Claude Opus 5.5 ค้นพบ AttnRes-Canon: สิ่งที่การค้นหาสถาปัตยกรรมสี่วันพิสูจน์ได้จริง

เมื่อวันที่ 6 พฤศจิกายน 2026 กลุ่มวิจัยชื่อ IAAI ได้เผยแพร่บันทึกการรัน Arena v1 ซึ่งระบุชื่อClaude Opus 5.5ว่าเป็นเอเจนต์ที่ออกแบบสถาปัตยกรรม Transformer ชื่อ AttnRes-Canon พร้อมกับเช็กพอยต์ เทรซที่เล่นซ้ำได้ และบทความความยาวสิบนาทีโดย Yi Ge ที่อธิบายว่ามันไปถึงจุดนั้นได้อย่างไร ตัว Claude Opus 5.5 เองไม่ใช่ของใหม่ — Anthropic เปิดตัวเมื่อวันที่ 22 กันยายน 2026 ในราคา 4 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 20 ดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน และไม่มีอะไรเกี่ยวกับราคา หน้าต่างบริบท หรือเกณฑ์มาตรฐานที่เผยแพร่ของโมเดลนั้นเปลี่ยนแปลงในเดือนนี้ สิ่งที่ใหม่คือข้อมูลที่มีวันที่ภายในสัปดาห์ที่ผ่านมา: บันทึกสาธารณะที่ตรวจสอบได้ของโมเดลระดับแนวหน้าที่ดำเนินการค้นหาสถาปัตยกรรมทั้งหมดด้วยตัวเอง รวมถึงสาขาที่ล้มเหลว และโมเดลที่ดาวน์โหลดได้ซึ่งออกมาจากอีกฝั่ง นั่นเป็นข้ออ้างที่แคบกว่าที่ไทม์ไลน์ชวนให้คิด และน่าสนใจกว่าหนึ่งแถวในตารางเกณฑ์มาตรฐาน

บันทึกนี้ยังเป็นเหตุผลที่ชิ้นงานนี้เป็นบทความแนว "นี่คือสิ่งที่ยืนยันได้จริง" มากกว่าจะเป็นโพสต์เปิดตัว อารีนาติดป้ายรายการของตัวเองว่า รายงานด้วยตนเอง. มี seed เพียงหนึ่งเดียว ไม่มีใครนอกเหนือจากผู้ดำเนินการที่ทำซ้ำตัวเลขนี้ได้ และ ณ เวลาที่เขียน เช็กพอยต์ของ Hugging Face ยังไม่ถูกดาวน์โหลดเลยสักครั้ง อ่านหัวข้อด้านล่างโดยคำนึงถึงสิ่งนี้ — ไม่ใช่ในฐานะเหตุผลที่จะปฏิเสธผลลัพธ์ แต่เป็นรูปร่างที่แท้จริงของหลักฐาน

AttnRes-Canon จริง ๆ แล้วคืออะไร

สองแนวคิดที่มีอยู่แล้วนำมารวมกัน บวกกับอีกหนึ่งสิ่งที่ไม่มีแนวคิดใดทำได้ด้วยตัวเอง

แนวคิดแรกคือ Attention Residuals จากบทความของ {{1}}K​imi Team{{/1}} ที่โพสต์บน arXiv เมื่อเดือนมีนาคม 2026 ({{2}}2603.15031{{/2}}) การเชื่อมต่อแบบ residual แบบ PreNorm มาตรฐานจะบวกเอาต์พุตของทุกเลเยอร์ด้วยน้ำหนักคงที่เท่ากับหนึ่ง ดังนั้นสถานะซ่อน (hidden state) จึงโตขึ้นตามความลึก และการมีส่วนร่วมของแต่ละเลเยอร์ก็เจือจางลง Attention Residuals แทนที่ผลรวมคงที่นั้นด้วย softmax attention เหนือเลเยอร์ก่อนหน้า ทำให้ค่าน้ำหนักการผสมขึ้นอยู่กับอินพุต เวอร์ชันราคาถูกคือ Block AttnRes จะจัดกลุ่มเลเยอร์เป็นบล็อกและทำ attention เหนือบทสรุปของบล็อก ส่วนเวอร์ชันราคาแพงเปิดให้ทุกเลเยอร์อ่านทุกเลเยอร์ก่อนหน้าโดยตรง ใน baseline ของ arena มี 23 เลเยอร์อยู่ใน 8 กลุ่ม ดังนั้นเลเยอร์หนึ่งจึงอ่านผลรวมเอาต์พุตของกลุ่มก่อนหน้าได้ — เปรียบเหมือนบทสรุปของแต่ละบทในคำเปรียบของนักเขียน ไม่ใช่ตัวบท

