Claude Opus 5.5 Code Arenan 1. postuan sailkatu berri da - Orain IA kodeketa lehiakide onenen artean dago

Erantzun laburra: Claude Opus 5.5-en Max maila #1ean dago Arena.ai Code Arena WebDev- en 1.818 punturekin eta Artificial Analysis-en Coding Agent Index-en , ahalegin maximoan 66 punturekin. Termometro publikoak dira horiek, ez zure atzeratutako lana. Kodea bidaltzen baduzu bizitzeko, egin proba labur bat zure zereginekin lehenetsitako maila aldatu aurretik.

Ondorio nagusiak:

Code Arena arduraduna: Hartu 1.818 WebDev Elo lehentasun indar gisa, ez ekoizpen froga gisa.

Agentearen indizearen gailurra: Gorde ahalegin maximoko Opus-a porrota garestia den txartel itsaskorretarako.

Kostuen trukea: Erregistro-tokenak eta horma-erlojua; puntuazio maximoa eta puntuazio merkea desberdinak dira.

Bake-off lehenengo: Probatu zeuk UI eraikuntza bat, berregituraketa bat eta agente saio luze bat.

Koroak biratzen du: Mantendu lehenetsitako balio merkeagoa bolumen-lanerako argitalpen-zikloetan zehar.

Sailkapenaren kontrola, modu sinplean azalduta

Arena.ai-k Claude Opus 5.5 (Max) jarri zuen Code Arenaren WebDev erreian lehen postuan, 1.818 punturekin. Hori hogeita sei puntuko aldea du hurrengo modeloaren, GPT-6 Astra Max-en, aurretik, eta jauzi handia da aurreko Opus 5 Max-en aldean, 1.692 puntutik gertu baitzegoen. Taularen zenbaki jakinaraziak dira horiek, ez nik laborategi hermetiko batean berriro aztertu ditudanak. Hala ere, familia bereko Max mailan ~126 puntuko igoera batek jendea Elo taulak kirol emaitzak bezala freskatzen dituen delta mota da.

Artificial Analysis-ek, bere aldetik, Opus 5.5 bere Coding Agent Index-eko lehen postuan dagoela jakinarazi du, jarraitzen dituzten ebaluazioetan zehar lortutako irabaziekin. Claude Code-ren barruan ahalegin maximoan, modeloak 66ko puntuazioa lortu zuen indize horretan - orain arte neurtu duten altuena. Oharrean txertatuta dagoen tranpa bat dago: zeregin bakoitzeko kostua handiagoa da ahalegin hori handitzen denean. Puntuazio maximoa eta puntuazio merkea ez dira gauza bera.

Bi seinale horiek elkartu eta istorioaren ikuspuntu garrantzitsuena lortuko duzu: ez da "eredu bat abiarazi", baizik eta "kodetze-taulak presaka irauli". Abiarazte-iragarkiak prentsakoak dira. Sailkapen-taulen gaineko kontrola erabiltzaile aurreratuek taldeko txatetan pantaila-argazkiak jartzen dituzte ordutegietatik kanpo.

• Arena.ai kodea Arena WebDev: Opus 5.5 (Max) 1.818an jakinarazi da
• Gap vs hurrengo izendatutako arerioa estalduran: +26 inguru GPT-6 Astra Max vs
• Jauzia aurreko Opus 5 Max-aren aldean: ~1.692tik 1.818ra
• Artifizial Analysis Coding Agent Index: berria #1; 66 ahalegin maximoan Claude Code-n
• Indize-ohar bera: ahalegin-ezarpen horretan zeregin bakoitzeko kostu handiagoa

Code Arenan argitaratutako argazkia: Opus 5 Max vs Opus 5.5 Max

Konparazio-taulek lagungarriak dira jarioa giro eta pantaila-argazki hutsa denean. Jarraian, txosten bidezko argazki-marko sinple bat dago, ez labean egindako bakarkako laburpen bat. Gelaxkak apur bat irregularrak dira, foro publikoak beti hala direlako - eta "Max" izena nahikoa delako begiak gurutzatzeko.

Irakurle batzuentzat, taula nahikoa dela dirudi irabazle bat koroatzeko. Ez da. Elo eta agenteen indizeak termometro erabilgarriak dira. Ez dira zure ekoizpen-atzerapena.

Zer neurri hartzen ditu Code Arenak kaputxaren azpian?

Sailkapena bakarrik irakurtzen baduzu, probaren forma galtzen duzu. Code Arena, batez ere jendeak aipatzen duen WebDev kutsua, kodeketa eta interfazea eraikitzeko zereginen lehentasun konparatiboaren. Gizakiek (eta arenaren bozketa-makineria) irabazleak aukeratzen dituzte modeloen emaitzen artean. Horrek itxura ona duen, demoetan garbi exekutatzen den eta itsu-itsuan konparazioetan leundua sentitzen den kodea saritzen du: frontend egitura, interaktibitatea, koherentzia bisuala, localhost aurrebista batek "bidali ezazu" oihuka jartzen duen motako gauzak.

