minbpe

Build a BPE Tokenizer in 80 Lines of TypeScript and Watch JSON Eat Your Tokens - Book: AI That Answers - The series: AI in TypeScript — 5 books, from your first LLM call to agents in production — all five here - My project: Hermes IDE | GitHub — an IDE for developers who ship with Claude Code and other AI coding tools - Me: xgabriel.com | GitHub --- The maintainers of the TOON format ran three flat datasets through OpenAI's o200k_base encoding and counted 164,643 tokens for the pretty-printed JSON and 104,908 for the same data minified. Nothing was dropped. The minified version holds every key and every value. It stops paying for indentation and line breaks, and that alone takes about 36% off the count. Tokens are the unit your LLM bill is written in. Anthropic's pricing table, for one, quotes input and output separately, per million tokens. Yet most developers who pay that bill have never watched a string turn into tokens. You can build the machine that does it in 80 lines of TypeScript and train it on your own JSON. What happens to your prompt before the model sees it OpenAI's tokenizers use byte-pair encoding. BPE began as a compression algorithm, and Sennrich, Haddow and Birch adapted it to split words into subword units for neural machine translation (ACL 2016). The tiktoken README says the encoding is reversible and lossless and works on any text, even text the tokenizer never saw in training. On average, a token covers about 4 bytes. Encoding runs in three steps. 1. A regex cuts the text into chunks, so letters, digits, punctuation and whitespace end up in separate runs. Karpathy's minbpe credits this to the GPT-2 paper and notes it "ensures that no merges will happen across category boundaries." 2. Each chunk becomes its UTF-8 bytes. The starting vocabulary is the 256 possible byte values, so nothing is ever out of vocabulary. 3. Learned merges glue adjacent byte pairs into bigger tokens, in the order they were learned. Training is where the merges come from. Count every adjacent pair across the corpus, take the pair with the highest count, give it the next free id (256, then 257, and so on), replace it everywhere, repeat. The minbpe README walks through aaabdaaabac: three merges (aa, then ab, then the pair of those two new tokens) turn 11 bytes into five tokens, [258, 100, 258, 97, 99]. !Rows of small square byte tiles fusing pairwise into larger tiles, layer by layer Byte-pair encoding: start from single bytes, then fuse the most frequent neighbours, one merge at a time. The tokenizer in 80 lines This is the whole trainer and encoder. It uses GPT-2's pre-split pattern, minus the contraction rules ('s, 'll, and friends), copied from minbpe's regex.py. // bpe.ts: a toy byte-level BPE trainer and encoder type Pair = [number, number]; // GPT-2's pre-split pattern, minus its contraction rules const SPLIT = / ?\p{L}+| ?\p{N}+| ?[^\s\p{L}\p{N}]+|\s+(?!\S)|\s+/gu; const utf8 = new TextEncoder(); const text8 = new TextDecoder(); const key = (a: number, b: number) => `${a},${b}`; const show = (b: Uint8Array) => JSON.stringify(text8.decode(b)); const chunksOf = (text: string) => (text.match(SPLIT) ?? []).map((c) => Array.from(utf8.encode(c))); function countPairs(ids: number[], counts: Map<string, number>) { for (let i = 0; i < ids.length - 1; i++) { const k = key(ids[i], ids[i + 1]); counts.set(k, (counts.get(k) ?? 0) + 1); } } function merge(ids: number[], [a, b]: Pair, id: number) { const out: number[] = []; for (let i = 0; i < ids.length; i++) { if (ids[i] === a && ids[i + 1] === b) { out.push(id); i++; // the pair's second half is consumed too } else out.push(ids[i]); } return out; } export function train(text: string, numMerges: number) { let chunks = chunksOf(text); const merges = new Map<string, number>(); const vocab = new Map<number, Uint8Array>(); for (let b = 0; b < 256; b++) vocab.set(b, Uint8Array.of(b)); for (let m = 0; m < numMerges; m++) { const counts = new Map<string, number>(); for (const ids of chunks) countPairs(ids, counts); let best = ""; let bestCount = 1; // a pair seen once earns no token for (const [k, c] of counts) { if (c > bestCount) { best = k; bestCount = c; } } if (!best) break; const [a, b] = best.split(",").map(Number) as Pair; const id = 256 + m; chunks = chunks.map((ids) => merge(ids, [a, b], id)); merges.set(best, id); const l = vocab.get(a)!, r = vocab.get(b)!; const bytes = new Uint8Array([...l, ...r]); vocab.set(id, bytes); console.log(`#${m}`, show(l), "+", show(r), "->", show(bytes), `${bestCount}x`); } return { merges, vocab }; } export function encode(text: string, merges: Map<string, number>) { const out: number[] = []; for (let ids of chunksOf(text)) { while (ids.length > 1) { // earliest-learned merge first, the order training used let pair: Pair | null = null; let rank = Infinity; for (let i = 0; i < ids.length - 1; i++) { const r = merges.get(key(ids[i], ids[i + 1])); if (r !== undefined && r < rank) { rank = r; pair = [ids[i], ids[i + 1]]; } } if (!pair) break; ids = merge(ids, pair, rank); } out.push(...ids); } return out; } Pairs are keyed as "a,b" strings because a Map compares array keys by reference, so [1, 2] would never find [1, 2]. Ties go to the pair seen first, since Map iterates in insertion order and the comparison is strict. Training works chunk by chunk, so a merge can never span a letter and a digit, or a word and the punctuation after it, which matches the real thing. And encode always applies the lowest-ranked merge available, the same rule minbpe's _encode_chunk uses: replay the merges in the order training learned them. The show helper decodes a token's bytes for printing. When a token holds only part of a multi-byte character, TextDecoder prints �, because the token boundary falls inside the character. The Japanese sample further down does the same. Train it on JSON and read the merges Feed it the kind of text your app actually sends: an array of records, pretty-printed. // demo.ts import { train, encode } from "./bpe"; const records = Array.from({ length: 40 }, (_, i) => ({ customer_id: 1000 + i, status: i % 4 ? "active" : "suspended", country: ["DE", "BR", "JP", "US"][i % 4], })); const pretty = JSON.stringify(records, null, 