Claude Opus 5.5 Code Arena-да 1-ші орынға ие болды - енді ең үздік код жазушы жасанды интеллект үміткерлерінің қатарында

Қысқа жауап: Claude Opus 5.5-тің ең жоғары деңгейі Arena.ai Code Arena WebDev сайтында 1818 ұпаймен 1-ші орында тұр және Artificial Analysis-тің Coding Agent индексінен ең жоғары 66 ұпаймен озып тұр. Бұл сіздің артта қалған термометрлеріңіз емес, жалпыға қолжетімді термометрлер. Егер сіз күнкөріс үшін код жіберсеңіз, әдепкі мәнді өзгертпес бұрын, өз тапсырмаларыңызды қысқаша орындап көріңіз.

Негізгі қорытындылар:

Code Arena жетекшісі: 1818 WebDev Elo-ны өндірістік дәлел ретінде емес, артықшылық күші ретінде қарастырыңыз.

Агент индексінің шыңы: Сәтсіздік қымбатқа түсетін жабысқақ билеттер үшін максималды күш-жігерді резервтеңіз.

Шығындар арасындағы ымыра: Лог-токендер және қабырға сағаты; ең жоғары ұпай мен арзан ұпай алшақтайды.

Алдымен дайындық: Бір UI құрастыруын, бір рефакторды және бір ұзақ агент сессиясын өзіңіз сынап көріңіз.

Тәж айналады: босату циклдарында дыбыс деңгейін төмендету үшін арзанырақ әдепкі параметрді сақтаңыз.

Көшбасшылар тақтасын басып алу, қарапайым түсіндірме

Arena.ai сайты Claude Opus 5.5 (Max) моделін Code Arena WebDev жолағында 1818 ұпаймен бірінші орынға қойды . Бұл келесі модель GPT-6 Astra Max-тан шамамен жиырма алты ұпайға алда және 1692 ұпайға жуық болған алдыңғы Opus 5 Max-пен салыстырғанда айтарлықтай секірісті білдіреді. Бұл хабарланған тақта сандары, мен герметикалық зертханада өз бетімше қайта іске қосқан нәрсе емес. Дегенмен, сол отбасының Max деңгейінде ~126 ұпайға көтерілу - бұл адамдардың Elo диаграммаларын спорттық ұпайлар сияқты жаңартуына себеп болатын дельта түрі.

Artificial Analysis бөлек Opus 5.5 нұсқасын Coding Agent Index индексінде бірінші орынға шығарды, олар бақылайтын бағалаулар бойынша өсімге қол жеткізді. Claude Code ішіндегі ең көп күш жұмсалған кезде модель сол индекс бойынша 66 балл жинады - бұл олардың айтуынша, әзірге өлшеген ең жоғары көрсеткіш. Ескертуде бір түйін бар: күш жұмсаған кезде тапсырманың құны жоғары болады. Ең жоғары балл мен арзан балл бірдей емес.

Осы екі сигналды біріктірсеңіз, ең маңызды оқиға бұрышын аласыз: «үлгі іске қосылды» емес, «кодтау тақталары асығыс аударылды». Іске қосу туралы хабарландырулар баспасөзде жарияланады. Көшбасшылар тақтасын басып алу - бұл пайдаланушылардың жұмыс уақытынан тыс топтық чаттарға скриншот түсіретін нәрсесі.

• Arena.ai коды Arena WebDev: Opus 5.5 (максималды) нұсқасы 1818 деп хабарланды
• Келесі қарсыласпен салыстырғандағы айырмашылық: GPT-6 Astra Max-қа қарсы шамамен +26
• Алдыңғы Opus 5 Max-қа қарсы секіру: ~1,692-ден 1,818-ге дейін
• Жасанды талдау кодтау агентінің индексі: жаңа #1; Клод кодында максималды күш жұмсау кезінде 66
• Сол индекс ескертпесі: сол күш-жігер жағдайында әрбір тапсырманың құны жоғарырақ

Хабарланған сурет: Code Arena-дағы Opus 5 Max және Opus 5.5 Max

Салыстыру кестелері тек көңіл-күй мен скриншоттардан тұратын арналарға көмектеседі. Төменде тәуелсіз дайындық емес, қарапайым суреттің құрылымы келтірілген. Ұяшықтар сәл біркелкі емес, себебі жалпыға қолжетімді тақталар әрқашан солай - және "Макс" атауы көзді ашуландыратындай жеткілікті.

Кейбір оқырмандар үшін бұл кесте жеңімпазды анықтауға жеткілікті болып көрінеді. Бірақ олай емес. Elo және агент индекстері - ыңғайлы термометрлер. Олар сіздің өндірістік артта қалуыңыз емес.

Код Аренасының капот астында қандай өлшемдері бар

Егер сіз тек рейтингті оқысаңыз, тесттің пішінін түсінбейсіз. Code Arena, әсіресе адамдар келтіріп отырған WebDev нұсқасы, кодтау және интерфейс құру тапсырмаларына салыстырмалы артықшылық. Адамдар (және аренаның дауыс беру механизмі) модель нәтижелері арасында жеңімпаздарды таңдайды. Бұл дұрыс көрінетін, демонстрацияларда таза жұмыс істейтін және соқыр салыстыру кезінде жылтыратылған кодты марапаттайды - фронтенд құрылымы, интерактивтілік, визуалды үйлесімділік, жергілікті хостты алдын ала қарауды «жібер» деп айқайлауға мәжбүр ететін нәрсе.