Kirol desberdina da kodetze azterketa estatiko bat aukera anitzekoa baino. Era berean, desberdina da agenteen ebaluazio horizonte luze batekin alderatuta, non modeloak shell saio bat bizirik mantendu behar duen dozenaka tresna deietarako, bere burua bazter batean sartu gabe. Modelo batek UI erronka polit bat gainditu dezake eta hala ere monorepo migrazio korapilatsu batean estropezu egin dezake, hiru liburutegi finkatuta eta proba multzo ezegonkor bat bahiketa egoera baten moduan negoziatu behar dituena.

Beraz, Opus 5.5 WebDev-en 1.818an dagoenean, ulertu Arenako hautesleek ikusten dituzten eraikuntza motei buruzko lehentasun-indarra bezala. Localhost aplikazio azkarrak, jokoak, storyboard-ak eta interfaze bisualak ia ondoegi egokitzen dira bide horretan - eta hori bat dator gau bateko demoekin denbora-lerroak gainezka egiten. Elo lehentasuna ez da gezurra. Egia mota espezifiko bat da. Dastatze-menu gisa tratatu, ez nutrizio-panel oso bat bezala.

Beste bitxikeria bat: Gehienezko mailaren etiketatzea. Ahalegin handiagoa / edukiera handiagoaren ezarpenek askotan token gehiago, konputazio gehiago eta pazientzia gehiago esan nahi dute. Gehienezko aldaerak azaleratzen dituzten taulek muga erakusten dute, ez stand-up bat erdi ikusten ari zaren bitartean egiten duzun eguneroko API deia. Mugak garrantzia du. Eguneroko gidariaren kostuak ere garrantzia du. Bi pentsamenduak mantendu.

Kodetze-agentearen indizea eta kostuaren eta gailurraren arteko oreka

Artificial Analysis-en Coding Agent Index da gorakada honen beste zutabea. Haien txostenak Opus 5.5 kokatzen du goian, jarraitzen dituzten ebaluazioetan hobekuntzak izan direlarik, eta Claude Code-n ahalegin maximoan dagoen 66 nabarmen hori. Neurtu duten altuena esaldi sendo bat da. Oin-ohar bat ere badu helduentzat: zeregin bakoitzeko kostua igotzen da azeleragailua zapaltzen duzunean.

Hau da aurrekontuak dituzten taldeentzako eredu onenaren argudioaren muina. Ahalegin handienarekin irabazten duen eredu batek astea gal dezake zeregin bakoitzak tokenetan dirutza txiki bat erretzen badu ere. Zirkulatzen ari den hizketaldiak dagoeneko adierazten du erabiltzaile batzuek tokenak erretzen direla saio luzeetan. Horrek ez du puntuazioa ezabatzen. Produktuaren erabakia birformulatzen du: ahalegin handiena gorde txartel txarrei, eta profil merkeago bat mantendu itsaspen kodea, berregituraketarako eta "botoi hau gutxiago itsusi egin" lanerako.

Pentsa ezazu orduka fakturatzen duen eta azkar hitz egiten duen kontratista zorrotz bat kontratatzea bezala. Arazo zaila nahi duzu. Ez duzu nahi README guztiak berridaztea. Agentearen puntuazio maximoa gaitasun baten baieztapena da. Zeregin bakoitzeko kostua eragiketa baten baieztapena da. Goizeko ordu batean indie hacking batentzako IA kodetze onena ez da automatikoki unitateen ekonomia ikusten duen enpresa batentzako IA kodetze onena. Bi taldeak sailkapen-taularen pantaila-argazki berari buruz oihuka ari dira.

• Erabili ahalegin maximoa zeregina itsaskorra denean, fitxategi anitzekoa denean eta porrota garestia denean
• Zeregina errutinatsua denean eta bolumena behar duzunean, jaitsi abiadura
• Jarrai ezazu zure PR batu bakoitzeko kostua, ez bakarrik Elo publikoa
• Espero agenteen indizeak eta arena Elo-k batzuetan ez datozela bat - kirol desberdinak

Gau bateko garatzaileen erreakzioa: aplikazioak, jokoak eta "ez nerfatu" energia

Zenbakiek titularrak azaltzen dituzte. Demoek giroa azaltzen dute. Garatzaileek localhost aplikazio azkarrak, joko txikiak, storyboard-ak eta UI/ikusmen eraikuntzak argitaratzen ari dira, aurreko hiruhilekoan asteburu osoa beharko luketela diruditenak. Horren zati bat hautaketa-alborapena da: jendeak irabazleak partekatzen ditu, ez lehenengo etorri ziren hiru belaunaldi hutsalak. Hala ere, "itxaron, hori garbi joan zen" mezuen bolumenak da hau adabaki-ohar isil bat baino gehiago gorakada bat bezala sentitzearen arrazoietako bat.