อย่างที่สองคือเลเยอร์ Canon จาก "Physics of Language Models, Part 4.1" ของ Zeyuan Allen-Zhu (arXiv:2512.17351, ธันวาคม 2025 พร้อมฉบับปรับปรุงกรกฎาคม 2026) เลเยอร์ Canon คือคอนโวลูชันขนาดเล็กที่มีความกว้าง 4: ขณะประมวลผลโทเคนปัจจุบัน มันยังผสมโทเคนสามตัวที่อยู่ก่อนหน้าทันทีเข้าไปด้วย

AttnRes-Canon คือ Full Attention Residuals — 23 กลุ่มแทนที่จะเป็น 8 กลุ่ม โดยแต่ละเลเยอร์อ่านเลเยอร์ก่อนหน้าใด ๆ ได้ด้วยตัวเอง — พร้อมเลเยอร์ Canon ที่สี่ตำแหน่ง: A ที่อินพุตของ attention และ C ที่อินพุตของ MLP, B ที่การโปรเจกชัน query, key และ value และ D ที่เลเยอร์ซ่อนของ MLP องค์ประกอบหนึ่งนำพาข้อมูลไปตามความลึก ส่วนอีกองค์ประกอบหนึ่งนำพาไปตามลำดับ ส่วนปรับปรุงรวมออกมาสูงกว่าผลรวมของส่วนปรับปรุงสองส่วนที่วัดแยกกันเล็กน้อย ซึ่งเป็นข้ออ้างเชิงสถาปัตยกรรมเดียวที่ใหม่จริงในรายงาน

• องค์ประกอบด้านความลึก — Full AttnRes: 23 กลุ่ม โดยแต่ละเลเยอร์อ่านเลเยอร์ก่อนหน้าเป็นรายเลเยอร์ แทนที่จะอ่านผ่านสรุประดับบล็อก

• องค์ประกอบด้านลำดับ — เลเยอร์ Canon ที่ A, B, C และ D: การคอนโวลูชันเชิงสาเหตุความกว้าง 4 ครอบคลุมแต่ละโทเค็นและสามโทเค็นก่อนหน้า

• ต้นทุน — 1.66 เท่าของเวลาต่อการอัปเดตการฝึกของ Block AttnRes ซึ่งเป็นรุ่นแม่ที่มันเอาชนะ

ถ้าบรรทัดสุดท้ายนั้นฟังดูเหมือนเป็นเรื่องที่คิดขึ้นมาทีหลัง มันคือสิ่งเดียวที่การค้นหานั้นไม่เคยคำนึงถึงเลย และเราจะกลับมาพูดถึงเรื่องนี้กันอีกครั้ง

ผู้ปกครองมาก่อนการค้นหา

กฎของอารีนาถูกออกแบบให้น่าเบื่อโดยเจตนา ข้อมูลฝึก จำนวนอัปเดต 46,875 ครั้ง และ FLOPs ต่อโทเคน (ภายใน ±1%) ถูกกำหนดตายตัว มีเพียงสถาปัตยกรรมเท่านั้นที่เปลี่ยนได้ การให้คะแนนใช้ CORE-22 — ค่าเฉลี่ยจาก 22 งาน ยิ่งสูงยิ่งดี — บวกกับ validation bits-per-byte ยิ่งต่ำยิ่งดี และระหว่างการค้นหา เอเจนต์ดูได้เพียง training loss และ BPB ของ dev split เท่านั้น การรันเต็มหนึ่งครั้งมีค่าใช้จ่ายมากกว่า 1,400 GPU-hours ดังนั้นไม่มีการค้นหาใดมีงบพอจะฝึกไอเดียราวสิบสองแบบจนเสร็จสมบูรณ์ได้ ทุกอย่างขึ้นอยู่กับว่าการรันระยะสั้นจัดอันดับไอเดียได้เหมือนกับการรันระยะยาวหรือไม่