2); const { merges } = train(pretty, 40); const one = records[0]; const asPretty = encode(JSON.stringify(one, null, 2), merges); const asMin = encode(JSON.stringify(one), merges); console.log({ pretty: asPretty.length, minified: asMin.length }); Run it with tsx: npx tsx demo.ts. Each log line is one merge, with the two parts, the new token, and how often the pair appeared. Read all 40 and sort them in your head: how many are fragments of the keys customer_id, status and country, how many are values and digits, and how many are quotes, colons and runs of spaces? On a corpus made of nothing but JSON, every merge has to come from one of those. The keys repeat in every single record, and that repetition is what earns them merges. A production tokenizer learns its merges from a huge general corpus instead, so common English words have a good chance of getting a token of their own (the next script shows you whether customer did). Your acctBalanceAdjFlagV2 pays for every piece. Then try the experiments the script makes cheap. Train on JSON.stringify(records) instead of the pretty version and compare the merge log. Rename customer_id to cid and see how many merges it frees up. Compare the two counts in the last line, and remember that this toy only knows 40 merges, so the ratio between them tells you more than either number. Ask a real encoder: o200k_base Your toy has 40 merges. o200k_base has a vocabulary of about 200,000 tokens, roughly double GPT-4's ~100,000, according to Simon Willison's notes from the GPT-4o launch. tiktoken's model table maps gpt-4o, gpt-4.1, o3, o4-mini and gpt-5 to it. js-tiktoken loads it in Node; the lite import pulls in only the one rank file you need. // compare.ts import { Tiktoken } from "js-tiktoken/lite"; import o200k_base from "js-tiktoken/ranks/o200k_base"; const enc = new Tiktoken(o200k_base); const pieces = (s: string) => enc.encode(s).map((id) => enc.decode([id])); const samples = [ '{\n "customer_id": 1000\n}', '{"customer_id":1000}', "customerShippingAddressLine2", "1730505600000", "Your order has been cancelled.", "ご注文はキャンセルされました。", ]; for (const s of samples) { const p = pieces(s); console.log(p.length, JSON.stringify(p)); } You can predict part of what it prints by reading the o200k pre-split regex in tiktoken's openai_public.py. Every chunk the regex produces costs at least one token, so the regex sets a floor. - camelCase splits at every capital. The letter rule matches a run of uppercase letters (possibly none) followed by lowercase, so customerShippingAddressLine2 cuts into customer, Shipping, Address, Line and 2 before BPE starts. Five chunks, at least five tokens. - Digits go in groups of three. The number rule is \p{N}{1,3}. A 13-digit millisecond timestamp is five chunks, so at least five tokens, every time it appears in a log line you paste. - Whitespace is its own chunk. Indentation runs, minus their last space, are cut out separately from the keys they sit in front of. One small quirk: the space after "customer_id": in the pretty version cannot attach to a following number, because the digit rule (\p{N}{1,3}) takes no leading character and the punctuation rule's optional space needs a symbol after it. It becomes a chunk on its own. Before a string value it rides along with the opening quote instead. - Non-English text gets fewer merges. Byte-level BPE can encode anything, but the merges go to whatever was common in training data. Petrov et al. (NeurIPS 2023) found the same text translated into different languages could differ in token length by up to 15 times on the tokenizers they studied. OpenAI's larger vocabulary cut non-English counts: its launch figures, as quoted in Willison's notes, put Gujarati at 4.4x fewer tokens and Japanese at 1.4x fewer than the previous tokenizer. When a token boundary still lands inside a Japanese character, pieces prints � for those fragments. !A long accordion of curly braces and indentation blocks next to a compact stack of the same blocks Same data, same keys and values; only the whitespace and repetition change, and that is where the tokens go. One payload, three shapes Now measure the thing you actually send. This script builds one payload and counts it as pretty JSON, minified JSON and TOON, a tabular encoding of the JSON data model that declares the keys of a uniform array once (@toon-format/toon on npm). // shapes.ts import { Tiktoken } from "js-tiktoken/lite"; import o200k_base from "js-tiktoken/ranks/o200k_base"; import { encode as toToon } from "@toon-format/toon"; const enc = new Tiktoken(o200k_base); const orders = Array.from({ length: 50 }, (_, i) => ({ orderId: 5000 + i, customerId: 70 + (i % 9), status: i % 3 ? "shipped" : "pending", totalCents: 1999 + i * 37, })); const payload = { orders }; const shapes: Record<string, string> = { pretty: JSON.stringify(payload, null, 2), minified: JSON.stringify(payload), toon: toToon(payload), }; for (const [name, text] of Object.entries(shapes)) { console.log(name.padEnd(9), enc.encode(text).length); } Swap payload for a real request body from your logs and you have your own numbers. I can't give you numbers for your data, so here are published ones for theirs. TOON's benchmark, counted with o200k_base: | Track | Pretty JSON | Minified JSON | TOON | |---|---|---|---| | Flat data, 3 datasets | 164,643 | 104,908 | 68,030 | | Mixed structure, 5 datasets | 393,637 | 260,451 | 264,734 | On flat, uniform records TOON came in 58.7% under pretty JSON and 35.2% under minified. On mixed and nested data the picture flips: minified JSON beat TOON by 1.6% overall, and the README says plainly that "for deeply nested or non-uniform data, JSON may be more efficient." It also notes that absolute counts are tokenizer-specific, since other providers tokenize differently, and that you have to measure latency yourself. Fewer tokens is also not the same as better answers, so run your evals on the new shape before you ship it. One win held on both tracks: minifying the JSON cut about a third of the tokens, so do that to anything a program produced before it goes into a prompt. Dropping keys the model does not need helps whatever the shape. Save the tabular format for long arrays of identical objects, where TOON won, and keep JSON for nested data, where it lost. Then put shapes.ts next to your prompt builder and check the count every time someone adds a field. --- If this was useful Token cost is the first bill an LLM app runs up, and it is one of the threads in AI That Answers, the first book of my AI in TypeScript series. It covers your first LLM app in TypeScript end to end: prompts, structured output, and keeping an eye on what each call costs before the invoice does it for you.  The other four books go from retrieval and tool calling to agents in production: the whole AI in TypeScript series is here.