Бұл статикалық көп таңдаулы кодтау емтиханынан өзгеше спорт түрі. Бұл сондай-ақ модель өзін бұрышқа түсірмей, ондаған құрал шақырулары үшін қабық сеансын белсенді ұстауы керек ұзақ көкжиек агент бағалауынан да ерекшеленеді. Модель әдемі UI сынағын жеңе алады, бірақ үш кітапхананы бекітіп, кепілге алу жағдайындағыдай келіссөздер жүргізуді қажет ететін дөрекі монорепо миграциясында қателесуі мүмкін.

Сондықтан Opus 5.5 WebDev-те 1818-ге жеткенде, оны Arena дауыс берушілері көретін құрастыру түрлері бойынша артықшылық күші ретінде қарастырыңыз. Жылдам localhost қолданбалары, ойындары, раскадровкалары және визуалды интерфейстер бұл жолға тым жақсы сәйкес келеді - бұл түнгі демонстрациялардың уақыт шкалаларын толтыратын уақыт шкалаларына сәйкес келеді. Preference Elo өтірік емес. Бұл нақты шындық түрі. Оған толық тамақтану панелі емес, дәм тату мәзірлері сияқты қараңыз.

Тағы бір ерекшелік: максималды деңгейлі белгілеу. Жоғары күш салу / жоғары сыйымдылық параметрлері көбінесе көбірек токендерді, көбірек есептеулерді және көбірек шыдамдылықты білдіреді. Максималды нұсқаларды көрсететін тақталар стендапты жартылай қарап отырғанда жасайтын күнделікті API қоңырауын емес, төбені көрсетеді. Төбе маңызды. Күнделікті жүргізуші құны да маңызды. Екі ойды да ескеріңіз.

Кодтау агентінің индексі және шығындар мен шыңның арасындағы айырмашылық

Artificial Analysis компаниясының Coding Agent индексі осы өсу оқиғасының тағы бір тірегі болып табылады. Олардың есебінде Opus 5.5 бағалары бойынша жақсарулармен бірінші орынға қойылған, ал Claude Code-та ең жоғары күш жұмсау бойынша 66-шы орынға ие. Олар өлшеген ең жоғары көрсеткіш - күшті сөйлем. Сондай-ақ, ол ересектерге арналған сілтемемен бірге келеді: үдеткішті жерге қойған кезде тапсырманың құны артады.

Бұл бюджеті бар командалар үшін ең жақсы модель туралы дәлелдің негізі. Максималды күш жұмсап жеңіске жететін модель, егер әрбір тапсырма токендерге аздаған байлықты жұмсаса, аптаны жоғалтуы мүмкін. Айналадағы әңгімелер кейбір пайдаланушылардың ұзақ сессияларда токеннің жанып кететінін байқайтынын көрсетеді. Бұл ұпайды жоймайды. Ол өнім туралы шешімді қайта қарастырады: ең көп күш жұмсауды жағымсыз билеттерге қалдырыңыз және желім коды, рефакторлар және «бұл түймені онша көріксіз етпеңіз» жұмысы үшін арзанырақ профильді сақтаңыз.

Мұны сағат сайын есепшот жазып, тез сөйлейтін өткір мердігерді жалдаумен бірдей деп ойлаңыз. Сіз олардың қиын мәселені шешуін қалайсыз. Сіз олардың әрбір README-ді қайта жазуын қаламайсыз. Агенттің ең жоғары ұпайы - бұл мүмкіндік туралы мәлімдеме. Тапсырманың құны - бұл операциялар туралы мәлімдеме. Түнгі сағат 1-де жеке инди хакерлігі үшін ең жақсы кодтау жасанды интеллект, бөлімше экономикасын бақылайтын компания үшін автоматты түрде ең жақсы кодтау жасанды интеллект емес. Екі топ та бірдей көшбасшылар тақтасының скриншоты туралы айқайлап жатыр.

• Тапсырма жабысқақ, көп файлды және сәтсіздік қымбат болған кезде барынша күш жұмсаңыз
• Тапсырма әдеттегідей болғанда және сізге көлем қажет болғанда қоңырау шалыңыз
• Тек қоғамдық Elo ғана емес, біріктірілген PR құнын бақылаңыз
• Агент индекстері мен Эло аренасы кейде келіспейтінін күтіңіз - әртүрлі спорт түрлері

Әзірлеушінің түнгі реакциясы: қолданбалар, ойындар және «ұялмаңыз» энергиясы

Сандар тақырыптарды түсіндіреді. Демонстрациялар көңіл-күйді түсіндіреді. Әзірлеушілер өткен тоқсанда демалыс күндерін өткізетіндей көрінетін жылдам жергілікті хост қолданбаларын, шағын ойындарды, раскадровкаларды және UI/визуалды құрастыруларды жариялап жатыр. Мұның бір бөлігі таңдауға қатысты - адамдар жеңімпаздарды бөліседі, бірінші келген үш сәтсіз ұрпақты емес. Соған қарамастан, «күте тұрыңыз, бұл жақсы өтті» деген жазбалардың көптігі мұның тыныш патч нотасынан гөрі толқын сияқты сезілуінің бір себебі.

Әзілдер циклі қазірдің өзінде жетілген: Opus 5.5 нұсқасын мазақ етпеңіз. Бұл әзіл модель өзін табиғат аясында тым жақсы сезінгенде немесе бұрынғы шығарылымдар адамдарға қауіпсіздік пен өнім жаңартулары кейде шектен шығуды үйреткенде ғана пайда болады. Қандай да бір мазақ болатыны немесе болмайтыны маңызды емес. Мем - бұл көңіл-күйді тексеру. Қазір бұл көрсеткіш жарқырап тұр.

