Hasonlíts össze több kódoló modellt vak értékeléssel a saját design-review feladataidon
Egy „LLM-tanács” négy modellt értékeltetett ugyanazokon a feladatokon; a szerző mérésén a Codex-modellek végeztek elöl.
Ezzel készült: CodexClaude Code
Új a legutóbbi látogatás óta
Mit csinált?
A szerző négy modellnek ugyanazokat a design-review feladatokat adta. Egy „elnök” agent (Sonnet 5) indította a tanács tagjait vak értékelésre, összegyűjtötte a szavazatokat, és zárójelentést írt.
Hogyan sikerült?
A szerző rangsora: 1. GPT-6.1-sol xhigh (Codex), 2. GPT-6-astra high (Codex), 3. Opus xhigh (Claude Code), 4. Fable 5.1 high (Claude Code). Ő maga is felveti, hogy ez lehet szerencse; a feladatok száma nem ismert.
Amit érdemes tudni
Érintett: a szerző az Orca alapítója, és a tanácsot a saját termékük beépített orchestratorával építette. Egyetlen mérés, nem általános rangsor.
Próbáld ki
saját prompt
Build a blind review panel for [N] design-review tasks from my repo. Give each task to these setups: [list]. Anonymise the outputs, then have a separate judge score each against this rubric: [rubric]. Run one task end to end as a test first. Read-only access to the repo; do not push, merge or spend more than [budget] without asking me. Stop when all tasks are scored and give me a table by setup with scores, cost and time.Forrás
X · 2026-10 · 2026-10-06 · Jinjing Liang (@JinjingLiang) · Eredeti forrás ↗
Kapcsolódó gyakori példák
Készíttess heti hírösszefoglaló videót egy ágenssel
Egy felhasználó szerint a Grok Bot a hét legjobb technológiai híreiből videót készített a Claude Code, a Midjourney, a Grok képből videót készítő funkciója és a Suno bevonásával.
Költöztesd hordozható fájlba az üzleti második agyadat
Egy cégalapító szerint a menyasszonya Mac Minin futó, Claude Code-os második agyát a Grok Botra költöztették, mert a gép rendre offline lett.
Javíttass hibákat egy nyílt forrású projektben a telefonodról
Egy fejlesztő a Claude Duettel telefonról kerestetett és javíttatott négy YouTube-hoz kötődő hibát a saját nyílt forrású projektjében.
Építs böngészős repülőszimulátort valódi 3D-s városokkal
Egy felhasználó a Claude Code-dal, a Blenderrel és a CesiumJS-sel 40 óra alatt böngészős repülőszimulátort épített, amelyben valódi városok és repülőterek fölött lehet repülni.
Mérd a hangmagasságodat éneklés közben
Egy felhasználó a Claude Code-dal írt egy első Python-programot, amely a terminálban mutatta a hangmagasságát; ebből lett később a nyílt forrású OnKey énektanuló Mac-alkalmazás.
Figyeltesd, ha egy módosításod elrontott valamit
A Claude Duetet fejlesztő mérnök szerint az ügynök magától szólt neki, hogy egy általa végzett módosítás hibás, amit a Slack-értesítések között nem vett észre.