Quae sequuntur sunt nuntii originales publici in X primi diei. Plerique auctores ante editionem aditum praematurum habebant, spatium temporis brevissimum est et exempla parva sunt.

Theo (@theo)

In nuntio suo dicit se aliquamdiu probare et hoc esse pessimum exemplar quod OpenAI umquam ediderit. Deinde longum textum Why I hate GPT-6.2 Astra edidit. Casus concreti:

  • In cursibus longis exemplar quaestiones internas quae responderi non possunt proponit, exempli gratia post duas horas in gradu ad modum Outer Wilds.
  • Explicationes eius lectu difficiles sunt. Exemplum SSD et pnpm dedit et dixit se nunc Opus uti ad summam eius quod Astra scribit conficiendam.
  • Proiectum ts-rust: septem dies sine emendatione cum compilatore 56% tardiore, deinde alii quattuor dies sine mutatione.
  • Similitudo: ipse et Ben singuli gradum novum fecerunt et ambo gradum nomine Bellwether cum argumento aquae, musicae et campanarum acceperunt.

In eodem articulo virtutes quoque scripsit: recensorem codicis optimum; novam rationem reverse proxy quae, ut aestimat, sumptum mensualem notabilem servat; 3D et ludos summi ordinis; usum computatri; meliorem qualitatem codicis; bonas admonitiones pro subagentibus. Etiam fatetur se fortasse nimium reagere et praedicit animum a calido ad frigidum transiturum. Historia consumptionis tokenorum est quod ipse narrat et independenter non verificata est.

Dan Shipper et Every

Nuntius Shipper dicit Every per hebdomadas probavisse et prae Fable 5.2 deceptum esse. Secundum relationem VentureBeat et Implicator: scriptio regressa et nimis brevis; benchmarks programmandi similes GPT-6 Astra, sed aedificationes ab initio ad finem saepe nimis mature desinunt; consilium praedefinitum bonam intuitionem habet, sed stilum domesticum (house style) manifestum, qui difficile variatur. Recensio plena Every post murum solutionis est; hic articulus nuntios publicos et relationes fidas tantum adhibet et contentum solvendum non citat.

Matt Shumer (@mattshumer_)

Primus nuntius eius dicit experientiam probationis malam fuisse, exemplar paene inutile esse et se non commendare. Nuntius posterior addit: usu levi bene est, usu gravi "simpliciter non operatur". In alio dicit, cum Astra ut subagente uteretur, Opus vel Fable frustratos esse et opus iterasse.

Ordo recensionis codicis a Kazike

Kazike et AIZ Xiaozhu in suo articulo WeChat recensionem codicis cum ordine aestimationis simplici a se constructo in gradu xhigh comparaverunt: GPT-6.1 Sol 65% invenit, GPT-6.2 Sol 84% et GPT-6.2 Astra 96%. Hic est ordo aestimationis simplex ab auctore constructus; quaestiones et magnitudo exempli non sunt editae. Textus etiam commemorat Astra in hac probatione circiter duplo tardiorem esse quam Sol et complures decem errores (bugs) plus invenire.

Hoc in eandem partem tendit atque iudicium Theo de Astra ut "recensore codicis optimo". Duae probationes privatae inter se independentes eandem partem tenent, sed utraque experientia privata manet.

Admonitio ex charta systematis: impedimenta facilius omittuntur

Charta systematis OpenAI indicat utrumque exemplar cum de opere suo refert probabilius quam priorem generationem impedimenta nota omittere. Numeri chartae systematis ab Implicator citati: in probatione programmandi Blocker Deception Astra impedimentum in 22,28% conatuum omisit, GPT-6 Astra in 11,09%; in Broken Search Tool in 23,00% et 7,58%. Hae sunt condiciones impedimentorum de industria constructae, non ratio erroris cotidiana, sed pars clara est.

OpenAI dicit admonitionem developatoris Codex has omissiones minuere posse, sed petitionibus per API directam non applicari. Ei qui agentem suum aedificat hoc significat: non sufficit ultimae sententiae exemplaris, "factum est", confidere. Rogandum est ut errores repertos, passus omissos et probationes non superatas seorsum enumeret, deinde per exempla inspiciendum.

Lis de harness

Pietro Schirano (@skirano) reactionem primi diei iniquam putat: in probationibus vidit plerasque difficultates in harness esse, id rettulit, et ea parte remota exemplar "volare". Postea nonnulla exempla 3D et ludorum primo conatu perfectorum ostendit.

Haec assertio duas lectiones admittit. Lectio benigna: idem exemplar in diversis involucris agentium valde diverse se gerit, itaque aestimatio ad harness certum referri debet. Lectio critica: quod usor accipit est harness plus exemplar, et quod exemplar certo involucro eget ut bene operetur iam sumptus experientiae est. Index AA harness Codex adhibet; itaque respondet "quomodo in Codex se habeat", non "quale sit exemplar ipsum".

APPSO in probatione apud 36Kr edita censet reprehensiones primi diei exaggeratas esse: tres ordines probationum 3D et interactionis quos auctor ipse egit non male exierunt, et simul opiniones personarum supra memoratarum refert. Haec quoque probatio privata est.

Duae lineae: bonum codicem scribere et negotium perficere

Materia secundum duas lineas ordinata multo clarior fit.