Платформалар да өзгеріп жатыр. Мысалы, Questflow Opus 5-тен 5.5-ке жаңартулар туралы хабарлап келеді. Құрал-жабдық өндірушілері тез арада сұранысты жібергенде, бұл сұраныстың нақты екенін және алдыңғы деңгейдің өткен аптадағы әдепкі болып саналатынын білдіреді. Интеграция жылдамдығы өзіндік шолу түрі: өнім топтары спорт үшін модель таңдаушыларын қайта жазбайды.

Әңгіме-дүкен құрулар - бұл бақылау аудиттері емес, әзірлеушінің реакциясы. Бұл айырмашылықты маңдайыңызға татуировкалап қойыңыз. Керемет раскадровка демонстрациясы кәсіпорынның сенімділігін дәлелдемейді. Бұл шығармашылық кодтау жұмыс процестерінің қантқа деген құштарлыққа толы екенін және қантқа деген құштарлық адамдардың келесі әрекетін өзгертетінін дәлелдейді.

Неліктен бірінші нөмір күнделікті жұмыс үшін автоматты түрде «Ең жақсы кодтау жасанды интеллектісін» теңестірмейді?

Қысқа жауап: кейбір жұмыстарға, бірнеше аптаға. Ұзақ жауап: ең жақсысы - жүлде болып көрінетін портфолио сөзі.

Егер сіздің күніңіз WebDev пішінінде болса - қону беттері, интерактивті прототиптер, визуалды жылтырату, жылдам ойындар, раскадровка тәрізді ағындар - Code Arena WebDev жетекшісі өте маңызды. Артықшылық жеңімпаздары браузерде жақсы көрінуге бейім, ал браузерде жақсы көріну - бұл жолдағы жұмыстың жартысы. Егер сіздің күніңіз құралдармен, қабықшалармен және ұзақ сессиялармен араласқан код базасында агенттік кодтау болса, Coding Agent индексінің шыңы қызықтырақ сигнал болып табылады - шығындар туралы ескерту әлі де қоса берілген.

Егер сіздің күніңіз жер бетіндегі ең қиын міндеттер болса - жаңа алгоритмдер, қауіпсіздікке қатысты маңызды жүйелер, тайпалық білімі бар түйінделген мұрагерлік стектері - таралған пайдаланушылардың жазбаларында Opus 5.5 әлі де ең қиын мәселелерді шеше алатыны және сессиялар созылған кезде токендерді өртей алатыны айтылады. Бұл оңай емес. Бұл таныс шекаралық үлгі: орташа жағдай секіреді, патологиялық жағдай патологиялық болып қалады. Бұл осы шығармадағы ең аз тартымды сөйлем болуы мүмкін, және мүмкін ең практикалық сөйлем.

Сондай-ақ бәсекелестердің сол аптада жеткізуін қарастырыңыз. Чаттер OpenAI GPT-6 Sol/Luna класындағы шығарылымдарды бірдей уақытта айта кетті. Бірнеше зертхана бір-бірінен бірнеше күн ішінде түсіп кеткенде, көшбасшылар тақтасы айналмалы есікке айналады. Бүгінгі №1 ертеңгі күннің «әлі де керемет, бірақ мына басқа диаграмманы қараңыз» болуы мүмкін. Ең жақсысы уақытша. Қабілеттілік деңгейлері тұрақты түрде жоғарылайды. Скриншотқа емес, ратчетке ставка жасаңыз.

Айналымдағы өнімге қатысты шағымдар (мұқият қарастырыңыз)

Тақталардан тыс, өнімге қатысты бірқатар мәлімдемелер әдеттегі арналарда айналымда. Оларды осы мақаладан алынған тексерілген зертханалық нәтижелер емес, айналымдағы мәлімдемелер деп атаңыз:

• Көптеген тапсырмалар бойынша шамамен 40%-ға төмен жұмыс құнымен "Fable 5.1" класының өнімділігін шамамен сәйкестендіру (айналымда бар)
• Алдыңғы Opus деңгейлеріне қарағанда агенттік кодтау және компьютерді пайдалану мінез-құлқы күштірек (шағым + агент индексінің жылжуымен пікірлерді үйлестіру)
• Кейбір пайдаланушылар оның әлі де ең қиын тапсырмалардан артта қалып отырғанын айтады
• Ұзақ сеанстар токендерді адамдар күткеннен де қаттырақ жағуы мүмкін

Fable класындағы шығындар туралы шағым әсіресе өткір, себебі ол сапалы және үнемді тауарларды бірден сатуға тырысады. Егер ол сіздің жұмыс жүктемеңізге сәйкес келсе, бұл бұрын Opus деңгейіндегі сапаның әр кеш сайынғы қымбат кешкі ас сияқты бағаланатынын сезген кез келген адам үшін үлкен мәселе. Егер ол сіздің сұраныстарыңызға сәйкес келмесе, сіз оны Elo-да сезінгенге дейін шот-фактурада сезінесіз. Жеке жұмыс жүктемесі > маркетингтік сәйкестік. Әрқашан.