Txantxa zikloa heldua da dagoeneko: mesedez, ez egin nerfrik Opus 5.5ari. Txantxa hori modelo bat ia gehiegi ondo sentitzen denean bakarrik agertzen da, edo aurreko bertsioek segurtasunak eta produktuen eguneratzeek batzuetan ertza lausotzen dutela irakatsi dietenean. Nerfrik etorriko den ala ez ez da kontua. Memea sentimenduen tenperatura egiaztatzeko modu bat da. Oraintxe bertan neurgailu hori distiratzen ari da.

Plataformak ere mugitzen ari dira. Questflow, adibidez, Opus 5etik 5.5erako bertsio-berritzeak iragarri ditu hizpide. Tresna-saltzaileek igoera azkar bidaltzen dutenean, seinale da eskaria ukigarria dela eta aurreko maila dagoeneko aurreko asteko lehenetsitzat hartzen dela. Integrazio-abiadura berezko berrikuspen mota da: produktu-taldeek ez dituzte kirolerako modelo-hautatzaileak berridazten.

Eraikuntza anekdotikoak garatzaileen erreakzioak dira, ez kontrolatutako auditoriak. Bereizketa hori kopetan tatuatuta eduki. Storyboard demo eder batek ez du enpresaren fidagarritasuna frogatzen. Frogatzen du kodetze-fluxu sortzaileak gozo-igoera jasotzen ari direla - eta gozo-igoerak jendeak hurrengoan zer probatzen duen aldatzen duela.

Zergatik ez den lehen zenbakia automatikoki berdina eguneroko lanerako "IA kodetzaile onenaren"

Erantzun laburra: lan batzuetarako, aste batzuetarako. Erantzun luzeagoa: onena garaikur baten itxurak egiten dituen portfolioko hitza da.

Zure eguna WebDev-en itxurakoa bada - landing page-ak, prototipo interaktiboak, ikusmen-leuntzea, joko azkarrak, storyboard moduko fluxuak -, Code Arena WebDev-eko lead bat oso garrantzitsua da. Lehentasun irabazleek itxura ona izaten dute arakatzailean, eta arakatzailean itxura ona izatea lanaren erdia da bide horretan. Zure eguna tresnekin, shell-ekin eta saio luzeekin nahasitako kode-base batean zehar kodeketa agentea bada, Coding Agent Index-aren gailurra da seinale interesgarriagoa - kostuaren mugak oraindik ere lotuta dituela.

Zure eguna munduko zereginik zailenak badira - algoritmo berriak, segurtasun-kritiko sistemak, ezagutza tribala duten pilaketa zaharkitu korapilatsuak -, erabiltzaileen oharrek diote Opus 5.5-ek oraindik ere arazo zailenetan atzera egin dezakeela eta saioak luzatzen direnean tokenak erre ditzakeela. Hori ez da hutsegite hutsa. Mugako eredu ezaguna da: batez besteko kasuak salto egiten du, kasu patologikoa patologiko izaten jarraitzen du. Hori izan daiteke artikulu osoko esaldirik gutxien liluragarriena, eta agian praktikoena.

Kontuan hartu lehiakideek aste berean bidaltzen dituztela ere. Chatterrek OpenAI GPT-6 Sol/Luna klaseko bertsioak aipatu ditu nahaspila berean. Hainbat laborategi egun gutxiren buruan kaleratzen direnean, sailkapenak ate birakari bihurtzen dira. Gaurko 1. zenbakia bihar "oraindik bikaina, baina begiratu beste taula hau" izan daiteke. Onena aldi baterakoa da. Gaitasun-zoruak betirako igotzen dira. Apustu egin trinketean, ez pantaila-argazkian.

Zirkulazioan dauden produktuen erreklamazioak (Kontuz erabili)

Foroetatik haratago, produktuen baieztapen multzo bat ohiko kanaletan dabil. Artikulu honetako laborategiko emaitza egiaztatuak ez, ez zirkulazioko baieztapen gisa egotzi:

• "Fable 5.1" klaseko errendimenduaren parekoa zeregin askotan, % 40 inguru gutxiagoko kostuarekin (zirkulazioan dagoen erreklamazioa)
• Aurreko Opus mailak baino agenteen kodeketa eta ordenagailuaren erabilera portaera sendoagoak (erreklamazioa + sentimendua agenteen indizearen mugimenduarekin lerrokatzea)
• Erabiltzaile batzuek diote oraindik ere atzeratzen dela zeregin zailenetan
• Saio luzeek jendeak uste baino gehiago erre ditzakete tokenak

Fable mailako kostuen aldarrikapena bereziki pikantea da, kalitatea eta aurrezpena aldi berean saltzen saiatzen delako. Zure lan-kargan mantentzen bada, hori oso garrantzitsua da lehenago Opus mailako kalitatea gauero afari dotore baten prezioan zegoela uste zuen edonorentzat. Zure eskaeretan mantentzen ez bada, fakturan sentituko duzu Elo-n sentitu aurretik. Lan-karga pertsonala > marketinaren ondokotasuna. Beti.