ดังนั้น GPU-ชั่วโมงประมาณ 152 ชั่วโมงแรกจึงหมดไปกับการปรับเทียบไม้บรรทัดนั้น แทนที่จะใช้กับตัวปัญหา ทางลัดที่เห็นได้ชัด — การบีบตาราง learning rate ทั้งหมดให้เหลือ 512 อัปเดต — กลับกลายเป็นว่าจัดอันดับผิดอย่างเป็นระบบ: เมื่อฝึกบน 11 วิธีที่ทราบผลลัพธ์เต็มแล้ว มันให้ค่าสหสัมพันธ์สเปียร์แมน 0.40 เมื่อเทียบกับการจัดอันดับสุดท้าย เทียบกับเกณฑ์ 0.85 ที่ตั้งไว้ล่วงหน้า ข้อผิดพลาดเหล่านี้ไม่ใช่สัญญาณรบกวน สถาปัตยกรรมแบบ looped ทั้งสี่แบบอันดับตกลง และสถาปัตยกรรมแบบ linear-attention ทั้งสี่แบบอันดับสูงขึ้น เพราะการลด learning rate ตั้งแต่เนิ่น ๆ ทำให้โมเดลที่ลู่เข้าเร็วดูดีเกินจริง และตัดขาโมเดลที่เริ่มช้า

การใช้ส่วนต้นของตารางจริงแทน — ตารางเดียวกัน แต่หยุดเร็ว แล้วค่อยดำเนินการต่อด้วยการรันเต็มจริง — ทำได้ 0.72 ที่ 500 การอัปเดต และ 0.92 ที่ 2,000 การอัปเดต นี่คือสิ่งที่ทำให้โปรโตคอลลงตัว: 512 การอัปเดตเป็นเพียงพื้นขั้นต่ำสำหรับคัดทิ้งผู้สมัครที่ฝึกไม่สำเร็จอย่างชัดเจน และการตัดสินจัดอันดับทั้งหมดทำที่การอัปเดต 2,000 ซึ่งประมาณ 4% ของการรันเต็ม การปรับเทียบเดียวกันนี้ให้ค่าพื้นเสียงรบกวน: การรันสองครั้งด้วยซีดเดียวกันต่างกันประมาณ 0.0004 ใน dev BPB ดังนั้นผู้สมัครต้องชนะพ่อแม่ได้มากกว่า 0.001 จึงจะนับเป็นชัยชนะ

นี่คือการออกแบบการทดลองที่ดีกว่าที่บทความสถาปัตยกรรมของมนุษย์ส่วนใหญ่ยอมทำ และควรกล่าวอย่างตรงไปตรงมาว่า การออกแบบ ไม่ใช่ตัวแบบ คือสิ่งที่ทำให้ผลลัพธ์สามารถตีความได้อย่างชัดเจน

สามรอบ ผู้สมัครสิบสองคน ภาพลวงตาหนึ่งเดียว

รอบแรกได้ลองเปลี่ยนแปลงเดี่ยวห้ารายการบนพื้นฐานของ Block AttnRes โดยแต่ละรายการมีสมมติฐานที่เขียนไว้และสามารถพิสูจน์หักล้างได้ ไม่มีรายการใดผ่านเส้น −0.0010 ที่การอัปเดต 2,000 Full AttnRes เข้าใกล้ที่สุดที่ −0.0008; Canon ที่ตำแหน่ง A และ C ไปถึง −0.0006 รูปแบบ gated-attention แบบหนึ่งนำทั้งกลุ่มที่การอัปเดต 512 ด้วย −0.0027 และจบตามหลังที่ +0.0006 — รายงานเรียกมันตามที่เป็นจริง คือภาพลวงตา และรูปแบบเดิมก็เกิดซ้ำ