Why AI Companies Are Switching to Rust (We Tested It) OpenAI rewrote the Codex command-line tool in Rust. Claude Code runs on Bun, which was rewritten in Rust this year. GitHub moved the engine behind Copilot to Rust, and OpenAI moved the storage behind ChatGPT from Python to Rust. For Bun and for Copilot, AI wrote most of the new code. So why Rust, and why now? We go through what actually moved (and what still stays Python), each company's own reasons, why a rewrite is suddenly cheap enough, and why Rust's strict compiler matters when AI writes the code. Then we tested it ourselves: we gave a fresh AI agent minbpe, Andrej Karpathy's small Python tokenizer, and asked it to rewrite it in Rust. It took 52 minutes and about $11. We checked the result against our own hidden tests. And at the end: where this goes wrong. Chapters: 0:00 Why AI companies are moving to Rust 0:38 What moved, and what did not 1:23 Their own reasons: Codex, Bun, Copilot, ChatGPT's storage 4:12 Why now 5:27 Why Rust, when AI writes the code 6:47 Our test: Python to Rust with an AI agent 7:42 The run: 52 minutes, about $11 9:00 Was it really the same? 9:52 Where it goes wrong, and what it means for us What you'll learn: • Which parts of AI products are moving to Rust, and which stay in Python (the model code, PyTorch, CUDA) • The real reasons OpenAI, Bun and GitHub gave: one file that just runs, memory bugs, memory use, the GIL • Why the Rust compiler acts as a check on AI-written code, and what it cannot check • What happened when an agent ported a real program, and how we graded it Sources: • OpenAI on rewriting the Codex CLI in Rust: codex#1174 • OpenAI on scaling ChatGPT's storage (Habitat): openai.com • Bun, rewritten in Rust: bun.com • Anthropic acquires Bun: anthropic.com • GitHub on moving the Copilot runtime to Rust: github.blog • vLLM's Rust front end (RFC): vllm#40846 • OpenAI to acquire Astral (uv, Ruff): thenewstack.io • Cloudflare's 18 November 2025 outage: blog.cloudflare.com • minbpe by Andrej Karpathy (MIT), the program we ported: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode The Hot Path: system design and tech breakdowns, explained in depth. New videos weekly. 🔔 Subscribe: youtube.com [ar] لماذا تنتقل شركات الذكاء الاصطناعي إلى لغة Rust؟ (قمنا بتجربة ذلك) أعادت OpenAI كتابة أداة سطر الأوامر Codex بلغة Rust. ويعمل Claude Code على منصة Bun، التي أُعيدت كتابتها بلغة Rust هذا العام. ونقلت GitHub محرك Copilot إلى Rust، بينما نقلت OpenAI وحدة تخزين ChatGPT من Python إلى Rust. بالنسبة لـ Bun وCopilot، كتب الذكاء الاصطناعي معظم الكود الجديد. فلماذا Rust، ولماذا الآن؟ نستعرض ما تم نقله فعليًا (وما بقي مكتوبًا بلغة Python)، وأسباب كل شركة، ولماذا أصبحت إعادة الكتابة رخيصة نسبيًا، ولماذا يُعدّ مُصرّف Rust الصارم مهمًا عندما يكتب الذكاء الاصطناعي الكود. ثم اختبرنا ذلك بأنفسنا: أعطينا وكيل ذكاء اصطناعي جديدًا minbpe، وهو مُجزئ كلمات Python صغير من تطوير أندريه كارباثي، وطلبنا منه إعادة كتابته بلغة Rust. استغرق الأمر 52 دقيقة وكلف حوالي 11 دولارًا. وقارنّا النتيجة باختباراتنا الخاصة. وفي النهاية: أين تكمن المشكلة. الفصول: 0:00 لماذا تتجه شركات الذكاء الاصطناعي إلى لغة Rust؟ 0:38 ما الذي انتقل، وما الذي لم ينتقل؟ 1:23 أسبابهم الخاصة: Codex، وBun، وCopilot، وتخزين ChatGPT 4:12 لماذا الآن؟ 5:27 لماذا Rust، في حين أن الذكاء الاصطناعي هو من يكتب الكود؟ 6:47 اختبارنا: تحويل Python إلى Rust باستخدام وكيل ذكاء اصطناعي 7:42 مدة التشغيل: 52 دقيقة، بتكلفة تقارب 11 دولارًا أمريكيًا 9:00 هل كان الأمر نفسه حقًا؟ ٩:٥٢ أين يكمن الخلل، وماذا يعني ذلك بالنسبة لنا؟ ما ستتعلمه: • أي أجزاء من منتجات الذكاء الاصطناعي تنتقل إلى لغة Rust، وأيها تبقى بلغة Python (كود النموذج، PyTorch، CUDA) • الأسباب الحقيقية التي قدمتها OpenAI وBun وGitHub: ملف واحد يعمل تلقائيًا، أخطاء الذاكرة، استخدام الذاكرة، GIL • لماذا يعمل مُصرّف Rust كأداة فحص للكود المكتوب بواسطة الذكاء الاصطناعي، وما الذي لا يستطيع فحصه • ماذا حدث عندما قام أحد الوكلاء بنقل برنامج حقيقي، وكيف قمنا بتقييمه المصادر: • OpenAI حول إعادة كتابة واجهة سطر الأوامر Codex بلغة Rust: codex#1174 • OpenAI حول توسيع نطاق تخزين ChatGPT (Habitat): openai.com • Bun، المعاد كتابته بلغة Rust: bun.com • استحواذ أنثروبيك على بن: anthropic.com • جيت هاب حول نقل بيئة تشغيل كوبيلوت إلى رست: github.blog • واجهة vLLM الأمامية المكتوبة بلغة رست (طلب تعليقات): vllm#40846 • استحواذ أوبن إيه آي على أسترال (uv، راف): thenewstack.io • انقطاع خدمة كلاود فلير في 18 نوفمبر 2025: blog.cloudflare.com • برنامج minbpe من تطوير أندريه كارباثي (معهد ماساتشوستس للتكنولوجيا)، وهو البرنامج الذي قمنا بنقله: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode المسار السريع: شرح مفصل لتصميم الأنظمة وتحليلات تقنية. فيديوهات جديدة أسبوعيًا. 🔔 اشترك الآن: youtube.com [bn] এআই কোম্পানিগুলো কেন রাস্ট (Rust)-এ সরে আসছে (আমরা পরীক্ষা করে দেখেছি) ওপেনএআই (OpenAI) কোডেক্স (Codex) কমান্ড-লাইন টুলটি রাস্ট (Rust)-এ নতুন করে লিখেছে। ক্লড কোড (Claude Code) বান (Bun)-এ চলে, যা এই বছর রাস্ট-এ নতুন করে লেখা হয়েছে। গিটহাব (GitHub) কোপাইলট (Copilot)-এর পেছনের ইঞ্জিনটি রাস্ট-এ সরিয়ে নিয়েছে, এবং ওপেনএআই চ্যাটজিপিটি (ChatGPT)-র পেছনের স্টোরেজ পাইথন (Python) থেকে রাস্ট-এ সরিয়ে নিয়েছে। বান এবং কোপাইলট-এর জন্য, বেশিরভাগ নতুন কোড এআই (AI) লিখেছে। তাহলে রাস্ট কেন, এবং এখন কেন? আমরা আলোচনা করব আসলে কী সরানো হয়েছে (এবং কী এখনও পাইথন-এ রয়ে গেছে), প্রতিটি কোম্পানির নিজস্ব কারণ, কেন একটি নতুন করে লেখা হঠাৎ করে যথেষ্ট সস্তা হয়ে গেল, এবং এআই যখন কোড লেখে তখন রাস্ট-এর কঠোর কম্পাইলার কেন গুরুত্বপূর্ণ। তারপর আমরা নিজেরাই এটি পরীক্ষা করেছি: আমরা একটি নতুন এআই এজেন্টকে আন্দ্রেজ কার্পাথির ছোট পাইথন টোকেনাইজার মিনবিপিই (minbpe) দিয়েছিলাম এবং এটিকে রাস্ট-এ নতুন করে লিখতে বলেছিলাম। এতে ৫২ মিনিট এবং প্রায় ১১ ডলার খরচ হয়েছে। আমরা আমাদের