Компьютерді күштірек пайдалану және агенттік кодтау - жасанды талдау оқиғасына ең жақсы сәйкес келетін тұжырым. Құралдарды басқара алатын, айналаны баса алатын және күйді үйлесімді ұстай алатын агенттер - көптеген құрастырушылар қалаған өнім пішіні. WebDev-тегі Preference Elo және агент индексінің шыңдары бірдей егіздер болмай-ақ рифма жасай алады. Олар рифмаласқанда, адамдар шулап кетеді. Кейінірек олар алшақтағанда, адамдар циник болып кетеді. Ортасында өмір сүріңіз.

Бір апталық жарыс: Неліктен уақыт бәрін жақсартады

Opus 5.5 жаңалықтардың тыныш шөлінде пайда болған жоқ. Ол жақында, OpenAI GPT-6 Sol/Luna туралы әңгімелерді қоса алғанда, бәсекелес модельдердің шығарылымдарымен бір аптада шығарылды. Бұл тығыздықтың маңызы зор. Тынық мұхиттағы апталар салыстырмалы скриншоттар жасайды. Салыстырмалы скриншоттар тайпалық лагерьлерді жасайды. Тайпалық лагерьлер бір диаграмма өркениетті орнықтырады деген иллюзияны тудырады.

Бұл сондай-ақ айқын стресс-тест жасайды. Бірнеше күшті модель бірден пайда болған кезде, әзірлеушілер оларды бірнеше сағат ішінде бір ойыншық қолданбаларында A/B жасайды. Түнде жергілікті хосттардың бумы әлеуметтік желілерге таралған стресс-тесттің бір бөлігі. Сіз қорқынышты әдістемесі мен тамаша ойын-сауық құндылығы бар таратылған піскен ойынды көріп отырсыз. Бұл ғылым емес. Егер сіз көзіңізді қысып, таңдаудағы бейімділікті ескермесеңіз, ол әлі де сигнал бере алады.

Anthropic үшін Code Arena және Coding Agent Index сайттарында сол кездегі ең үздік жазбалардың пайда болуы уақытты анықтаудың тамаша тәсілі немесе уақытқа ұқсайтын тамаша модель сапасы. Қалай болғанда да, әңгіме тоқтап қалды: тек іске қосу туралы жазба емес, кодтаудағы серпін.

Құрылысшылар мұнымен не істеуі керек

Тәжірибелік нұсқаулық, мистика жоқ:

• Өзіңіздің үш тапсырмадан тұратын дайындық жұмысыңызды іске қосыңыз: бір пайдаланушы интерфейсін құрастыру, бір көп файлды рефакторлау, бір ұзақ агент сессиясы
• Журнал жетондары және қабырға сағаты, тек «жұмыс істеді ме» ғана емес
• Arena.ai және жасанды талдауды рейтинг тарихы үшін негізгі қоғамдық термометрлер ретінде қарастырыңыз
• Көп көлемді жұмыстар үшін арзанырақ әдепкі үлгіні сақтаңыз
• Егер сіз 5.5 нұсқасына ауысқан Questflow сияқты платформаларды пайдалансаңыз, барлығын қайта жазбас бұрын бар жұмыс процестеріңіздің қалай өзгеретінін бақылаңыз
• «Мәңгілік ең жақсы» фильмінің үзінділерін елемеңіз; бірнеше шығарылым циклынан кейін қайта оралыңыз

Егер пайдаланушы интерфейсі тапсырмасы пайда болып, ұзақ агент сессиясы қымбатқа түссе, жауабыңызды бір түстен кейін аласыз. Егер масштабыңыз үшін шығын да, шығын да жақсы болса, құттықтаймын - сізде жаңа әдепкі параметр болуы мүмкін. Егер ең қиын тапсырма әлі де сәтсіз болса, сіз көшбасшылар тақтасы сізге ешқашан айтпайтын нәрсені үйрендіңіз. Бұл ойынның бәрі. Аздап құрғақ. Өте практикалық.

Бір жетілмеген метафора, себебі бұл мақалаларда ғарыштық заң бойынша ондай метафора болуы керек: бір ғана Элоның жетекшісін «ең үздік кодтаушы жасанды интеллект» деп санау әлемдегі ең үздік аспазшыны десерт байқауында жеңіске жеткені үшін марапаттаумен бірдей. Десерттер маңызды. Сынық пешпен он екі талғампаз туысқа кешкі ас дайындау да маңызды. Сіздің репозиторийіңіз - туыстар.

Бұл кеңірек кодтау-AI қарулану жарысына қалай сәйкес келеді

Алыстап қарасаңыз, үлгі таныс болады. Зертханалар жеткізіледі. Тақталар араласады. Әзірлеушілер жаңа төбені толтырады. Құрал-жабдық өндірушілері әдепкі параметрлерді жаңартады. Біреу таңғажайып мини-ойын жариялайды. Басқа біреу жағымсыз қате туралы сәтсіздік жариялайды. Тәж ауысқан кезде де орташа мүмкіндік жоғарылайды.

Мұнда жаңалық сезілетін нәрсе - қос тақталы сигнал және даңқпен бірге жүретін баға сілтемесі. Біз бір чат эталоны тұтас әңгімені жеткізе алатын дәуірден өттік. Кодтау жұмысы іс жүзінде көпмодальды: жазу, өңдеу, шолу, басу, іске қосу, қайталау. Агенттікке негізделген индекстер мен WebDev артықшылықтарына негізделген ареналарда бұл әртүрлі бөліктер бар. Бір модель екі бөлікті бірден басқарған кезде, толқынды әңгіме өзін-өзі жазады.