รอบสองรวมตัวที่เกือบผ่านและเพิ่มตัวแปร mixture-of-experts สองแบบที่ใช้คอมพิวต์เท่ากัน มีสามตัวเลือกที่ผ่านเกณฑ์: Canon ที่ทั้งสี่ตำแหน่ง (−0.0021, เวลาต่อสเต็ป 1.47×), Full AttnRes บวก Canon-A/C (−0.0018, 1.30×) และ Full AttnRes บวกเกต (−0.0010, เกินเกณฑ์มาเล็กน้อย) เกตแทบไม่มีส่วนช่วยไม่ว่าจะเพิ่มที่ใด ขณะที่การเปลี่ยนแปลงอีกสองอย่างลด dev BPB บนทุก parent ที่นำไปทดลอง ตัวแปร MoE สองแบบ — รวมถึงการกำหนดค่าที่ใช้คอมพิวต์เท่ากันซึ่งเอเจนต์ให้คะแนนสูงสุด — จบอันดับสุดท้ายและรองสุดท้าย

และอันดับก็พลิกกลับอย่างรุนแรง: ผู้สมัครสี่อันดับแรก ณ การอัปเดตครั้งที่ 512 จบลงในลำดับย้อนกลับพอดี ณ การอัปเดตครั้งที่ 2,000

รอบที่สามคือจุดที่การค้นหาพิสูจน์ว่าคุ้มค่า แทนที่จะไว้ใจลำดับ {{1}}update-512{{/1}} อีกครั้ง มันรอให้การรันใน {{2}}รอบที่สอง{{/2}} ไปถึงอัปเดต {{3}}1,536{{/3}} จากนั้นผู้สมัครสองรายมี {{4}}Canon-A/C{{/4}} เป็นพาเรนต์ร่วมกัน โดยรายหนึ่งก้าวไปทาง {{5}}Full AttnRes{{/5}} และอีกรายเพิ่ม {{6}}ตำแหน่ง Canon B และ D{{/6}}; ทั้งคู่อยู่ต่ำกว่าพาเรนต์ร่วมกันนั้นประมาณ {{7}}0.002{{/7}} เมื่อมีงบสำหรับผู้สมัครอีกหนึ่งราย เอเจนต์จึงรวมทั้งสองเข้าด้วยกันแทนที่จะรอไปจนครบหลายร้อยอัปเดตสุดท้าย โมเดลที่รวมแล้วมี dev {{8}}BPB{{/8}} เท่ากับ {{9}}0.7965{{/9}} — ต่ำกว่า {{11}}Block AttnRes{{/11}} อยู่ {{10}}0.0038{{/10}} และเป็นอันดับหนึ่งในการค้นหาทั้งหมด — ด้วยเวลา step คิดเป็น {{12}}1.66×{{/12}}

รวม: ผู้สมัคร 12 ราย, 3 รอบ, การค้นหา 550 GPU-hour

การวิ่งครั้งสุดท้าย และคะแนนนำที่ยังเหลืออยู่มากแค่ไหน

การรันระยะสั้นจะเห็นเพียงส่วนที่คงที่ของตารางอัตราการเรียนรู้เท่านั้น ว่าความได้เปรียบในช่วงต้นจะอยู่รอดผ่านช่วงการลดลงได้หรือไม่นั้นต้องวัดผล และนี่คือส่วนของรายงานที่สมควรได้รับความสนใจมากที่สุด

{{1}}AttnRes-Canon{{/1}} ถูกพอร์ตเป็นปลั๊กอินวิธีการแบบทางการ และฝึกตั้งแต่ต้นเป็นจำนวน 49.152B โทเค็นบน GPU H20 จำนวน 32 ตัว โดยใช้เมล็ดสุ่มเดียว

• CORE-22 — AttnRes-Canon 35.99 เทียบกับ mHC 35.33 เทียบกับ Block AttnRes 34.00 เทียบกับ Dense Baseline 33.10

• การตรวจสอบ BPB — AttnRes-Canon 0.6605 เทียบกับ mHC 0.6617 เทียบกับ Block AttnRes 0.6630 เทียบกับ Dense Baseline 0.6672

• ตำแหน่งบนกระดานผู้นำ — เป็นที่หนึ่งจากผลลัพธ์ Arena v1 ที่เผยแพร่แล้ว 38 รายการ ในทั้งสองตัวชี้วัด ตามกระดานของอารีนาเอง

• การประมวลผล — การสำรวจ 152 ชั่วโมง GPU, การค้นหา 550 ชั่วโมง, การรันครั้งสุดท้าย 1,433 ชั่วโมง, รวมทั้งหมด 2,135 ชั่วโมง