নিজস্ব গোপন পরীক্ষার সাথে ফলাফলটি মিলিয়ে দেখেছি। এবং সবশেষে: কোথায় ভুল হচ্ছে। অধ্যায়সমূহ: ০:০০ কেন এআই কোম্পানিগুলো রাস্ট (Rust) ব্যবহার শুরু করছে ০:৩৮ কী কী পরিবর্তিত হয়েছে, এবং কী হয়নি ১:২৩ তাদের নিজস্ব কারণ: কোডেক্স (Codex), বান (Bun), কোপাইলট (Copilot), চ্যাটজিপিটি-র (ChatGPT) স্টোরেজ ৪:১২ এখন কেন ৫:২৭ এআই যখন কোড লেখে, তখন রাস্ট কেন ৬:৪৭ আমাদের পরীক্ষা: একটি এআই এজেন্টের সাথে পাইথন থেকে রাস্টে রূপান্তর ৭:৪২ রান: ৫২ মিনিট, প্রায় ১১ ডলার ৯:০০ এটা কি সত্যিই একই ছিল? ৯:৫২ কোথায় ভুল হয়, এবং এর অর্থ আমাদের জন্য কী আপনি যা শিখবেন: • AI প্রোডাক্টের কোন অংশগুলো Rust-এ স্থানান্তরিত হচ্ছে, এবং কোনগুলো Python-এ থাকছে (মডেল কোড, PyTorch, CUDA) • OpenAI, Bun এবং GitHub-এর দেওয়া আসল কারণগুলো: একটি ফাইল যা শুধু চলে, মেমরি বাগ, মেমরি ব্যবহার, GIL • কেন Rust কম্পাইলার AI-তে লেখা কোডের উপর একটি চেক হিসেবে কাজ করে, এবং এটি কী চেক করতে পারে না • যখন একজন এজেন্ট একটি আসল প্রোগ্রাম পোর্ট করেছিল তখন কী ঘটেছিল, এবং আমরা কীভাবে সেটির মূল্যায়ন করেছিলাম উৎস: • Rust-এ Codex CLI পুনর্লিখন সম্পর্কে OpenAI: codex#1174 • ChatGPT-এর স্টোরেজ (Habitat) স্কেলিং সম্পর্কে OpenAI: openai.com • Rust-এ পুনর্লিখিত Bun: bun.com • অ্যানথ্রোপিক কর্তৃক বান-এর অধিগ্রহণ: anthropic.com • কোপাইলট রানটাইমকে রাস্টে স্থানান্তর প্রসঙ্গে গিটহাব: github.blog • ভিএলএলএম-এর রাস্ট ফ্রন্ট এন্ড (আরএফসি): vllm#40846 • ওপেনএআই কর্তৃক অ্যাস্ট্রাল (ইউভি, রাফ) অধিগ্রহণ: thenewstack.io • ক্লাউডফ্লেয়ারের ১৮ নভেম্বর ২০২৫-এর বিভ্রাট: blog.cloudflare.com • আন্দ্রেজ কার্পাথি (এমআইটি)-র তৈরি minbpe, যে প্রোগ্রামটি আমরা পোর্ট করেছি: karpathy/minbpe • টিকটক: openai/tiktoken #rust #ai #claudecode দ্য হট পাথ: সিস্টেম ডিজাইন এবং প্রযুক্তিগত বিশ্লেষণ, যা বিস্তারিতভাবে ব্যাখ্যা করা হয়। প্রতি সপ্তাহে নতুন ভিডিও। 🔔 সাবস্ক্রাইব করুন: youtube.com [de-DE] Warum KI-Unternehmen auf Rust umsteigen (Wir haben es getestet) OpenAI hat das Kommandozeilen-Tool Codex in Rust neu geschrieben. Claude Code läuft auf Bun, das dieses Jahr ebenfalls in Rust neu entwickelt wurde. GitHub hat die Engine von Copilot auf Rust umgestellt, und OpenAI hat den Speicher von ChatGPT von Python auf Rust verlagert. Sowohl bei Bun als auch bei Copilot hat KI den Großteil des neuen Codes geschrieben. Warum also Rust, und warum gerade jetzt? Wir gehen der Frage nach, was genau umgestellt wurde (und was weiterhin in Python geschrieben ist), den Gründen der einzelnen Unternehmen, warum eine Neuentwicklung plötzlich so günstig ist und warum Rusts strikter Compiler eine Rolle spielt, wenn KI den Code schreibt. Anschließend haben wir es selbst getestet: Wir haben einem neuen KI-Agenten minbpe, Andrej Karpathys kleinen Python-Tokenizer, gegeben und ihn gebeten, ihn in Rust neu zu schreiben. Das dauerte 52 Minuten und kostete etwa 11 US-Dollar. Wir haben das Ergebnis mit unseren eigenen, intern verwendeten Tests verglichen. Und am Ende: Wo liegt das Problem? Kapitel: 0:00 Warum KI-Unternehmen auf Rust umsteigen 0:38 Was umgestiegen ist und was nicht 1:23 Ihre Gründe: Codex, Bun, Copilot, ChatGPT-Speicher 4:12 Warum jetzt? 5:27 Warum Rust, wenn KI den Code schreibt? 6:47 Unser Test: Python zu Rust mit einem KI-Agenten 7:42 Laufzeit: 52 Minuten, ca. 11 $ 9:00 War es wirklich dasselbe? 9:52 Wo es schiefgeht und was das für uns bedeutet Was Sie lernen werden: • Welche Teile von KI-Produkten nach Rust migrieren und welche in Python bleiben (Modellcode, PyTorch, CUDA) • Die wahren Gründe von OpenAI, Bun und GitHub: eine einzelne, lauffähige Datei, Speicherfehler, Speichernutzung, GIL • Warum der Rust-Compiler als Prüfmechanismus für KI-geschriebenen Code dient und was er nicht prüfen kann • Was geschah, als ein Agent ein reales Programm portierte, und wie wir es bewerteten Quellen: • OpenAI zur Neuentwicklung der Codex CLI in Rust: codex#1174 • OpenAI zur Skalierung des Speichers von ChatGPT (Habitat): openai.com • Bun, neu in Rust geschrieben: bun.com • Anthropic übernimmt Bun: anthropic.com • GitHub zur Migration der Copilot-Laufzeitumgebung nach Rust: github.blog • vLLMs Rust-Frontend (RFC): vllm#40846 • OpenAI übernimmt Astral (uv, Ruff): thenewstack.io • Cloudflare-Ausfall am 18. November 2025: blog.cloudflare.com • minbpe von Andrej Karpathy (MIT), das von uns portierte Programm: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode The Hot Path: Systemdesign und technische Analysen, ausführlich erklärt. Wöchentlich neue Videos. 🔔 Abonnieren: youtube.com [es-US] Por qué las empresas de IA están cambiando a Rust (lo pusimos a prueba) OpenAI reescribió la herramienta de línea de comandos Codex en Rust. Claude Code se ejecuta en Bun, que fue reescrito en Rust este año. GitHub migró el motor de Copilot a Rust, y OpenAI trasladó el almacenamiento de ChatGPT de Python a Rust. Tanto para Bun como para Copilot, la IA escribió la mayor parte del código nuevo. Entonces, ¿por qué Rust, y por qué ahora? Analizamos qué se migró (y qué sigue siendo Python), las razones de cada empresa, por qué una reescritura resulta ahora lo suficientemente económica y por qué el estricto compilador de Rust es importante cuando la IA escribe el código. Luego lo probamos nosotros mismos: le dimos a un agente de IA nuevo minbpe, el pequeño tokenizador de Python de Andrej Karpathy, y le pedimos que lo reescribiera en Rust. Tardó 52 minutos y costó unos 11 dólares. Comprobamos el resultado con nuestras propias pruebas internas. Y al final: dónde falla. Capítulos: 0:00 ¿Por qué las empresas de IA se están pasando a Rust? 0:38 Qué se migró y qué no 1:23 Sus razones: Codex, Bun, Copilot, almacenamiento de ChatGPT 4:12 ¿Por qué ahora? 5:27 ¿Por qué Rust, cuando la IA escribe el código? 6:47 Nuestra prueba: Python a Rust con un agente de IA 7:42 El tiempo de ejecución: 52 minutos, aproximadamente $11 9:00 ¿Fue realmente lo mismo? 