Opus 5.5 жоғары деңгейде қалатынын ешкім білмейді. Егер шамамен 26 ұпайлық алшақтық сақталса, бәсекелес Max деңгейлері WebDev тақтасында қазірдің өзінде айқын қашықтықта. Кішкентай алшақтықтар өзгеруі мүмкін. Демонстрацияларда «бір түнде жақсырақ» сезілетін мүмкіндік бірнеше аптадан кейін барлығы бейімделгенде жаңа қалыпты жағдай болып қала береді. Қызықты, тұрақты сұрақ - бұл тәж емес. Бұл қарапайым құрылысшылар үшін агенттік кодтаудың бір долларға шаққандағы сапасы өсе бере ме деген сұрақ. Бұл сұрақ бойынша, шығындар туралы нақты ескертуі бар 66 жаңа өлшенген ең жоғары көрсеткіш - бұл анық емес, маркетингке қатысты есеп беру. Қажет болған жағдайда авторлық құқық.

Қорытынды

Claude Opus 5.5-тің Max деңгейі Arena.ai сайтының Code Arena WebDev жолағында 1818 ұпаймен 1-ші орында деп хабарланды, бұл келесі аталған бәсекелестен шамамен жиырма алты ұпай алда және алдыңғы Opus 5 Max-тан 1692-ге жуық жоғары. Artificial Analysis оны Coding Agent индексіндегі жаңа 1-ші орын деп хабарлайды, Claude Code-та максималды күш жұмсау кезінде 66 ұпай бар - бұл олардың әзірге ең жоғары көрсеткіші - сонымен қатар тапсырманың құны сол күш жұмсаумен бірге өсетіні туралы ескертпе. Әзірлеушілердің реакциясы қатты: жылдам жергілікті хост қолданбалары, ойындар, раскадровкалар, UI құрастырулары, "нерф жасамаңыз" әзілдері және Questflow-тың Opus 5-тен 5.5-ке ауысуы сияқты платформа жаңартулары. Айналымдағы мәлімдемелер Fable класындағы төмен бағамен әңгімені, күшті агенттік/компьютерді пайдалану сезімін және қиын тапсырмалар мен токендерді жағу туралы таныс ескертулерді қосады.

WebDev пішінді теңшелім тапсырмалары мен агент кодтауының жоғары күші үшін қоғамдық кеңестер Opus 5.5 қазір көшбасшы екенін айтады. Сіздің нақты репозиторийіңіз, бюджетіңіз және қорқынышты билеттеріңіз үшін сізге әлі де пісіру керек. Тәждер айналады. Құралдар күрделі. Күшейтуді пайдаланыңыз, оған табынбаңыз. Және шот-фактура сюжеттің бұрылысы сияқты көріне бастағанда, екінші модельді жылы ұстаңыз.

Практикалық мысал: Әдепкі параметрді өзгертпес бұрын үш тапсырмалы Opus 5.5 дайындық нұсқасын іске қосу

туралы көшбасшылар тақтасының скриншоттары Code Arena-да 1-ші орынға ие болды - Енді ең үздік кодтау жасанды интеллектіне үміткерлердің қатарында термометрлер бар, сіздің артта қалған тізіміңіз емес. Міне, Ұлыбританиялық фрилансер толық стек әзірлеушісі кез келген әдепкі модель таңдау құралын ауыстырмас бұрын Elo-ның түнгі толқынын бір түстен кейінгі дайындыққа - бір UI құрастыруына, бір көп файлды рефакторға, бір ұзақ агент сессиясына қалай айналдырды.

Сценарий

Райли SaaS қосымша жобасы үшін клиенттік қону беттерін және кең ауқымды React/Node монорепосын ұсынады. Arena.ai Code Arena WebDev жазбалары мен Artificial Analysis компаниясының Coding Agent Index туралы әңгімесі Opus 5.5 (Max) нұсқасын жеңіп алғаннан кейін, Slack «барлық нәрсе үшін тек Max пайдаланыңыз» энергиясына толы болды. Райлидің шот-фактуралары ұзақ сессияларға толы болды, ал өткен тоқсандағы «мәңгілік ең жақсы» своп оларды айына екі рет қайта жазуға мәжбүр етті.

Олар қоғамдық тақталарды контекст ретінде сақтайды - WebDev-те 1818 хабарланған, агент индексінің шыңы шығындар туралы сілтемемен бірге - және Элоны өндірістік шешім ретінде қарастырудан бас тартады. Жоспар: Opus 5.5-те қалыпты күш параметрінде үш бекітілген тапсырма және тек қажет болған жағдайда жабысқақ билетте бір Max/max-effort өтуі. Журнал жетондары, қабырға сағаты және өзгерістің негізгіге түскен-түспегені. Арзан модель желіммен жұмыс істеу үшін жылы болып қалады.

Мақсат - «ең жақсы» дегеннің жеке анықтамасы: топтық чат скриншоты емес, біріктірілген өзгерістің сапасы.