เป็นอันดับหนึ่งในทั้งสองตัวชี้วัด และส่วนต่างก็ไม่ได้มหาศาล: 2.0 CORE points เหนือวิธีที่มันถูกต่อยอดขึ้นมา, 0.0025 BPB สิ่งที่มีประโยชน์กว่าจุดปลายทางคือเส้นทางการเปลี่ยนแปลง ช่องว่างถึง Block AttnRes อยู่ที่ 0.0037 ณ update 2,000 ขยายเป็น 0.0058 ขณะที่ learning rate ยังคงที่ แล้วลดลงเหลือ 0.0024 ในตอนท้าย — ข้อได้เปรียบกว่าครึ่งหายไปในช่วงท้าย รายงานจับคู่สิ่งนี้กับกรณีภายนอก: Dense Baseline ที่เพิ่ม gate เข้าไปนำอยู่ 0.0012 ณ update 2,000 ซึ่งเกินเส้นชนะของ search นี้เองไปอย่างสบาย ๆ และจบลงตามหลังอยู่ 0.0002 นั่นคือขีดจำกัดอย่างตรงไปตรงมาของทั้งวิธีนี้ ซึ่งระบุโดยคนที่รันมัน: การนำตั้งแต่เนิ่น ๆ ซื้อให้คุณได้แค่สมมติฐาน ไม่ใช่ผลลัพธ์

อะไรที่ได้รับการยืนยันแล้ว และอะไรที่คุณกำลังเชื่อใจ

บันทึกการรันนี้เปิดเผยที่มาของตัวเองอย่างตรงไปตรงมาอย่างผิดปกติ และความตรงไปตรงมานี้เองคือเหตุผลที่ควรเชื่อคำอธิบายกระบวนการมากกว่าตัวเลขพาดหัว

• การทำซ้ำโดยอิสระ — ไม่มี Arena ติดป้ายกำกับรายการว่า “self-reported” และส่วนท้ายของบทวิเคราะห์ระบุว่า “Arena v1 · single-seed results”

• Seeds — หนึ่งรายการ รายงานระบุว่า "ไม่เคยรัน seed ที่สอง" เป็นหนึ่งในสี่ความล้มเหลวของเอเจนต์

• การมีส่วนร่วมของมนุษย์ — แผน กฎ และงบประมาณ GPU ของทุกขั้นตอนได้รับการอนุมัติจากผู้ดำเนินการ โดยบทบาทที่บันทึกไว้ของผู้นั้นระบุว่าไม่ได้เลือกแคนดิเดตใดและไม่ได้เขียนโค้ดวิธีการใด ๆ

• การตรวจสอบ — บันทึกระบุโมเดลที่สอง คือ GPT-6 Astra ที่ใช้ความพยายามในการให้เหตุผลระดับสูง กำลังตรวจสอบโค้ดขั้นที่สามและสคริปต์การเปิดใช้งานก่อนงานบน GPU ใด ๆ โดยไม่ได้เลือกสถาปัตยกรรม

• วัสดุสำหรับการทำซ้ำ — เส้นทางโค้ดสาธารณะภายใต้สัญญาอนุญาต MIT สำหรับวิธีการนี้, checkpoint และบันทึกบน Hugging Face, และ trace ที่มีจุดประสงค์เพื่อเล่นซ้ำทุกคำสั่งและผลลัพธ์; ณ เวลาที่เขียนข้อความนี้ checkpoint มีจำนวนดาวน์โหลดเป็นศูนย์

• สัญญาณการเลือก — เฉพาะ BPB ชุด dev-split เท่านั้น; เอเจนต์ไม่ได้เห็น CORE-22 ขณะเลือก

ข้อสุดท้ายนั้นสำคัญกว่าที่เห็น เอเจนต์สามารถอ่านผลลัพธ์ที่เผยแพร่ของวิธีการอื่นได้ แต่เลือกผู้สมัครโดยใช้เฉพาะ dev split ซึ่งเป็นความแตกต่างระหว่างการค้นหากับการแอบดู