9:52 Dónde falla y qué significa para nosotros Lo que aprenderás: • Qué partes de los productos de IA se están migrando a Rust y cuáles se quedan en Python (el código del modelo, PyTorch, CUDA) • Las verdaderas razones que dieron OpenAI, Bun y GitHub: un archivo que simplemente funciona, errores de memoria, uso de memoria, el GIL • Por qué el compilador de Rust actúa como un control del código escrito por IA y qué no puede controlar • Qué sucedió cuando un agente portó un programa real y cómo lo evaluamos Fuentes: • OpenAI sobre la reescritura de la CLI de Codex en Rust: codex#1174 • OpenAI sobre la escalabilidad del almacenamiento de ChatGPT (Habitat): openai.com • Bun, reescrito en Rust: bun.com • Adquisición de Anthropic Bun: anthropic.com • GitHub traslada el entorno de ejecución de Copilot a Rust: github.blog • Interfaz de usuario de vLLM en Rust (RFC): vllm#40846 • OpenAI adquirirá Astral (uv, Ruff): thenewstack.io • Interrupción del servicio de Cloudflare el 18 de noviembre de 2025: blog.cloudflare.com • minbpe de Andrej Karpathy (MIT), el programa que adaptamos: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode The Hot Path: Diseño de sistemas y análisis técnico en profundidad. Nuevos vídeos cada semana. 🔔 Suscríbete: youtube.com [fr-FR] Pourquoi les entreprises d'IA passent à Rust (nous avons testé) OpenAI a réécrit l'outil en ligne de commande Codex en Rust. Claude Code fonctionne sur Bun, lui-même réécrit en Rust cette année. GitHub a migré le moteur de Copilot vers Rust, et OpenAI a transféré le stockage de ChatGPT de Python vers Rust. Pour Bun et Copilot, la majeure partie du nouveau code a été écrite par une IA. Alors, pourquoi Rust, et pourquoi maintenant ? Nous allons examiner ce qui a été migré (et ce qui reste en Python), les raisons de chaque entreprise, pourquoi une réécriture est soudainement devenue peu coûteuse, et pourquoi le compilateur strict de Rust est important lorsque l'IA écrit le code. Nous l'avons ensuite testé nous-mêmes : nous avons fourni à un agent d'IA fraîchement créé minbpe, le petit tokenizer Python d'Andrej Karpathy, et lui avons demandé de le réécrire en Rust. L'opération a duré 52 minutes et a coûté environ 11 $. Nous avons comparé le résultat avec nos propres tests cachés. Et enfin : les points faibles de cette approche. Chapitres : 0:00 Pourquoi les entreprises d'IA migrent vers Rust 0:38 Ce qui a migré et ce qui est resté 1:23 Leurs raisons : Codex, Bun, Copilot, le stockage de ChatGPT 4:12 Pourquoi maintenant ? 5:27 Pourquoi Rust, quand l'IA écrit le code ? 6:47 Notre test : Migration de Python vers Rust avec un agent d'IA 7:42 Durée de l'exécution : 52 minutes, environ 11 $ 9:00 Était-ce vraiment la même chose ? 9:52 Où ça coince et quelles sont les conséquences pour nous Ce que vous apprendrez : • Quelles parties des produits d’IA migrent vers Rust et lesquelles restent en Python (le code du modèle, PyTorch, CUDA) • Les véritables raisons invoquées par OpenAI, Bun et GitHub : un fichier exécutable, des bugs de mémoire, l’utilisation de la mémoire, le GIL • Pourquoi le compilateur Rust vérifie le code écrit par l’IA et quelles sont ses limites • Ce qui s’est passé lorsqu’un agent a porté un programme réel et comment nous l’avons évalué Sources : • OpenAI sur la réécriture de l’interface de ligne de commande Codex en Rust : codex#1174 • OpenAI sur la mise à l’échelle du stockage de ChatGPT (Habitat) : openai.com • Bun, réécrit en Rust : bun.com • Anthropic Acquisition de Bun : anthropic.com • Migration de l’environnement d’exécution Copilot vers Rust sur GitHub : github.blog • Interface Rust de vLLM (RFC) : vllm#40846 • Acquisition d’Astral (uv, Ruff) par OpenAI : thenewstack.io • Panne de Cloudflare le 18 novembre 2025 : blog.cloudflare.com • minbpe d’Andrej Karpathy (MIT), le programme que nous avons porté : karpathy/minbpe • tiktoken : openai/tiktoken #rust #ai #claudecode The Hot Path : Conception de systèmes et analyses techniques détaillées. Nouvelles vidéos chaque semaine. 🔔 Abonnez-vous : youtube.com [hi] AI कंपनियाँ Rust पर क्यों स्विच कर रही हैं (हमने इसका परीक्षण किया) OpenAI ने Codex कमांड-लाइन टूल को Rust में फिर से लिखा। Claude Code, Bun पर चलता है, जिसे इस साल Rust में फिर से लिखा गया था। GitHub ने Copilot के इंजन को Rust में स्थानांतरित कर दिया, और OpenAI ने ChatGPT के स्टोरेज को Python से Rust में स्थानांतरित कर दिया। Bun और Copilot के लिए, अधिकांश नया कोड AI द्वारा लिखा गया। तो Rust ही क्यों, और अभी क्यों? हम इस बात पर गौर करेंगे कि वास्तव में क्या स्थानांतरित हुआ (और क्या अभी भी Python में है), प्रत्येक कंपनी के अपने कारण, फिर से लिखना अचानक इतना सस्ता क्यों हो गया, और AI द्वारा कोड लिखते समय Rust के सख्त कंपाइलर का क्या महत्व है। फिर हमने इसका स्वयं परीक्षण किया: हमने एक नए AI एजेंट को आंद्रेज कार्पेथी के छोटे Python टोकनाइज़र minbpe को दिया और उसे Rust में फिर से लिखने के लिए कहा। इसमें 52 मिनट और लगभग $11 का खर्च आया। हमने अपने गुप्त परीक्षणों के आधार पर परिणाम की जाँच की। और अंत में: गड़बड़ कहाँ होती है। अध्याय: 0:00 एआई कंपनियां रस्ट की ओर क्यों बढ़ रही हैं? 0:38 क्या बदला और क्या नहीं बदला? 1:23 उनके अपने कारण: कोडेक्स, बन, कोपायलट, चैटजीपीटी का स्टोरेज 4:12 अभी क्यों? 5:27 जब एआई कोड लिखता है, तो रस्ट क्यों? 6:47 हमारा परीक्षण: एआई एजेंट के साथ पायथन से रस्ट में रूपांतरण 7:42 रन: 52 मिनट, लगभग $11 9:00 क्या यह वास्तव में समान था? 9:52 गलतियाँ कहाँ होती हैं, और इसका हमारे लिए क्या मतलब है आप क्या सीखेंगे: • AI उत्पादों के कौन से हिस्से Rust में स्थानांतरित हो रहे हैं, और कौन से Python में बने रहेंगे (मॉडल कोड, PyTorch, CUDA) • OpenAI, Bun और GitHub द्वारा दिए गए वास्तविक कारण: एक फ़ाइल जो बस चलती है, मेमोरी बग, मेमोरी उपयोग, GIL • Rust कंपाइलर AI द्वारा लिखे गए कोड पर जाँच क्यों करता है, और यह क्या जाँच नहीं कर सकता • जब एक एजेंट ने एक वास्तविक प्रोग्राम को पोर्ट किया तो क्या हुआ, और हमने उसका मूल्यांकन कैसे किया स्रोत: • Codex CLI को Rust में पुनः लिखने पर OpenAI: codex#1174 • ChatGPT के स्टोरेज (Habitat) को स्केल करने पर OpenAI: openai.com • Rust में पुनः लिखा गया Bun: bun.com • एंथ्रोपिक ने बन का अधिग्रहण किया: anthropic.com • GitHub द्वारा कोपायलट रनटाइम को रस्ट में स्थानांतरित करने पर जानकारी: github.blog • vLLM का रस्ट फ्रंट एंड (RFC): vllm#40846 • OpenAI द्वारा एस्ट्रल (uv, Ruff) का अधिग्रहण: thenewstack.io • क्लाउडफ्लेयर का 18 नवंबर 2025 का आउटेज: blog.cloudflare.com • आंद्रेज कार्पेथी (MIT) द्वारा विकसित minbpe प्रोग्राम, जिसे हमने पोर्ट किया है: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode द हॉट पाथ: सिस्टम डिज़ाइन और तकनीकी विश्लेषण, गहराई से समझाया गया। हर हफ्ते नए वीडियो। 