Көмекшіге не қажет

• Үш қатып қалған қысқаша мазмұн: (1) шағын интерактивті WebDev UI, (2) тесттері бар көп файлды рефактор, (3) құралдар/қабық қадамдары бар ұзақ агент стиліндегі сессия
• Бағалау парағы: Тапсырма / Күш салу / Жетондар / Қабырға сағаты / Таза жұмыс істеді ме? / Біріктірілді ме? / Ескертулер
• Алдыңғы әдепкі үлгідегі сол үш қысқаша нұсқадағы негізгі ескертпелер (тіпті шамамен)
• Бюджет ережесі: сәтсіздік қымбат болған кезде ғана максималды күш жұмсау; көп көлемді жұмыстар үшін арзанырақ дефолт
• Қабылдау критерийлері емес, «тек термометр» деп белгіленген қоғамдық тақталардың сілтемелері немесе скриншоттары
• Алғашқы әдемі жергілікті хосттық демодан кейін емес, пісіруден кейін әдепкі параметрді шешетін адам иесі

Мысал нұсқаулығы

Сіз маған кодтау әдепкі параметрлерімді өзгертпес бұрын Claude Opus 5.5 үшін үш тапсырмадан тұратын дайындықты жүргізуге көмектесіп жатырсыз. Тек мен қойған тапсырмалар туралы қысқаша ақпарат пен пайдалану нөмірлерін пайдаланыңыз. Arena Elo, агент индексінің ұпайларын немесе шығын пайыздарын ойлап таппаңыз.

Тапсырма: Үш қысқаша тапсырма үшін толтырғыштармен толтырылған бағалау парағын құрастырыңыз. Содан кейін алты пункттен тұратын шешім ережесін жазыңыз: қашан Opus 5.5 әдепкі бойынша қалдыру керек, қашан тек жабысқақ билеттер үшін максималды/максималды күш-жігерді сақтау керек және қашан арзан модельді көлемді жұмыс үшін сақтау керек. Егер менің қоюымдағы жалпыға қолжетімді көшбасшылар тақтасының нөмірі пайда болса, оны ТЕРМОМЕТР деп белгілеңіз.

Шектеулер: Ұлыбритания ағылшын тілі. «Ең үздік кодтау жасанды интеллекті» тілін мәңгілікке тыйым салу. Ішкі сезімнен гөрі біріктірілген өзгерістің құнын артық көру. Егер метрика жоқ болса, Fable класы немесе 40% тұжырымдарын болжаудың орнына [ӨЛШЕУ ҚАЖЕТ] деп жазыңыз.

Шығыс: кесте тақырыбы және тапсырмаларым үшін аталған үш бос жол, содан кейін шешім маркерлері. Кіріспе жоқ.

Оны қалай тексеруге болады

• UI қысқаша мазмұнын және рефакторды күнделікті қолданатын күш-жігер параметрінде іске қосыңыз. Тек «жақсы көрінгенін» ғана емес, сонымен қатар токендерді және қабырға сағатын тіркегеніңізді растаңыз
• Сұрақ қойыңыз: «Code Arena #1 өзі өндірісті ауыстыруды ақтады ма?» Жақсы жауап: жоқ - тек дайындық нәтижелері ғана ақтайды.
• Жиек жағдайы: пайдаланушы интерфейсі пайда болады, агенттің ұзақ сессиясы токендерді жағады және әлі де адам қажет - Max резервтелгенін, желіммен жұмыс істеу үшін әдепкі етіп орнатылмағанын растаңыз.
• Шеткі жағдай: ең қиын патологиялық билет әлі де сәтсіз аяқталды - екінші модельді жылы ұстағаныңызды және бүкіл жинақты қайта жазбағаныңызды растаңыз.
• Қабылдау тексерулері: (1) өлшенген ұпай ретінде ойлап табылған 1818 немесе 66 жоқ, (2) үш тапсырма орындалды немесе ашық түрде сәтсіз аяқталды, (3) шығындар тіркелді, (4) көлеміне байланысты әлі де арзанырақ әдепкі бойынша аталды, (5) бірнеше шығарылым циклынан кейін белгіленген күнді қайта қарау.

Нәтиже

Көрнекі нәтиже (Arena.ai немесе жасанды талдаудың тәуелсіз қайта іске қосылуы емес, бір түстен кейін үш қатып қалған қысқаша нұсқадағы бір фрилансер әзірлеушінің мысалдық бағалауы): WebDev стиліндегі UI қысқаша нұсқасында Opus 5.5 қалыпты күш салу кезінде бір өтуде таза жергілікті хостты алдын ала қарауды шығарды (1-ден 1-і жеңіл жылтыратылғаннан кейін біріктірілді; шамамен 12 минуттық қабырға сағаты). Көп файлды рефакторда 1 сынақ жиынтығының 1-і бір реттік қайталаудан кейін жасыл түске ауысты; токендер сол қысқаша нұсқадағы алдыңғы әдепкі мәннен шамамен 30%-ға жоғары болды (өздігінен есептелген пайдалану экспорты). Ұзақ агент сессиясында жабысқақ билет токеннің күрт көтерілуінен кейін адамның көмегімен аяқталды - жоғары күш салу кезінде күшті, күнделікті әдепкі мән ретінде тым көп шығын. Пісіруден кейінгі шешім: Opus 5.5 UI және орташа өлшемді рефакторлар үшін әдепкі болды; ең көп күш нашар билеттер үшін сақталды; арзан модель README/желім жұмыстары үшін сақталды. Гигиеналық тексеру тізімінде (термометр жапсырмалары сақталды, токендер тіркелді, екінші модель жылы, «мәңгілік ең жақсы» алмасу жоқ), 4 элементтің 4-і өтті. Шектеулер: n=3 тапсырма, бір әзірлеуші, ортақ пайдаланушы интерфейсіндегі жеңістерге бағытталған таңдау бағыты; жалпыға қолжетімді Elo алшақтықтары келесі аптада өзгеруі мүмкін.