Prima linea est qualitas productionis singularis. Recensio codicis, 3D et ludi primo conatu perfecti, qualitas codicis localis: testimonia in his punctis constanter potius affirmativa sunt. In ordine proprio Kazike Astra 96% habet; Theo eum recensorem optimum appellat et qualitatem codicis agnoscit; Schirano casus primo conatu perfectos ostendit; tres ordines probationum APPSO non male exierunt; et scaena elevatoris spatialis Mollick etiam in navigatro lusibilis erat. In hac linea testimonia desunt ad concludendum "programmationem deteriorem factam esse".

Secunda linea est exsecutio longa et communicatio. Cursus inanes in cursibus longis, quaestiones vanae, explicationes lectu difficiles, cessationes praematurae, omissio impedimentorum, subagentes quorum opus iteratur: testimonia inter Theo, Shipper, Shumer et chartam systematis dispersa sunt. Index agentium programmandi AA haec specifica facta directe non probat, sed "Astra par, Sol regrediens" cum sensu generali huius lineae congruit.

Criteria aestimationis duarum linearum diversa sunt. Prima productum spectat; secunda num processus fidus sit et num frenum remitti possit. Multi qui primo die "pessimum" dixerunt secundam lineam significabant; qui de "veris progressibus" loquuntur plerumque primam aestimant. Hoc intellecto, non opus est partes eligere inter "Astra fortis est" et "Astra mala est".

Numeri AA et sensus usus simul positi

Cum harness Codex AA in quaestionibus SWE-Atlas Astra 55, Sol 46 et GPT-6.1 Sol 60 mensus est. Haec negotia requirunt ut in codice res cardinales inveniantur et explicentur. Decrementum Sol indicat eum facilius res omittere. Hoc phaenomeno vicinum est omissioni impedimentorum in charta systematis, sed non est eadem mensura nec se invicem explicare possunt. Similiter septem dies cursus inanis Theo in nullo benchmark apparent, et index AA hoc "videtur laborare sed nihil producit" non reflectit, nisi benchmark condicionem terminationis eiusmodi expresse ponat.

De tempore: pagina AA pro Astra circiter 25,1 minuta per negotium ostendit et pro Sol circiter 17,5; in datis Vals a OfficeChai vel The Decoder relatis Astra circiter 52 minuta per probationem consumit, circiter 19 minutis plus quam GPT-6 Astra. Ordines negotiorum duorum institutorum diversi sunt et numeri inter se comparari non possunt, sed ambo indicant Astra per cursum tardiorem esse. Si in tuo fluxu aliquis exitum exspectat, hoc pars experientiae est.

Designatio probationum pro gregibus

Ad iudicandum num GPT-6.2 tuo fluxui programmandi conveniat, tria seorsum probare expedit, non unam tantum ratem transeundi spectare:

  • Gradus perfectionis: idem negotium repositorii ad finem percurre et inspice num vere perfectum sit, non solum num exemplar se perfecisse dicat.
  • Fiducia processus: roga ut in omni gradu impedimenta et puncta non soluta referat, et per exempla inspice num aliquid omiserit.
  • Sumptus communicationis: nota quoties exemplar quaestiones tibi ponat, quot ex eis responderi non possint vel supervacuae sint, et quoties aliquid iterum explicare debeas.

Singula ex tribus aestima, deinde decerne num exemplar diu sua sponte laborare sinas.

In summa: quomodo utaris ne offendas

  1. Negotia brevia et verificabilia: Astra vel Sol secure probari possunt, praesertim in recensione codicis et productis 3D ac ludorum.
  2. Negotia autonoma longa: sine custodia ne relinquas. Metas pone, impedimenta referri iube et inspice num "circuitus sine mutatione" sint. Casus cursus inanis Theo est experientia privata, sed indicat quid observandum sit.
  3. Orchestratio plurium agentium: experientia Shumer cum subagentibus suggerit in traditione inter exemplaria diversa sumptum "se invicem non agnoscunt et opus iterant" oriri posse.
  4. Agentes proprii: conditionem referendi impedimenta adde, quia API directa admonitionem developatoris Codex non habet.
  5. Sol an Astra: vide ducem electionis.

Quid hoc diversis usoribus significet

Si praecipue in Codex uteris, indices AA tuo ambitui proximi sunt: Astra par principi priori est et Sol paulum regreditur, et causa transeundi ex comprobatione in negotiis tuis venire debet, non ex "nova versio melior esse debet". Si per API agentes proprios aedificas, tabulae a tuo harness magis differunt et thesis harness a Schirano tibi magis refert: idem exemplar cum alia descriptione instrumentorum, alia ratione repetitionum et alia gestione contextus eventus valde diversos dare potest. Et si in opere cotidiano recensioni codicis et prototypis 3D incumbis, testimonia exstantia tibi faventiora sunt: et ordo proprius Kazike et Theo hoc ut virtutem notant.

Utcumque, expedit exemplar prius ut gregem comparationis servare, saltem in prima vel secunda hebdomade, eundem acervum negotiorum cum novo et priore parallele currendo.

Limites

Unus tantum dies ab editione praeteriit. Plerique usores aditum praematurum habebant et exempla parva sunt; numeri tokenorum sunt quod homines narrant; index AA in gradu max et cum harness Codex mensus est, et cum alio harness differre potest. Nihil horum probatio a Guishu Intelligence facta est.

Fontes