🔔 सब्सक्राइब करें: youtube.com [id] Mengapa Perusahaan AI Beralih ke Rust (Kami Telah Mengujinya) OpenAI menulis ulang alat baris perintah Codex dalam Rust. Claude Code berjalan di Bun, yang ditulis ulang dalam Rust tahun ini. GitHub memindahkan mesin di balik Copilot ke Rust, dan OpenAI memindahkan penyimpanan di balik ChatGPT dari Python ke Rust. Untuk Bun dan Copilot, AI menulis sebagian besar kode baru. Jadi mengapa Rust, dan mengapa sekarang? Kami membahas apa yang sebenarnya dipindahkan (dan apa yang masih tetap Python), alasan masing-masing perusahaan, mengapa penulisan ulang tiba-tiba cukup murah, dan mengapa kompiler ketat Rust penting ketika AI menulis kode. Kemudian kami mengujinya sendiri: kami memberi agen AI baru minbpe, tokenizer Python kecil karya Andrej Karpathy, dan memintanya untuk menulis ulang dalam Rust. Butuh waktu 52 menit dan sekitar $11. Kami memeriksa hasilnya terhadap tes tersembunyi kami sendiri. Dan pada akhirnya: di mana letak kesalahannya. Bab: 0:00 Mengapa perusahaan AI beralih ke Rust 0:38 Apa yang beralih, dan apa yang tidak 1:23 Alasan mereka sendiri: Codex, Bun, Copilot, penyimpanan ChatGPT 4:12 Mengapa sekarang 5:27 Mengapa Rust, ketika AI menulis kode 6:47 Tes kami: Python ke Rust dengan agen AI 7:42 Hasil: 52 menit, sekitar $11 9:00 Apakah benar-benar sama? 9:52 Di mana letak kesalahannya, dan apa artinya bagi kita Apa yang akan Anda pelajari: • Bagian mana dari produk AI yang beralih ke Rust, dan mana yang tetap di Python (kode model, PyTorch, CUDA) • Alasan sebenarnya yang diberikan OpenAI, Bun, dan GitHub: satu file yang hanya berjalan, bug memori, penggunaan memori, GIL • Mengapa kompiler Rust bertindak sebagai pengecekan pada kode yang ditulis AI, dan apa yang tidak dapat diperiksanya • Apa yang terjadi ketika agen memindahkan program nyata, dan bagaimana kami menilainya Sumber: • OpenAI tentang penulisan ulang CLI Codex dalam Rust: codex#1174 • OpenAI tentang penskalaan penyimpanan ChatGPT (Habitat): openai.com • Bun, ditulis ulang dalam Rust: bun.com • Anthropic mengakuisisi Bun: anthropic.com • GitHub tentang pemindahan runtime Copilot ke Rust: github.blog • Front end Rust vLLM (RFC): vllm#40846 • OpenAI mengakuisisi Astral (uv, Ruff): thenewstack.io • Pemadaman Cloudflare pada 18 November 2025: blog.cloudflare.com • minbpe oleh Andrej Karpathy (MIT), program yang kami porting: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode The Hot Path: desain sistem dan uraian teknologi, dijelaskan secara mendalam. Video baru setiap minggu. 🔔 Berlangganan: youtube.com [iw] למה חברות AI עוברות ל-Rust (בדקנו את זה) OpenAI כתבה מחדש את כלי שורת הפקודה של Codex ב-Rust. Claude Code פועל על Bun, שנכתב מחדש ב-Rust השנה. GitHub העבירה את המנוע מאחורי Copilot ל-Rust, ו-OpenAI העבירה את האחסון מאחורי ChatGPT מפייתון ל-Rust. עבור Bun ועבור Copilot, בינה מלאכותית כתבה את רוב הקוד החדש. אז למה Rust, ולמה עכשיו? אנחנו עוברים על מה באמת עבר (ומה עדיין נשאר פייתון), הסיבות של כל חברה, למה כתיבה מחדש פתאום זולה מספיק, ומדוע המהדר הקפדני של Rust חשוב כאשר בינה מלאכותית כותבת את הקוד. לאחר מכן בדקנו את זה בעצמנו: נתנו לסוכן בינה מלאכותית חדש minbpe, טוקנייזר הפייתון הקטן של Andrej Karpathy, וביקשנו ממנו לכתוב אותו מחדש ב-Rust. זה לקח 52 דקות ועלה בערך 11 דולר. בדקנו את התוצאה מול הבדיקות הנסתרות שלנו. ובסוף: היכן זה משתבש. פרקים: 0:00 מדוע חברות בינה מלאכותית עוברות ל-Rust 0:38 מה עבר, ומה לא 1:23 הסיבות שלהן: Codex, Bun, Copilot, אחסון של ChatGPT 4:12 למה עכשיו 5:27 למה Rust, כאשר בינה מלאכותית כותבת את הקוד 6:47 הבדיקה שלנו: מפייתון ל-Rust עם סוכן בינה מלאכותית 7:42 הריצה: 52 דקות, בערך 11 דולר 9:00 האם זה באמת אותו הדבר? 9:52 היכן זה משתבש, ומה המשמעות עבורנו מה תלמדו: • אילו חלקים של מוצרי בינה מלאכותית עוברים ל-Rust, ואילו נשארים בפייתון (קוד המודל, PyTorch, CUDA) • הסיבות האמיתיות ש-OpenAI, Bun ו-GitHub נתנו: קובץ אחד שרק רץ, באגים בזיכרון, שימוש בזיכרון, ה-GIL • מדוע מהדר Rust משמש כבדיקה על קוד שנכתב על ידי בינה מלאכותית, ומה הוא לא יכול לבדוק • מה קרה כאשר סוכן העביר תוכנית אמיתית, ואיך דירגנו אותה מקורות: • OpenAI על כתיבה מחדש של Codex CLI ב-Rust: codex#1174 • OpenAI על קנה המידה של האחסון של ChatGPT (Habitat): openai.com • Bun, שנכתב מחדש ב-Rust: bun.com • Anthropic רוכשת Bun: anthropic.com • GitHub על העברת זמן הריצה של Copilot ל-Rust: github.blog • ממשק ה-RFC של vLLM ל-Rust: vllm#40846 • OpenAI תרכוש את Astral (uv, Ruff): thenewstack.io • הפסקת השירות של Cloudflare ב-18 בנובמבר 2025: blog.cloudflare.com • minbpe מאת Andrej Karpathy (MIT), התוכנה שפורטה: karpathy/minbpe • טיקטוקן: openai/tiktoken #rust #ai #claudecode הנתיב החם: עיצוב מערכת ופירוט טכנולוגי, מוסבר לעומק. סרטונים חדשים מדי שבוע. 🔔 הרשמה: youtube.com [ja] なぜAI企業はRustに乗り換えるのか（検証してみた） OpenAIはCodexコマンドラインツールをRustで書き直しました。Claude CodeはBun上で動作し、Bun自体も今年Rustで書き直されました。GitHubはCopilotのエンジンをRustに移行し、OpenAIはChatGPTのストレージをPythonからRustに移行しました。BunとCopilotでは、新規コードの大部分をAIが記述しました。では、なぜRustなのか、そしてなぜ今なのか？ 実際に何が移行されたのか（そして何がPythonのままなのか）、各企業の理由、なぜ書き直しが突然安価になったのか、そしてAIがコードを書く際にRustの厳密なコンパイラがなぜ重要なのかを解説します。そして、実際にテストを行いました。Andrej Karpathy氏が作成した小型Pythonトークナイザーであるminbpeを新しいAIエージェントに与え、Rustで書き直すよう指示しました。所要時間は52分、費用は約11ドルでした。結果を独自の非公開テストで検証しました。最後に、何が問題なのかを考察します。 チャプター： 0:00 AI企業がRustに移行する理由 0:38 移行した言語と移行しなかった言語 1:23 各社独自の理由：Codex、Bun、Cop​​ilot、ChatGPTのストレージ 4:12 なぜ今なのか 5:27 AIがコードを書く場合、なぜRustなのか 6:47 私たちのテスト：AIエージェントによるPythonからRustへの変換 7:42 実行結果：52分、約11ドル 9:00 本当に同じだったのか？ 9:52 何が問題なのか、そしてそれが私たちにとって何を意味するのか 学習内容： • AI製品のどの部分がRustに移行され、どの部分がPythonに残るのか（モデルコード、PyTorch、CUDA） • OpenAI、Bun、GitHubが挙げた本当の理由：実行可能なファイル1つ、メモリバグ、メモリ使用量、GIL • RustコンパイラがAIが記述したコードのチェックとして機能する理由と、チェックできないもの • エージェントが実際のプログラムを移植した際に何が起こったのか、そしてどのように評価したのか 参考資料： • OpenAIによるCodex CLIのRustでの書き換え：codex#1174 • OpenAIによるChatGPTのストレージ（Habitat）のスケーリング：openai.com • Rustで書き換えられたBun：bun.com • Anthropic • anthropicがBunを買収：anthropic.com • GitHubがCopilotランタイムをRustに移行：github.blog • vLLMのRustフロントエンド（RFC）：vllm#40846 • OpenAIがAstral（uv、Ruff）を買収：thenewstack.io • Cloudflareが2025年11月18日にサービス停止：blog.cloudflare.com • Andrej Karpathy氏（MIT）によるminbpe、私たちが移植版：karpathy/minbpe • TikToken：openai/tiktoken #Rust #AI #Claudecode The Hot Path：システム設計と技術解説を詳細に解説。毎週新しい動画を公開。 🔔 チャンネル登録：youtube.com [ko] AI 기업들이 Rust로 갈아타는 이유 (직접 검증해 봤습니다) OpenAI는 Codex 명령줄 도구를 Rust로 재작성했습니다. Claude Code는 올해 Rust로 재작성된 Bun에서 실행됩니다. GitHub는 Copilot의 엔진을 Rust로 옮겼고, OpenAI는 ChatGPT의 스토리지를 Python에서 Rust로 변경했습니다. Bun과 Copilot의 경우, 대부분의 새 코드는 AI가 작성했습니다. 그렇다면 왜 Rust를 선택했고, 왜 지금일까요? 실제로 어떤 부분이 Rust로 옮겨졌고(어떤 부분이 여전히 Python을 사용하는지), 각 회사의 이유, 재작성이 갑자기 저렴해진 이유, 그리고 AI가 코드를 작성할 때 Rust의 엄격한 컴파일러가 중요한 이유를 살펴봅니다. 