Ordenagailuen erabilera sendoagoa eta agenteen kodeketa da Analisi Artifizialaren istorioarekin bat datorren baieztapena. Tresnak gidatu, klik egin eta egoera koherentea mantendu dezaketen agenteak eraikitzaile askok nahi duten produktuaren forma dira. WebDev-en Elo lehentasuna eta agenteen indize gailurrak errima daitezke biki berdinak izan gabe. Errimatzen direnean, jendea ozen jartzen da. Geroago aldentzen direnean, jendea ziniko bihurtzen da. Erdian bizi.

Aste Bereko Borroka: Zergatik Denborak Dena Anplifikatzen Duen

Opus 5.5 ez zen albiste basamortu lasai batean iritsi. Duela gutxi kaleratu zen, zurrumurruek elkarrekin sailkatzen dituzten lehiakideen modeloen kaleratzeekin batera aste berean - OpenAI GPT-6 Sol/Luna aipatzen dituenak barne. Jendetza horrek garrantzia du. Aste jendetsuek pantaila-argazki konparatiboak sortzen dituzte. Pantaila-argazki konparatiboek kanpamentu tribalak sortzen dituzte. Kanpamentu tribalak zibilizazioa taula bakar batek finkatzen duen ilusioa sortzen dute.

Estres proba esanguratsua ere sortzen du. Hainbat modelo sendo aldi berean agertzen direnean, garatzaileek A/B egiten diete jostailu aplikazio berdinei ordu gutxiren buruan. Gau bateko localhost-en booma neurri batean sare sozialetara filtratu den estres proba horren ondorioz gertatzen da. Metodologia txarra eta entretenimendu balio bikaina duen banatutako gozogintza lehiaketa bat ikusten ari zara. Ez da zientzia. Oraindik ere seinalea eraman dezake, begiak estutu eta hautaketa alborapena baztertzen baduzu.

Anthropicentzat, Code Arenan eta Coding Agent Index-en lehenengo postuak lortzea une egokia da - edo une egokia dirudien modeloaren kalitate bikaina. Nolanahi ere, kontakizuna mantendu egin zen: kodetze-bolada, ez abiarazte-mezua soilik.

Zer egin beharko lukete eraikitzaileek honekin

Jolas-liburu praktikoa, mistizismorik gabe:

• Egin zure hiru zeregineko bake-offa: UI eraikuntza bat, fitxategi anitzeko berregituraketa bat, agente saio luze bat
• Enbor-tokenak eta hormako erlojua, ez bakarrik "funtzionatu al zuen"
• Hartu Arena.ai eta Artifizial Analysis sailkapenaren termometro publiko nagusi gisa
• Mantendu eredu lehenetsi merkeago bat bolumen handiko lanetarako
• Questflow bezalako plataformak erabiltzen badituzu, dagoeneko 5.5 bertsiora aldatu direnak, begiratu nola aldatzen diren zure lan-fluxuak dena berridatzi aurretik
• "Betiko onena" hartualdiei kasurik egin gabe; berrikusi argitalpen ziklo batzuen buruan

UI zeregina agertzen bada eta agentearen saio luzea garestia bada, arratsalde batean izango duzu erantzuna. Pop-a eta kostua ondo badaude zure eskalarentzat, zorionak - lehenetsitako balio berri bat izan dezakezu. Zeregin zailena ere huts egiten badu, sailkapen-taulek inoiz esango ez dizuten zerbait ikasi duzu. Hori da joko osoa. Apur bat lehorra. Oso praktikoa.

Metafora inperfektu bat, artikulu hauek lege kosmikoak hala behartzen duelako: Elo lead bakar bat "kodeketa IA onena" gisa tratatzea munduko sukaldari onena koroatzea bezalakoa da postre lehiaketa bat irabazi duelako. Postreek garrantzia dute. Labea hautsi duten hamabi senide zorrotzentzat afaria prestatzea ere bai. Zure biltegia senideak dira.

Nola egokitzen den hau kodetze-IA arma lasterketa zabalagoan

Txikiagotu eta eredua ezaguna da. Laborategiak bidaltzen dira. Taulak nahasten dira. Garatzaileak sabai berria inguratzen dute. Tresna saltzaileek lehenetsitako balioak hobetzen dituzte. Norbaitek mini-joko harrigarri bat argitaratzen du. Beste norbaitek akats txar batean porrot bat argitaratzen du. Batez besteko gaitasuna gorantz doa koroa burua aldatzen denean ere.

Hemen freskoagoa dena taula bikoitzeko seinalea eta aintzarekin batera bidaiatzen duen kostu-oharra da. Txat-erreferentzia bakar batek kontakizun oso bat eraman zezakeen garaia gainditu dugu. Kodetze-lana multimodala da praktikan: idatzi, editatu, arakatu, klik egin, exekutatu, berriro saiatu. Agentzian oinarritzen diren indizeek eta WebDev lehentasunetan oinarritzen diren arenek horren zati desberdinak harrapatzen dituzte. Modelo batek bi zatiak aldi berean gidatzen dituenean, gorakada-hizketak bere burua idazten du.