Өз нұсқаңызды өлшеу үшін: сол үш қысқаша нұсқаны қатырыңыз; алдымен ағымдағы әдепкі мәніңізді бағалаңыз; Opus 5.5 нұсқасын бірдей қысқаша нұсқалармен іске қосыңыз; табысты, белгілерді, қабырға сағатын және біріктіру жылдамдығын салыстырыңыз; содан кейін көрсетілген бөлгіштермен күш деңгейлерін орнатыңыз.

Не дұрыс болмауы мүмкін

• Скриншотқа табыну: Code Arena рейтингіндегі әдепкі параметрлерді өзгертудің өзі.
• Барлығына ең жоғары баға: Төбенің бағасы әдемі көрінгендіктен, желім кодындағы токен бюджетін жазу.
• Демо-бейімділік: Монорепо билеті әлі сәтсіз болған кезде раскадровка жеңісінен туындайтын жеткізу көңіл-күйі.
• Шығындарды бағалаудың соқырлығы: агент индексінің шыңдары бойынша тапсырмаға шаққандағы шығындарға қатысты сілтемелерді елемеу.
• Бір үлгілі бекіту: қарсылас Max деңгейлері айқайлау қашықтығында тұрғанда, жылы қосалқы допты жіберіп алу.
• Мәңгілік ойлау: Келесі көп адам жиналған іске қосу аптасынан кейін қайта оралуды өткізіп жіберу.

Практикалық қорытынды

Opus 5.5 жетекшісі Code Arena WebDev және Coding Agent Index - бұл шынайы серпіліс сигналы - және әлі де тек термометр. Бір UI құрастыруын, бір көп файлды рефакторды және бір ұзақ агент сеансын іске қосыңыз; журнал токендері мен біріктірулерді жасаңыз; жабысқақ жұмыс үшін максималды күш-жігерді сақтаңыз; көлем үшін арзанырақ әдепкі мәнді сақтаңыз. Тәждер айналады. Біріктіруге жұмсалатын шығын - маңыздысы.

Жиі қойылатын сұрақтар

Claude Opus 5.5 Code Arena-да 1-ші орынға ие болды деген нені білдіреді?

Arena.ai Claude Opus 5.5 (Max) ойынын Code Arena-ның WebDev жолағында 1818 ұпаймен көшбасшы орынға қойды - бұл GPT-6 Astra Max ойынынан шамамен жиырма алты ұпайға озып, алдыңғы Opus 5 Max ойынынан шамамен 1692 ұпайға айтарлықтай секіріс. Artificial Analysis басқа нұсқада Opus 5.5 ойынын Coding Agent Index индексінде бірінші орынға қойды, оның ішінде Claude Code ойынында ең көп дегенде 66 ұпай бар. Бұл тәуелсіз зертханалық аудит емес, хабарланған тақта сандары. Әңгіме тек іске қосу орнында ғана емес, сонымен қатар кодтау тақталарының асығыс аударылып жатқанында.

Code Arena ойынында Opus 5 Max ойынынан Opus 5.5 Max ойынына өту қаншалықты үлкен?

WebDev хабарлаған суретте алдыңғы Claude Opus 5 Max 1692-ге жуық болды, ал Opus 5.5 (Max) 1818-ге дейін ең жоғары көрсеткішке ие болды. Бұл сол отбасының Max деңгейінен шамамен 126 ұпайға жоғарылау - бұл адамдардың Elo диаграммаларын спорттық ұпайлар сияқты жаңартатын дельта түрі. GPT-6 Astra Max шамамен 26 ұпайлық айырмашылықпен екінші орында тұр. Кестені өндірістік артта қалуыңыз туралы шешім емес, артықшылық күшінің термометрі ретінде оқыңыз.

Code Arena WebDev жолағы іс жүзінде нені өлшейді?

Code Arena WebDev кодтау және интерфейс құру тапсырмаларына салыстырмалы артықшылық негізінде құрылған: сайлаушылар модель нәтижелері арасында жеңімпаздарды таңдайды. Бұл дұрыс көрінетін, демонстрацияларда таза жұмыс істейтін және жылтыратылған сезілетін кодты марапаттайды - фронтенд құрылымы, интерактивтілігі және визуалды үйлесімділігі. Бұл статикалық көп таңдаулы емтиханнан немесе ондаған құрал қоңыраулары үшін қабықты тірі ұстауы керек ұзақ көкжиек агентін бағалаудан өзгеше спорт түрі. 1818 WebDev жетекшілігі әрбір репозиторий үшін толық қоректік панель емес, сол құрастыруларға артықшылық береді.

Opus 5.5 үшін жасанды талдау кодтау агентінің индексінің ұпайы қандай?

Artificial Analysis компаниясы Opus 5.5 нұсқасын Coding Agent индексінде бірінші орынға шығарды, олар бақылайтын бағалаулар бойынша жетістіктерге жетті. Claude Code ішіндегі ең жоғары күш жұмсалған кезде модель 66 балл жинады - бұл олардың айтуынша, әзірге өлшеген ең жоғары көрсеткіш. Ересектерге арналған сілтемеде үдеткішті жерге қойған кезде тапсырмаға шаққандағы шығын артады. Агенттің ең жоғары ұпайы - бұл мүмкіндік туралы мәлімдеме; тапсырмаға шаққандағы шығын - бұл операциялар туралы мәлімдеме, және олар бірдей жануар емес.

Claude Opus 5.5 күнделікті жұмыс үшін ең жақсы кодтау жасанды интеллекті ме?