그리고 직접 테스트해 보았습니다. Andrej Karpathy의 소형 Python 토크나이저인 minbpe를 새로운 AI 에이전트에게 주고 Rust로 재작성하도록 요청했습니다. 결과는 52분, 비용은 약 11달러였습니다. 결과를 자체적인 숨겨진 테스트와 비교하여 검증했습니다. 마지막으로, 이 방식이 어떤 문제점을 가지고 있는지 살펴봅니다. 목차: 0:00 AI 기업들이 Rust로 전환하는 이유 0:38 어떤 것이 이동했고, 어떤 것은 이동하지 않았는가 1:23 각 기업의 이유: Codex, Bun, Copilot, ChatGPT의 스토리지 4:12 왜 지금인가 5:27 AI가 코드를 작성하는 시대에 왜 Rust인가 6:47 테스트: AI 에이전트를 사용한 Python에서 Rust로의 전환 7:42 실행 시간: 약 52분, 비용 약 11달러 9:00 정말 동일한가? 9:52 무엇이 잘못되었는지, 그리고 그것이 우리에게 의미하는 바는 무엇인지 학습 내용: • AI 제품의 어떤 부분이 Rust로 이전되고, 어떤 부분이 Python에 남아 있는지 (모델 코드, PyTorch, CUDA) • OpenAI, Bun, GitHub가 제시한 실제 이유: 단순히 실행되는 파일 하나, 메모리 버그, 메모리 사용량, GIL • Rust 컴파일러가 AI가 작성한 코드에 대한 검사 역할을 하는 이유와 검사할 수 없는 부분 • 에이전트가 실제 프로그램을 Rust로 포팅했을 때 발생한 일과 평가 기준 참고 자료: • OpenAI의 Codex CLI Rust 재작성: codex#1174 • OpenAI의 ChatGPT 스토리지 확장(Habitat): openai.com • Bun, Rust로 재작성: bun.com • Anthropic, Bun 인수 anthropic.com • GitHub의 Copilot 런타임을 Rust로 이전: github.blog • vLLM의 Rust 프런트엔드(RFC): vllm#40846 • OpenAI, Astral(uv, Ruff) 인수: thenewstack.io • Cloudflare의 2025년 11월 18일 장애: blog.cloudflare.com • Andrej Karpathy(MIT)의 minbpe, 저희가 포팅한 프로그램: karpathy/minbpe • 틱톡: openai/tiktoken #rust #ai #claudecode 더 핫 패스: 시스템 설계 및 기술 분석을 심층적으로 설명합니다. 매주 새로운 영상이 업로드됩니다. 🔔 구독하기: youtube.com [ml] എന്തുകൊണ്ടാണ് AI കമ്പനികൾ Rust-ലേക്ക് മാറുന്നത്? (ഞങ്ങൾ ഇത് പരീക്ഷിച്ചു) റസ്റ്റിലെ കോഡെക്സ് കമാൻഡ്-ലൈൻ ടൂൾ ഓപ്പൺഎഐ വീണ്ടും എഴുതി. ക്ലോഡ് കോഡ് ബണിൽ പ്രവർത്തിക്കുന്നു, അത് ഈ വർഷം റസ്റ്റിൽ വീണ്ടും എഴുതി. ഗിറ്റ്ഹബ് കോപൈലറ്റിന് പിന്നിലുള്ള എഞ്ചിൻ റസ്റ്റിലേക്ക് മാറ്റി, ഓപ്പൺഎഐ ചാറ്റ്ജിപിടിക്ക് പിന്നിലുള്ള സ്റ്റോറേജ് പൈത്തണിൽ നിന്ന് റസ്റ്റിലേക്ക് മാറ്റി. ബണിനും കോപൈലറ്റിനും, AI പുതിയ കോഡിന്റെ ഭൂരിഭാഗവും എഴുതി. അപ്പോൾ റസ്റ്റ് എന്തുകൊണ്ട്, ഇപ്പോൾ എന്തുകൊണ്ട്? യഥാർത്ഥത്തിൽ പൈത്തണിലേക്ക് മാറ്റിയത് (ഇപ്പോഴും നിലനിൽക്കുന്നത് എന്താണ്), ഓരോ കമ്പനിയുടെയും സ്വന്തം കാരണങ്ങൾ, ഒരു റീറൈറ്റിംഗ് പെട്ടെന്ന് വിലകുറഞ്ഞത് എന്തുകൊണ്ട്, AI കോഡ് എഴുതുമ്പോൾ റസ്റ്റിന്റെ കർശനമായ കംപൈലർ എന്തുകൊണ്ട് പ്രധാനമാണ് എന്നിവ ഞങ്ങൾ പരിശോധിക്കുന്നു. പിന്നീട് ഞങ്ങൾ അത് സ്വയം പരീക്ഷിച്ചു: ആൻഡ്രെജ് കാർപതിയുടെ ചെറിയ പൈത്തൺ ടോക്കണൈസറായ ഒരു പുതിയ AI ഏജന്റ് മിൻബിപിഇ നൽകി, അത് റസ്റ്റിൽ വീണ്ടും എഴുതാൻ ആവശ്യപ്പെട്ടു. ഇതിന് 52 ​​മിനിറ്റും ഏകദേശം $11 ഉം എടുത്തു. ഞങ്ങളുടെ സ്വന്തം മറഞ്ഞിരിക്കുന്ന പരിശോധനകൾക്കെതിരെ ഞങ്ങൾ ഫലം പരിശോധിച്ചു. അവസാനം: ഇത് എവിടെയാണ് തെറ്റ് സംഭവിക്കുന്നത്. അധ്യായങ്ങൾ: 0:00 AI കമ്പനികൾ റസ്റ്റിലേക്ക് മാറുന്നത് എന്തുകൊണ്ട് 0:38 എന്താണ് മാറിയത്, എന്താണ് മാറിയത് 1:23 അവരുടെ സ്വന്തം കാരണങ്ങൾ: കോഡെക്സ്, ബൺ, കോപൈലറ്റ്, ChatGPT യുടെ സംഭരണം 4:12 ഇപ്പോൾ എന്തുകൊണ്ട് 5:27 AI കോഡ് എഴുതുമ്പോൾ എന്തുകൊണ്ട് റസ്റ്റ് ചെയ്യുക 6:47 ഞങ്ങളുടെ പരീക്ഷണം: ഒരു AI ഏജന്റിനൊപ്പം പൈത്തണിൽ നിന്ന് റസ്റ്റിലേക്ക് 7:42 ഓട്ടം: 52 മിനിറ്റ്, ഏകദേശം $11 9:00 അത് ശരിക്കും സമാനമായിരുന്നോ? 9:52 എവിടെയാണ് അത് തെറ്റുന്നത്, അത് നമുക്ക് എന്താണ് അർത്ഥമാക്കുന്നത് നിങ്ങൾ എന്താണ് പഠിക്കുക: • AI ഉൽപ്പന്നങ്ങളുടെ ഏതൊക്കെ ഭാഗങ്ങൾ റസ്റ്റിലേക്ക് നീങ്ങുന്നു, ഏതൊക്കെ പൈത്തണിൽ തുടരുന്നു (മോഡൽ കോഡ്, PyTorch, CUDA) • OpenAI, Bun, GitHub എന്നിവ നൽകിയ യഥാർത്ഥ കാരണങ്ങൾ: പ്രവർത്തിപ്പിക്കുന്ന ഒരു ഫയൽ, മെമ്മറി ബഗുകൾ, മെമ്മറി ഉപയോഗം, GIL • AI-എഴുതിയ കോഡിൽ ഒരു പരിശോധനയായി Rust കംപൈലർ പ്രവർത്തിക്കുന്നത് എന്തുകൊണ്ട്, അതിന് പരിശോധിക്കാൻ കഴിയാത്തത് എന്താണ് • ഒരു ഏജന്റ് ഒരു യഥാർത്ഥ പ്രോഗ്രാം പോർട്ട് ചെയ്യുമ്പോൾ എന്താണ് സംഭവിച്ചത്, ഞങ്ങൾ അത് എങ്ങനെ ഗ്രേഡ് ചെയ്തു ഉറവിടങ്ങൾ: • റസ്റ്റിൽ കോഡെക്സ് CLI റീറൈറ്റ് ചെയ്യുന്നതിനെക്കുറിച്ചുള്ള OpenAI: codex#1174 • ChatGPT യുടെ സംഭരണം സ്കെയിൽ ചെയ്യുന്നതിനെക്കുറിച്ചുള്ള OpenAI (Habitat): openai.com • ബൺ, റസ്റ്റിൽ റീറൈറ്റ് ചെയ്‌തത്: bun.com • ബൺ ആന്ത്രോപിക് ഏറ്റെടുക്കുന്നു: anthropic.com • കോപൈലറ്റ് റൺടൈം റസ്റ്റിലേക്ക് മാറ്റുന്നതിനെക്കുറിച്ചുള്ള GitHub: github.blog • vLLM-ന്റെ റസ്റ്റ് ഫ്രണ്ട് എൻഡ് (RFC): vllm#40846 • ആസ്ട്രൽ (uv, Ruff) ഏറ്റെടുക്കാൻ OpenAI: thenewstack.io • ക്ലൗഡ്ഫ്ലെയറിന്റെ 2025 നവംബർ 18 ലെ ഔട്ടേജ്: blog.cloudflare.com • ഞങ്ങൾ പോർട്ട് ചെയ്ത പ്രോഗ്രാം ആൻഡ്രെജ് കാർപതി (MIT) യുടെ minbpe: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode ദി ഹോട്ട് പാത്ത്: സിസ്റ്റം ഡിസൈനും സാങ്കേതിക തകരാറുകളും, ആഴത്തിൽ വിശദീകരിച്ചിരിക്കുന്നു. ആഴ്ചതോറും പുതിയ വീഡിയോകൾ. 🔔 സബ്‌സ്‌ക്രൈബ് ചെയ്യുക: youtube.com [nl-NL] Waarom AI-bedrijven overstappen op Rust (we hebben het getest) OpenAI heeft de Codex-commandoregeltool herschreven in Rust. Claude Code draait op Bun, dat dit jaar ook in Rust is herschreven. GitHub heeft de engine achter Copilot naar Rust verplaatst en OpenAI heeft de opslag achter ChatGPT van Python naar Rust overgezet. Voor Bun en Copilot heeft AI het grootste deel van de nieuwe code geschreven. Dus waarom Rust, en waarom nu? We bespreken wat er precies is overgezet (en wat nog steeds in Python is), de redenen van elk bedrijf, waarom een ​​herschrijving ineens zo goedkoop is en waarom de strikte compiler van Rust belangrijk is wanneer AI de code schrijft. Vervolgens hebben we het zelf getest: we gaven een nieuwe AI-agent minbpe, de kleine Python-tokenizer van Andrej Karpathy, en vroegen hem om deze in Rust te herschrijven. Dat duurde 52 minuten en kostte ongeveer $11. We hebben het resultaat gecontroleerd aan de hand van onze eigen verborgen tests. En tot slot: waar het misgaat. Hoofdstukken: 0:00 Waarom AI-bedrijven overstappen op Rust 0:38 Wat is er wel en niet overgestapt 1:23 Hun eigen redenen: Codex, Bun, Copilot, de opslag van ChatGPT 4:12 Waarom nu? 5:27 Waarom Rust, als AI de code schrijft? 6:47 Onze test: Python naar Rust met een AI-agent 7:42 De testduur: 52 minuten, ongeveer $11 9:00 Was het echt hetzelfde? 9:52 Waar het misgaat en wat dat voor ons betekent Wat je leert: • Welke onderdelen van AI-producten naar Rust worden overgezet en welke in Python blijven (de modelcode, PyTorch, CUDA) • De echte redenen die OpenAI, Bun en GitHub gaven: één bestand dat gewoon werkt, geheugenproblemen, geheugengebruik, de GIL • Waarom de Rust-compiler fungeert als een controle op door AI geschreven code en wat hij niet kan controleren • Wat er gebeurde toen een agent een echt programma porteerde en hoe we dat beoordeelden Bronnen: • OpenAI over het herschrijven van de Codex CLI in Rust: codex#1174 • OpenAI over het schalen van de opslag van ChatGPT (Habitat): openai.com • Bun, herschreven in Rust: bun.com • Anthropic neemt Bun over: anthropic.com • GitHub over de migratie van de Copilot-runtime naar Rust: github.blog • De Rust-frontend van vLLM (RFC): vllm#40846 • OpenAI neemt Astral (uv, Ruff) over: thenewstack.io • De storing bij Cloudflare op 18 november 2025: blog.cloudflare.com • minbpe van Andrej Karpathy (MIT), het programma dat we hebben geporteerd: karpathy/minbpe • TikToken: openai/tiktoken #rust #ai #claudecode The Hot Path: systeemontwerp en technische analyses, diepgaand uitgelegd. Nieuwe video's verschijnen wekelijks. 