Begi argiekin idazten duen inork ez daki Opus 5.5 goian mantenduko den ala ez. Max maila lehiakideak dagoeneko WebDev taularen gainean daude, 26 puntu inguruko hutsune-markoa mantentzen bada. Hutsune txiki horiek irauli egin daitezke. Demoetan "gauetik gauera hobea" sentitzen den gaitasuna normaltasun berria izan daiteke aste batzuk geroago, denak egokitzen direnean. Iraunkorra den galdera interesgarria ez da koroa. Kodeketa eragilearen kalitatea dolar bakoitzeko igotzen jarraitzen duen ala ez da eraikitzaile arruntentzat. Galdera horretan, 66ko neurketa maximo berri bat, kostuaren abisu esplizitu batekin, marketinari lotutako txosten gardena da. Meritua merezi duena.

Azken emaitza

Claude Opus 5.5-en Max maila Arena.ai-ren Code Arena WebDev lerroan 1.818 punturekin, hurrengo arerio izendatuaren estalduraren gainetik hogeita sei puntu inguru eta aurreko Opus 5 Max-en gainetik, 1.692 puntu ingururekin. Artificial Analysis-ek Coding Agent Index-eko 1. postu berria dela dio, Claude Code-n ahalegin maximoan 66 punturekin - orain arteko altuena -, eta zeregin bakoitzeko kostua ahalegin horrekin batera igotzen dela ohartarazten du. Garatzaileen erreakzioa ozena da: localhost aplikazio azkarrak, jokoak, storyboard-ak, UI eraikuntzak, "ez nerfatu" txisteak eta plataformaren eguneraketak, hala nola Questflow Opus 5-etik 5.5-era igarotzea. Zirkulatzen ari diren baieztapenek Fable klaseko kostu txikiagoko istorioa, agenteen/ordenagailuaren erabileraren sentimendu sendoagoa eta zeregin zailen eta tokenen erretzearen inguruko ohar ezagunak gehitzen dituzte.

WebDev itxurako lehentasun-zereginetarako eta ahalegin handiko agenteen kodeketarako, batzorde publikoek diote Opus 5.5 dela orain liderra. Zure biltegi, aurrekontu eta amesgaizto-txartel espezifikoetarako, oraindik ere labean egin behar duzu. Koroak biratzen dira. Tresnak konposatzen dira. Erabili igoera, ez gurtu. Eta agian bigarren modelo bat bero mantendu faktura argumentu-bihurgune baten itxura hartzen hasten denean.

Adibide praktikoa: Opus 5.5eko hiru zeregineko proba bat egitea lehenetsitako bertsioa aldatu aurretik

buruzko sailkapen-taularen pantaila-argazkiak Code Arenan 1. postuan sailkatu berri da - Orain IA kodeketa-lehiakide onenen artean termometroak dira, ez atzerapen-lanak. Hona hemen Erresuma Batuko freelance full-stack garatzaile batek nola bihurtu zuen gau bateko Elo igoera arratsalde bateko lanik gabeko lehiaketa batean - UI eraikuntza bat, fitxategi anitzeko berregituraketa bat, agente-saio luze bat - edozein modelo-hautatzaile lehenetsi aldatu aurretik.

Eszenatokia

Riley-k bezeroentzako landing page-ak eta React/Node monorepo zabal bat bidaltzen ditu SaaS alboko proiektu baterako. Arena.ai Code Arena WebDev-ek argitaratu eta Artificial Analysis-en Coding Agent Index-en txatak Opus 5.5 (Max) izendatu ondoren, Slack "erabili Max denetarako" energiaz bete zen. Riley-ren fakturak dagoeneko mingarriak dira saio luzeetan, eta azken hiruhilekoko "betiko onena" aldaketak hilabetean bi aldiz galderak berridaztea eragin zien.

Testuinguru gisa mantentzen dituzte foro publikoak - 1.818 jakinarazi dituzte WebDev-en, agenteen indizearen gailurra kostu oin-ohar batekin - eta uko egiten diote Elo ekoizpen epaitzat hartzeari. Plana: hiru zeregin finko Opus 5.5-en ahalegin normalaren ezarpenarekin eta, behar izanez gero bakarrik, ahalegin maximo/gehienezko pase bat txartel itsaskorrean. Erregistro tokenak, hormako erlojua eta aldaketa nagusian iritsi den ala ez. Modelo merkeago bat bero mantentzen da itsaspen lanetarako.

Helburua "onenaren" definizio pertsonal bat da: aldaketa batu bakoitzeko kalitatea, ez talde-txat bateko pantaila-argazki bat.