Бұл сіз үшін «ең жақсы» дегеннің нені білдіретініне байланысты: қоғамдық аренада Elo, агент индексі максималды күш жұмсайды, аяқталған тапсырманың құны немесе сіздің шатасқан репозиторийіңіз жұма күні кешке компиляцияланады ма. WebDev пішінді күндер - қону беттері, прототиптер, визуалды жылтырату - Code Arena WebDev жетекшісімен жақсы үйлеседі. Шатасқан код базаларындағы агенттік күндер Coding Agent индексін қызықтырақ етеді, шығындар туралы ескерту әлі де қоса берілген. Айналымдағы жазбаларда ол әлі де ең қиын тапсырмаларды орындай алады және ұзақ сессияларда токендерді жаға алады делінген.

Командалар Opus 5.5 нұсқасымен шығындар мен шыңдардың арасындағы ымыраға қалай келуі керек?

Сәтсіздік қымбатқа түсетін жабысқақ, көп файлды жұмысқа максималды күш жұмсаңыз және көлемді қажет ететін әдеттегі желім кодын, рефакторларды және жылтыратуларды таңдаңыз. Тек қоғамдық Elo ғана емес, біріктірілген PR-дың өзіндік құнын бақылаңыз. Максималды күш жұмсап жеңіске жеткен модель әрбір тапсырма токендерге байлық жұмсаса да, аптаны жоғалтуы мүмкін. Жеке тәуелсіз хакерлер мен бірлік экономикасын бақылайтын компаниялар әртүрлі әдепкі параметрлерді қажет ете отырып, бірдей скриншот туралы айқайлауы мүмкін.

Claude Opus 5.5 тек 1-ші орынға ие болғандардың айналасында қандай айналымдағы өнім туралы пікірлер бар?

Қамту көптеген тапсырмалар бойынша шамамен «Fable 5.1» класындағы өнімділікке сәйкес келетіні туралы мәлімдемелерді шамамен 40%-ға төмен іске қосу құнымен, сонымен қатар бұрынғы Opus деңгейлеріне қарағанда агенттік кодтау мен компьютерді пайдалану мінез-құлқының күштірек екендігі туралы мәлімдемелер таратады. Кейбір пайдаланушылар оның әлі де ең қиын тапсырмалардан артта қалатынын және ұзақ сессиялар токендерді адамдар күткеннен де қаттырақ жаға алатынын айтады. Оларды мақаладан тексерілген зертханалық нәтижелер емес, айналымдағы мәлімдемелер ретінде қарастырыңыз. Шот-фактура келгенде жеке жұмыс жүктемесі маркетингтік көршілестіктен асып түседі.

Неліктен бұл аптада әзірлеушінің түнгі реакциясы соншалықты қатты сезілді?

Әзірлеушілер өткен тоқсандағы демалыс күндері жобаларына ұқсайтын жылдам localhost қолданбаларын, шағын ойындарды, раскадровкаларды және UI құрастыруларын жариялауда - таңдау жеңімпаздарға бағытталған. «Өтінемін, нерф жасамаңыз» деген әзілдер модель табиғатта тым жақсы сезінген кездегі көңіл-күйді тексеру болып табылады. Questflow сияқты платформалар Opus 5-тен 5.5-ке дейін жаңартылып, нақты сұранысты білдіреді. Анекдоттық демонстрациялар - бақыланатын аудиттер емес, реакция - бұл айырмашылықты анық сақтаңыз.

Opus 5.5 қорғасын кодтау тақталарын көргеннен кейін құрылысшылар не істеуі керек?

Өзіңіздің үш тапсырмадан тұратын дайындық жұмысыңызды іске қосыңыз: бір UI құрастыру, бір көп файлды рефакторлау және бір ұзақ агент сессиясы. Журнал токендері мен қабырға сағаты тек «жұмыс істеді» ғана емес. Arena.ai және жасанды талдауды жалпыға қолжетімді термометрлер ретінде қарастырыңыз, көп көлемді жұмыстар үшін арзанырақ әдепкі мәнді сақтаңыз және 5.5 нұсқасындағы платформалардың барлығын қайта жазбас бұрын бар жұмыс процестерін қалай өзгертетінін бақылаңыз. «Мәңгілік ең жақсы» деген сөздерді елемеңіз және бірнеше шығарылым циклдерінен кейін қайта қараңыз - тәждер айналады; мүмкіндік қабаттары жоғарылайды.

Кодтау әдепкісін өзгертпес бұрын үш тапсырмадан тұратын дайындықты қалай іске қосамын?

Үш қысқаша мазмұнды қатырыңыз - шағын интерактивті WebDev UI, тесттері бар көп файлды рефактор және ұзақ агент стиліндегі сессия - содан кейін Тапсырма, Күш, Токендер, Қабырға сағаты, Таза жұмыс істеді ме?, Біріктірілді ме? және Ескертпелер бағаларын алыңыз. Сол қысқаша мазмұндардағы алдыңғы әдепкі мәндеріңізбен салыстырыңыз; тек сәтсіздік қымбат болған кезде ғана максималды күш жұмсаңыз. Жалпыға қолжетімді тақта нөмірлерін қабылдау критерийлері емес, термометрлер ретінде белгілеңіз. Әдепкі мәнді алғашқы әдемі жергілікті хосттық демонстрациядан кейін емес, пісіруден кейін анықтаңыз - және көлемді жұмыс үшін арзанырақ үлгіні жылы ұстаңыз.

Сілтемелер

1. Антропикалық — anthropic.com
2. Клод платформасы — platform.claude.com
3. Arena.ai — Code Arena — arena.ai
4. Жасанды талдау — Кодтау агентінің индексі — artificialanalysis.ai