รายการความล้มเหลวคืออีกครึ่งหนึ่งของคุณค่า บริบทสี่วันถูกบีบอัดเจ็ดครั้ง โดยมีบันทึกเกี่ยวกับตัวเลือกเขียนลงไฟล์เพื่อให้เธรดกลับมาดำเนินต่อได้ เอเจนต์วางแผนตัดสินใจในรอบที่สามที่อัปเดต 1,536 แต่ตั้งการแจ้งเตือนไว้เพียงที่ 512 และ 2,000 จึงหยุดอยู่ในช่วงห่างนั้นและกลับมาทำต่อเมื่อมีมนุษย์สะกิดเตือน มันให้คะแนน mixture-of-experts ที่ใช้พลังคำนวณเท่ากันสูงที่สุด และทั้งสองรูปแบบจบเป็นอันดับสุดท้าย มันสับสนระหว่างความแปรปรวนจากการรันแต่ละครั้งกับความแปรปรวนจาก seed แต่ละตัว และมันปรับคุณภาพให้ดีที่สุดโดยไม่มีข้อจำกัดด้านความเร็ว ซึ่งเป็นเหตุผลว่าทำไมโมเดลที่ช้ากว่า 1.66× จึงชนะการแข่งขันที่ใช้พลังคำนวณเท่ากันด้วยคุณภาพเพียงอย่างเดียว

ไม่มีข้อใดในนั้นที่แปลกพิลึก ทั้งหมดคือรูปแบบความล้มเหลวที่ใครก็ตามที่รันลูปเอเจนต์ยาว ๆ รู้ดีอยู่แล้ว: แผนที่ไม่มีตัวจับเวลา ไพรเออร์ที่ไม่รอดเมื่อเจอของจริง แบบจำลองความแปรปรวนที่ไม่ใช่ความแปรปรวนที่คุณมี และฟังก์ชันวัตถุประสงค์ที่มีช่องโหว่อยู่ในตัว สิ่งที่ใหม่คือการได้เห็นสิ่งเหล่านี้ถูกแจกแจงเป็นข้อ ๆ โดยคนที่เฝ้าดูมันเกิดขึ้น พร้อมเทรซบน GitHub

สิ่งนี้เปลี่ยนแปลงอะไรสำหรับคนที่กำลังเลือกโมเดล

ไม่มีอะไรเกี่ยวกับเรทการ์ด บริบท หรือ benchmark ของ Claude Opus 5.5 การเปลี่ยนแปลงที่มีประโยชน์นั้นแคบกว่าและใช้งานได้จริงกว่า: นี่คือหนึ่งในการสาธิตสาธารณะที่เล่นซ้ำได้ในกลุ่มแรก ๆ ว่าโมเดล frontier แบบอเนกประสงค์ เมื่อได้รับฮาร์เนสการประเมินแบบคงที่และการอนุมัติงบประมาณจากมนุษย์แล้ว สามารถดำเนินการค้นหาทดลองหลายรอบและผลิตสิ่งที่ทีมจะนำไปเทรนจริงได้

นั่นส่งผลโดยเฉพาะต่อวิธีที่คุณจะนำไปใช้ หากคุณกำลังพิจารณาให้เอเจนต์ไปแก้ปัญหาการค้นหาของคุณเอง ส่วนที่ถ่ายโอนไปใช้ได้ของรายงานคือโปรโตคอล ไม่ใช่สถาปัตยกรรม: ปรับเทียบพร็อกซี่ราคาถูกของคุณกับผลลัพธ์เต็มที่ทราบแล้วก่อนจะใช้ GPU สักหนึ่งชั่วโมง กำหนดพื้นเสียงรบกวนและเกณฑ์การชนะล่วงหน้าจากการรันซ้ำ เปลี่ยนเพียงหนึ่งอย่างต่อผู้สมัครเทียบกับพาเรนต์ที่ระบุไว้ และตัดสินว่าชนะที่ขอบเขตเวลาซึ่งคุณแสดงให้เห็นแล้วว่าสามารถทำนายได้ กฎสี่ข้อนั้นมีต้นทุนประมาณ 7% ของการประมวลผลทั้งหมดที่นี่ และเป็นเหตุผลว่าทำไมอีก 93% จึงไม่สูญเปล่า