Laguntzaileak zer behar duen

• Hiru laburpen izoztu: (1) WebDev UI interaktibo txiki bat, (2) fitxategi anitzeko berregituraketa probekin, (3) agente estiloko saio luze bat tresna/shell urratsekin
• Puntuazio orria: Zeregina / Ahaleginaren ezarpena / Tokenak / Hormako erlojua / Garbitu egin da? / Batu egin da? / Oharrak
• Aurreko eredu lehenetsiaren oinarrizko oharrak hiru laburpen berdinetan (nahiz eta gutxi gorabeherakoak izan)
• Aurrekontu-araua: ahalegin maximoa porrota garestia denean bakarrik; lehenetsi merkeagoa bolumen handiko lanetarako
• "Termometroa bakarrik" etiketa duten foro publikoen estekak edo pantaila-argazkiak, ez onarpen irizpideak
• Jabea, lehenetsitako aukera erabakitzen duena labeko lehiaketaren ondoren - ez lehenengo localhost demo polit baten ondoren

Adibide-argibidea

Claude Opus 5.5erako hiru zeregineko proba justu bat egiten laguntzen ari zara, nire kodeketa lehenetsia aldatu aurretik. Erabili itsatsi ditudan zereginen laburpenak eta erabilera zenbakiak soilik. Ez asmatu Arena Elo, agenteen indizeen puntuazioak edo kostu ehunekoak.

Zeregina: Eraiki nire puntuazio-orria hiru laburpenetarako leku-markekin beteta. Ondoren, idatzi sei puntuko erabaki-arau bat: noiz mantendu Opus 5.5 lehenetsi gisa, noiz gorde Max/max ahalegina txartel itsaskorretarako soilik, eta noiz mantendu modelo merkeago bat bolumen-lanerako. Sailkapen-taularen zenbaki publiko bat agertzen bada nire itsatsian, etiketatu TERMOMETROA.

Murrizketak: Erresuma Batuko ingelesa. Debekatu "betiko IA kodeketa onena" hizkuntza. Hobetsi batutako aldaketa bakoitzeko kostua intuizioaren gainetik. Metrika bat falta bada, idatzi [NEURKETA BEHAR DA] Fable klaseko edo % 40ko baieztapenak asmatu beharrean.

Irteera: taularen goiburua gehi nire zereginetarako izendatutako hiru errenkada huts, eta ondoren erabakien puntuak. Hitzaurrerik gabe.

Nola probatu

• Exekutatu UI brief-a eta berregituraketa egunero erabiltzen duzun ahalegin-ezarpen berdinarekin. Ziurtatu tokenak eta hormako erlojua erregistratu dituzula, ez bakarrik "itxura ona zuela"
• Galdetu: «Code Arena #1-ek berak justifikatu al zuen ekoizpena iraultzea?» Erantzun ona: ez - bake-off emaitzek bakarrik justifikatzen dute.
• Kasu ertza: UI agertzen da, agentearen saio luzeak tokenak erretzen ditu eta oraindik gizaki bat behar du - baieztatu Max erreserbatuta dagoela, ez dela itsaspen lanerako lehenetsia.
• Kasu ertza: txartel patologiko gogorrena oraindik huts egiten du - baieztatu bigarren modelo bat bero mantentzen duzula eta ez berridatzi pila osoa.
• Onarpen-egiaztapenak: (1) ez da asmatu 1.818 edo 66 puntuaziorik neurtu, (2) hiru zeregin osatuta edo esplizituki huts eginda oharrekin, (3) kostua erregistratuta, (4) lehenetsitako bertsio merkeagoa oraindik bolumenaren arabera izendatuta, (5) berrikusteko data argitalpen-ziklo batzuk geroago ezarrita.

Emaitza

Emaitza ilustratiboa (freelance garatzaile baten estimazioaren adibidea arratsalde bakarrean hiru brief izozturekin, ez Arena.ai edo Artificial Analysis-en berriro exekuzio independente bat): WebDev estiloko UI brief-ean, Opus 5.5-ek ahalegin normalean localhost aurrebista garbi bat sortu zuen pase bakarrean (1etik 1 batu zen leuntze arin baten ondoren; 12 minutu inguru horma-erlojuan). Fitxategi anitzeko berregituraketan, proba-suiteetatik 1 berde bihurtu zen berriro saiakera gidatu baten ondoren; tokenak aurreko lehenetsitakoa baino % 30 handiagoak ziren brief berean (auto-jakinarazitako erabileraren esportazioa). Agentearen saio luzean, txartel itsaskorra gizakien laguntzarekin osatu zen tokenen igoera baten ondoren - indartsua ahalegin handiagoetan, baina gastu handiegia eguneroko lehenetsi gisa. Bake-offaren ondorengo erabakia: Opus 5.5 bihurtu zen UI eta tamaina ertaineko berregituraketarako lehenetsitakoa; ahalegin maximoa txartel desatseginetarako gordeta; eredu merkeagoa README/itsasgarri lanetarako gordeta. Higiene-zerrenda batean (termometroaren etiketak gordeta, tokenak erregistratuta, bigarren eredua bero, "betiko onena" trukerik gabe), 4 elementuetatik 4 gainditu ziren. Mugak: n=3 zeregin, garatzaile bakarra, UI partekagarriaren aldeko hautaketa-alborapena; Elo publikoaren hutsuneak hurrengo astean irauli daitezke.

Zure bertsioa neurtzeko: hiru laburpen berdinak blokeatu; lehenik zure uneko lehenetsitako puntuazioa eman; Opus 5.5 exekutatu laburpen berdinekin; arrakasta, tokenak, hormako erlojua eta batuketa-tasa alderatu; ondoren, izendatzaileak erakusten dituzten ahalegin-mailak ezarri.

Zer gaizki atera daiteke?

• Pantaila-argazkiaren gurtza: Code Arena sailkapenean lehenetsitako balioak aldatzea berez.
• Max-for-everything: Token aurrekontua erretzen ari da itsaspen kodean, sabaiko puntuazioa polita zirudielako.
• Demo alborapena: storyboard-aren garaipen batetik giroa bidaltzea, monorepo txartelak huts egiten duen bitartean.
• Kostuen itsutasuna: agente-indizearen gailurrei buruzko zeregin bakoitzeko kostuaren oin-oharrak alde batera uztea.
• Modelo bakarreko blokeoa: Erreserba bero bat botatzea aurkari diren Max mailak oihu egiteko distantzian daudenean.
• Beti pentsatzen: Hurrengo estreinaldi aste jendetsuaren ondoren berriro bisitatzea saltatzea.

Ondorio praktikoak

Opus 5.5 Code Arena WebDev-en liderra izatea eta Coding Agent Index-a benetako gorakada seinale bat da - eta oraindik termometro bat besterik ez. Exekutatu UI eraikuntza bat, fitxategi anitzeko berregituraketa bat eta agente saio luze bat; erregistratu tokenak eta bat-egiteak; gorde ahalegin maximoa lan itsaskorrentzat; mantendu lehenetsi merkeago bat bolumenarentzat. Koroak txandakatzen dira. Batutako aldaketa bakoitzeko kostua da garrantzitsuena.

Maiz egiten diren galderak

Zer esan nahi du Claude Opus 5.5-ek Code Arenan 1. postua lortu berri duela?

Arena.ai-k Claude Opus 5.5 (Max) jarri du Code Arenaren WebDev erreiaren buruan 1.818 punturekin - GPT-6 Astra Max baino hogeita sei puntu gehiago estalduran, eta aurreko Opus 5 Max-etik jauzi handia, 1.692 puntu inguru baitzegoen. Artificial Analysis-ek, beste bide batean, Opus 5.5 ere sailkatzen du bere Coding Agent Index-eko lehen postuan, Claude Code-n gehienezko ahalegina 66rekin barne. Taulen zifrak dira horiek, ez laborategi independente baten auditoria. Istorioa kodetze-taulak presaka aldatzen ari direla da, ez soilik abiarazte-mezu bat.

Zenbateko jauzia da Opus 5 Max-etik Opus 5.5 Max-era Code Arenan?

WebDev-en argazkian, aurreko Claude Opus 5 Max 1.692 puntutik gertu zegoen, eta Opus 5.5 (Max) 1.818 punturekin, lehen postuan. Familia bereko Max mailan 126 puntuko igoera da gutxi gorabehera; jendeak Elo taulak kirol emaitzak bezala freskatzen dituen delta mota. GPT-6 Astra Max bigarren postuan dago, 26 puntu inguruko aldearekin. Irakurri taula lehentasunen indarraren termometro gisa, ez zure ekoizpen atzerapenaren epai gisa.

Zer neurtzen du Code Arenaren WebDev erreiak praktikan?

Code Arena WebDev kodeketa eta interfazea eraikitzeko zereginetan lehentasun konparatiboaren inguruan eraikitzen da: bozkatzaileek irabazleak aukeratzen dituzte modeloen irteeren artean. Horrek itxura ona duen, demoetan garbi exekutatzen den eta leundua sentitzen den kodea saritzen du - frontend egitura, interaktibitatea eta koherentzia bisuala. Kirol desberdina da aukera anitzeko azterketa estatiko batetik edo dozenaka tresna deietarako shell bat bizirik mantendu behar duen agenteen ebaluazio luze batetik. 1.818 WebDev-eko lead bat eraikuntza horien lehentasun indarra da, ez biltegi bakoitzerako nutrizio-panel osoa.

Zein da Opus 5.5erako Artificial Analysis Coding Agent Index puntuazioa?

Artificial Analysis-ek Opus 5.5 dela jakinarazi du bere Coding Agent Index-ean lehen postuan, jarraitzen dituzten ebaluazioetan aurrerapenekin. Claude Code-ren barruan ahalegin maximoan, ereduak 66ko puntuazioa lortu zuen - orain arte neurtu duten altuena. Helduentzako oin-oharra da zeregin bakoitzeko kostua igotzen dela azeleragailua zapaltzen duzunean. Agentearen puntuazio maximoa gaitasun-baieztapena da; zeregin bakoitzeko kostua eragiketa-baieztapena da, eta ez dira animalia bera.

Claude Opus 5.5 al da eguneroko lanerako IA kodeketa onena?