ผลลัพธ์เชิงสถาปัตยกรรมนั้นนำไปปฏิบัติต่อได้ยากกว่า AttnRes-Canon เป็นวิธีการวิจัย ไม่ใช่โมเดลที่ให้บริการจริง มันมีอยู่ในรูปปลั๊กอินวิธีการและเช็กพอยต์ขนาด 49.152B โทเคน โดยใช้ซีดเดียว และใครก็ตามที่ต้องการต่อยอดจากมันกำลังเริ่มจากการพยายามทำซ้ำ ควรถือว่าตัวเลข CORE-22 เป็นเบาะแสที่ควรค่าแก่การทดลองด้วยซีดที่สอง ไม่ใช่คุณสมบัติที่สรุปได้แน่นอนแล้วของเรซิดิวอัลแอตเทนชัน

จุดที่ OrcaRouter เข้ามาเสริมคือส่วนของเวิร์กโฟลว์ที่อยู่รอบๆ การค้นหา ไม่ใช่ตัวการค้นหาเอง Claude Opus 5.5 อยู่ในแคตตาล็อกของเราในราคาตามประกาศของ A​nthropic โดยส่งผ่านมาโดยไม่บวกกำไร 0% — $4.00 ต่อล้านโทเค็นอินพุต, $20.00 ต่อล้านโทเค็นเอาต์พุต, $0.20 ต่อการอ่านแคช, คอนเท็กซ์ 1M โทเค็น — และโมเดลที่ลูปการค้นหามักถูกแบ่งไปใช้งานนั้นอยู่เบื้องหลังคีย์เดียวกัน: Claude Fable 5.2 ที่ $8.00/$40.00 ตั้งแต่ 9 พฤศจิกายน, GPT-6 Astra ที่ $10.00/$50.00 จนถึง 272K โทเค็น และ $20.00/$75.00 เมื่อเกินกว่านั้น, Claude Opus 5 ที่ $5.00/$25.00 เซสชันวิจัยสี่วันที่บีบอัดบริบทของตัวเองถึงเจ็ดครั้งเป็นบทสนทนาที่ยาว แพง และเสี่ยงต่อความล้มเหลว การรันมันกับปลายทางเดียวที่มี ระบบสลับสำรองอัตโนมัติ หมายความว่าอาการสะดุดของผู้ให้บริการมีต้นทุนเป็นแค่การลองใหม่หนึ่งครั้ง ไม่ใช่ทั้งคืน และ DSL สำหรับกำหนดเส้นทางช่วยให้คุณใช้โมเดลที่ถูกกว่ากับการวิเคราะห์งานประจำ และเก็บ Claude Opus 5.5 ไว้สำหรับการตัดสินใจที่กำหนดรอบถัดไป

สิ่งที่ควรดูต่อไป

มีสามสิ่งที่จะยกระดับสิ่งนี้จากรายงานตนเองที่น่าสนใจให้กลายเป็นผลลัพธ์ที่คุณนำไปต่อยอดได้ ประการแรกคือ seed ที่สอง ซึ่งรายงานบอกว่าไม่ได้ทำ และสิ่งนี้จะบอกคุณว่า 0.0025 BPB เป็นของจริงหรือไม่ ประการที่สองคือการรันซ้ำแบบจำกัดความเร็ว เนื่องจากเวลาแต่ละสเต็ปที่ 1.66× นั้นมีค่าเพียงหนึ่งในสาม หากคุณสนใจ throughput ต่อ GPU-hour มากกว่าต่อ token และประการที่สามคือ Arena v2 ซึ่งผู้เขียนบอกว่าจะรันภายในคอนเทนเนอร์แบบปิดผนึกที่มีโควตาการคำนวณคงที่ เพื่อให้ agent ไม่สามารถเห็นชุด validation อย่างเป็นทางการหรือ CORE-22 ได้เลย — นั่นคือเวอร์ชันที่วลี “agent ได้ทำงานวิจัย” ไม่จำเป็นต้องมีมนุษย์อยู่ในลูปเพื่อให้เชื่อถือได้

จนถึงตอนนั้น สรุปที่ยุติธรรมคือ: เอเจนต์ที่ได้รับไม้บรรทัดที่สร้างมาอย่างดีค้นพบการปรับปรุงสถาปัตยกรรมที่แท้จริง พอประมาณ และโดยหลักการแล้วสามารถทำซ้ำได้ ภายในสี่วัน โดยใช้ประมาณ 2,100 GPU-ชั่วโมง และบันทึกทุกสิ่งที่มันทำผิดพลาดระหว่างทางไว้ ส่วนสุดท้ายคือส่วนที่วงการนี้มักละเลย