Zuretzat "onena" zer den araberakoa da: Elo maila arena publiko batean, agenteen indizea ahalegin maximoan, amaitutako zeregin bakoitzeko kostua edo zure biltegi korapilatsua ostiral gauean konpilatzen den. WebDev itxurako egunak - lurreratze orriak, prototipoak, itxura hobetua - ondo leundu daitezke Code Arena WebDev lider batekin. Kode-base korapilatsuetan zeharreko agenteen egunak interesgarriagoa egiten dute Coding Agent Index-a, kostuaren oharra oraindik ere lotuta dagoelarik. Zirkulatzen diren oharrek diote oraindik ere zeregin zailenetan atzera egin dezakeela eta tokenak erre ditzakeela saio luzeetan.

Nola kudeatu beharko lukete taldeek Opus 5.5-ekin kostuaren eta puntako kontsumoaren arteko oreka?

Gorde ahalegin maximoa lan itsaskor eta fitxategi anitzekoetarako, non porrota garestia den, eta murriztu bolumena behar duten itsaspen-kode arrunterako, berregituraketarako eta leuntzerako. Jarrai ezazu zure PR batu bakoitzeko kostua, ez bakarrik Elo publikoa. Ahalegin maximoarekin irabazten duen eredu batek astea gal dezake zeregin bakoitzak tokenetan fortuna bat erretzen badu ere. Bakarkako hacker independenteek eta unitateen ekonomia ikusten duten enpresek pantaila-argazki berari buruz oihu egin dezakete, lehenetsi desberdinak behar dituzten bitartean.

Zer produkturen inguruko erreklamazio zirkulatzaileak Claude Opus 5.5 Just Ranked #1 txatrraren inguruan?

Estaldurak zabaltzen ditu "Fable 5.1" klaseko errendimenduaren antzekoa dela zeregin askotan, exekuzio-kostu % 40 txikiagoarekin, eta, gainera, aurreko Opus mailak baino kodeketa eragile eta ordenagailu-erabilera portaera sendoagoak dituela. Erabiltzaile batzuek diote oraindik ere zeregin zailenetan atzean geratzen dela, eta saio luzeek tokenak jendeak uste baino gehiago erre ditzaketela. Hartu horiek zirkulazio-baieztapen gisa, ez artikuluko laborategiko emaitza egiaztatutzat. Lan-karga pertsonalak marketinaren hurbiltasuna gainditzen du faktura iristen denean.

Zergatik sentitu da hain ozen gaueko garatzaileen erreakzioa aste honetan?

Garatzaileek tokiko aplikazio azkarrak, joko txikiak, istorio-taulak eta aurreko hiruhilekoko asteburuko proiektuen itxura duten UI eraikuntzak argitaratzen ari dira - irabazleen aldeko hautaketa-joera dutela. "Mesedez, ez nerfatu" txisteak sentimenduen tenperatura egiaztatzeko modu bat dira, modelo bat ia gehiegi ondo sentitzen denean. Questflow bezalako plataformak Opus 5etik 5.5era eguneratzen ari dira hizpide, eta horrek eskaera ukigarria adierazten du. Demo anekdotikoak erreakzioak dira, ez auditoria kontrolatuak - mantendu bereizketa hori argi.

Zer egin beharko lukete eraikitzaileek Opus 5.5 berunezko kodeketa-oholak ikusi ondoren?

Egin zure hiru zeregineko bake-offa: UI eraikuntza bat, fitxategi anitzeko berregituraketa bat eta agenteen saio luze bat. Erregistratu tokenak eta hormako erlojua, ez bakarrik "funtzionatu al zuen". Erabili Arena.ai eta Artificial Analysis termometro publiko gisa, mantendu lehenetsi merkeago bat bolumen handiko lanetarako, eta ikusi nola 5.5ean dauden plataformek dauden lan-fluxuak aldatzen dituzten dena berridatzi aurretik. Ez egin kasurik "betiko onena" erabakiei eta berrikusi kaleratze-ziklo batzuen ondoren - koroak biratzen dira; gaitasun-solairuak igotzen dira.

Nola egin dezaket hiru zeregineko proba justu bat nire kodetze lehenetsia aldatu aurretik?

Izoztu hiru laburpen - WebDev UI interaktibo txiki bat, probekin fitxategi anitzeko berregituraketa bat eta agente estiloko saio luze bat - ondoren puntuatu Zeregina, Ahalegina, Tokenak, Hormako erlojua, Exekutatu garbiketa?, Batua? eta Oharrak. Konparatu aurreko lehenetsitako balioekin laburpen berdinetan; erabili ahalegin maximoa huts egitea garestia denean bakarrik. Etiketatu taula publikoen zenbakiak termometro gisa, ez onarpen irizpide gisa. Erabaki lehenetsia proba amaitu ondoren, ez lehenengo localhost demo politaren ondoren - eta mantendu modelo merkeago bat bero bolumen handiko lanerako.

Erreferentziak

1. Antropikoa — anthropic.com
2. Claude Plataforma — platform.claude.com
3. Arena.ai — Kodea Arena — arena.ai
4. Analisi Artifiziala — Kodetze Agentearen Indizea — artificialanalysis.ai