🔔 Abonneer je: youtube.com [pa] ਏਆਈ ਕੰਪਨੀਆਂ Rust ਵੱਲ ਕਿਉਂ ਵਧ ਰਹੀਆਂ ਹਨ (ਅਸੀਂ ਇਸਦੀ ਜਾਂਚ ਕੀਤੀ) OpenAI ਨੇ Rust ਵਿੱਚ ਕੋਡੈਕਸ ਕਮਾਂਡ-ਲਾਈਨ ਟੂਲ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਿਆ। Claude Code Bun 'ਤੇ ਚੱਲਦਾ ਹੈ, ਜਿਸਨੂੰ ਇਸ ਸਾਲ Rust ਵਿੱਚ ਦੁਬਾਰਾ ਲਿਖਿਆ ਗਿਆ ਸੀ। GitHub ਨੇ Copilot ਦੇ ਪਿੱਛੇ ਇੰਜਣ ਨੂੰ Rust ਵਿੱਚ ਤਬਦੀਲ ਕਰ ਦਿੱਤਾ, ਅਤੇ OpenAI ਨੇ ChatGPT ਦੇ ਪਿੱਛੇ ਸਟੋਰੇਜ ਨੂੰ Python ਤੋਂ Rust ਵਿੱਚ ਤਬਦੀਲ ਕਰ ਦਿੱਤਾ। Bun ਅਤੇ Copilot ਲਈ, AI ਨੇ ਜ਼ਿਆਦਾਤਰ ਨਵਾਂ ਕੋਡ ਲਿਖਿਆ। ਤਾਂ Rust ਕਿਉਂ, ਅਤੇ ਹੁਣ ਕਿਉਂ? ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ ਅਸਲ ਵਿੱਚ ਕੀ ਹਿੱਲਿਆ (ਅਤੇ ਕੀ ਅਜੇ ਵੀ Python ਰਹਿੰਦਾ ਹੈ), ਹਰੇਕ ਕੰਪਨੀ ਦੇ ਆਪਣੇ ਕਾਰਨ, ਇੱਕ ਮੁੜ ਲਿਖਣਾ ਅਚਾਨਕ ਕਾਫ਼ੀ ਸਸਤਾ ਕਿਉਂ ਹੈ, ਅਤੇ Rust ਦਾ ਸਖਤ ਕੰਪਾਈਲਰ ਜਦੋਂ AI ਕੋਡ ਲਿਖਦਾ ਹੈ ਤਾਂ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਫਿਰ ਅਸੀਂ ਇਸਦੀ ਖੁਦ ਜਾਂਚ ਕੀਤੀ: ਅਸੀਂ ਇੱਕ ਤਾਜ਼ਾ AI ਏਜੰਟ minbpe, Andrej Karpathy ਦਾ ਛੋਟਾ Python ਟੋਕਨਾਈਜ਼ਰ ਦਿੱਤਾ, ਅਤੇ ਇਸਨੂੰ Rust ਵਿੱਚ ਇਸਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣ ਲਈ ਕਿਹਾ। ਇਸ ਵਿੱਚ 52 ਮਿੰਟ ਅਤੇ ਲਗਭਗ $11 ਲੱਗੇ। ਅਸੀਂ ਆਪਣੇ ਲੁਕਵੇਂ ਟੈਸਟਾਂ ਦੇ ਵਿਰੁੱਧ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕੀਤੀ। ਅਤੇ ਅੰਤ ਵਿੱਚ: ਇਹ ਕਿੱਥੇ ਗਲਤ ਹੁੰਦਾ ਹੈ। ਅਧਿਆਏ: 0:00 AI ਕੰਪਨੀਆਂ Rust ਵਿੱਚ ਕਿਉਂ ਜਾ ਰਹੀਆਂ ਹਨ 0:38 ਕੀ ਬਦਲਿਆ, ਅਤੇ ਕੀ ਨਹੀਂ ਬਦਲਿਆ 1:23 ਉਨ੍ਹਾਂ ਦੇ ਆਪਣੇ ਕਾਰਨ: ਕੋਡੈਕਸ, ਬਨ, ਕੋਪਾਇਲਟ, ਚੈਟਜੀਪੀਟੀ ਦਾ ਸਟੋਰੇਜ 4:12 ਹੁਣ ਕਿਉਂ 5:27 Rust ਕਿਉਂ, ਜਦੋਂ AI ਕੋਡ ਲਿਖਦਾ ਹੈ 6:47 ਸਾਡਾ ਟੈਸਟ: AI ਏਜੰਟ ਨਾਲ Python to Rust 7:42 ਦੌੜ: 52 ਮਿੰਟ, ਲਗਭਗ $11 9:00 ਕੀ ਇਹ ਸੱਚਮੁੱਚ ਇੱਕੋ ਜਿਹਾ ਸੀ? 9:52 ਇਹ ਕਿੱਥੇ ਗਲਤ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਸਦਾ ਸਾਡੇ ਲਈ ਕੀ ਅਰਥ ਹੈ ਤੁਸੀਂ ਕੀ ਸਿੱਖੋਗੇ: • AI ਉਤਪਾਦਾਂ ਦੇ ਕਿਹੜੇ ਹਿੱਸੇ Rust ਵਿੱਚ ਜਾ ਰਹੇ ਹਨ, ਅਤੇ ਕਿਹੜੇ Python ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ (ਮਾਡਲ ਕੋਡ, PyTorch, CUDA) • OpenAI, Bun ਅਤੇ GitHub ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਅਸਲ ਕਾਰਨ: ਇੱਕ ਫਾਈਲ ਜੋ ਸਿਰਫ਼ ਚੱਲਦੀ ਹੈ, ਮੈਮੋਰੀ ਬੱਗ, ਮੈਮੋਰੀ ਵਰਤੋਂ, GIL • Rust ਕੰਪਾਈਲਰ AI-ਲਿਖੇ ਕੋਡ 'ਤੇ ਜਾਂਚ ਵਜੋਂ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਹ ਕੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਸਕਦਾ • ਜਦੋਂ ਇੱਕ ਏਜੰਟ ਨੇ ਇੱਕ ਅਸਲ ਪ੍ਰੋਗਰਾਮ ਨੂੰ ਪੋਰਟ ਕੀਤਾ ਤਾਂ ਕੀ ਹੋਇਆ, ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਗ੍ਰੇਡ ਕੀਤਾ ਸਰੋਤ: • Rust ਵਿੱਚ ਕੋਡੈਕਸ CLI ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣ 'ਤੇ OpenAI: codex#1174 • ChatGPT ਦੇ ਸਟੋਰੇਜ (Habitat) ਨੂੰ ਸਕੇਲਿੰਗ ਕਰਨ 'ਤੇ OpenAI: openai.com • Bun, Rust ਵਿੱਚ ਦੁਬਾਰਾ ਲਿਖਿਆ ਗਿਆ: bun.com • ਐਂਥ੍ਰੋਪਿਕ ਨੇ ਬਨ ਨੂੰ ਪ੍ਰਾਪਤ ਕੀਤਾ: anthropic.com • ਕੋਪਾਇਲਟ ਰਨਟਾਈਮ ਨੂੰ ਰਸਟ ਵਿੱਚ ਤਬਦੀਲ ਕਰਨ 'ਤੇ GitHub: github.blog • vLLM ਦਾ ਰਸਟ ਫਰੰਟ ਐਂਡ (RFC): vllm#40846 • ਓਪਨਏਆਈ ਐਸਟ੍ਰਲ (ਯੂਵੀ, ਰਫ) ਨੂੰ ਪ੍ਰਾਪਤ ਕਰੇਗਾ: thenewstack.io • ਕਲਾਉਡਫਲੇਅਰ ਦਾ 18 ਨਵੰਬਰ 2025 ਆਊਟੇਜ: blog.cloudflare.com • ਐਂਡਰੇਜ ਕਾਰਪੈਥੀ (MIT) ਦੁਆਰਾ minbpe, ਉਹ ਪ੍ਰੋਗਰਾਮ ਜਿਸਨੂੰ ਅਸੀਂ ਪੋਰਟ ਕੀਤਾ ਸੀ: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode ਗਰਮ ਮਾਰਗ: ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਅਤੇ ਤਕਨੀਕੀ ਵਿਗਾੜ, ਡੂੰਘਾਈ ਨਾਲ ਸਮਝਾਇਆ ਗਿਆ। ਹਫਤਾਵਾਰੀ ਨਵੇਂ ਵੀਡੀਓ। 🔔 ਗਾਹਕ ਬਣੋ: youtube.com [pl] Dlaczego firmy AI przechodzą na Rust (przetestowaliśmy to) OpenAI przepisał narzędzie wiersza poleceń Codex w języku Rust. Claude Code działa na Bun, który został przepisany w języku Rust w tym roku. GitHub przeniósł silnik Copilot do Rust, a OpenAI przeniósł pamięć masową ChatGPT z Pythona do Rust. W przypadku Bun i Copilot, sztuczna inteligencja napisała większość nowego kodu. Dlaczego więc Rust i dlaczego teraz? Przeanalizujemy, co faktycznie zostało przeniesione (a co nadal pozostaje Pythonem), powody każdej firmy, dlaczego przepisanie kodu stało się nagle wystarczająco tanie i dlaczego ścisły kompilator Rusta ma znaczenie, gdy sztuczna inteligencja pisze kod. Następnie przetestowaliśmy to sami: daliśmy nowemu agentowi AI minbpe, małemu tokenizerowi Pythona Andreja Karpathy'ego, i poprosiliśmy go o przepisanie go w języku Rust. Zajęło to 52 minuty i kosztowało około 11 dolarów. Sprawdziliśmy wynik z naszymi własnymi, ukrytymi testami. I na koniec: gdzie to wszystko jest nie tak. Rozdziały: 0:00 Dlaczego firmy zajmujące się sztuczną inteligencją przechodzą na Rust 0:38 Co się przeniosło, a co nie 1:23 Ich własne powody: Codex, Bun, Copilot, magazyn ChatGPT 4:12 Dlaczego teraz 5:27 Dlaczego Rust, skoro sztuczna inteligencja pisze kod 6:47 Nasz test: z Pythona na Rust z agentem AI 7:42 Przebieg: 52 minuty, około 11 dolarów 9:00 Czy to naprawdę to samo? 9:52 Gdzie popełniamy błędy i co to dla nas oznacza Czego się nauczysz: • Które części produktów AI są przenoszone do Rusta, a które pozostają w Pythonie (kod modelu, PyTorch, CUDA) • Prawdziwe powody podane przez OpenAI, Bun i GitHub: jeden plik, który po prostu działa, błędy pamięci, wykorzystanie pamięci, GIL • Dlaczego kompilator Rusta sprawdza kod napisany przez AI i czego nie może sprawdzić • Co się stało, gdy agent przeniósł prawdziwy program i jak go oceniliśmy Źródła: • OpenAI o przerobieniu Codex CLI w Ruście: codex#1174 • OpenAI o skalowaniu pamięci masowej ChatGPT (Habitat): openai.com • Bun, przepisany w Ruście: bun.com • Anthropic przejmuje Bun: anthropic.com • GitHub o przeniesieniu środowiska wykonawczego Copilot do Rust: github.blog • Interfejs użytkownika Rust (RFC) vLLM: vllm#40846 • OpenAI przejmuje Astral (uv, Ruff): thenewstack.io • Awaria Cloudflare z 18 listopada 2025 r.: blog.cloudflare.com • minbpe autorstwa Andreja Karpathy'ego (MIT), program, który przenieśliśmy: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode The Hot Path: projektowanie systemów i awarie techniczne, szczegółowo wyjaśnione. Nowe filmy co tydzień. 🔔 Subskrybuj: youtube.com [pt-BR] Por que as empresas de IA estão migrando para Rust (Nós testamos) A OpenAI reescreveu a ferramenta de linha de comando Codex em Rust. O Claude Code roda no Bun, que foi reescrito em Rust este ano. O GitHub migrou o mecanismo do Copilot para Rust, e a OpenAI migrou o armazenamento do ChatGPT de Python para Rust. Tanto para o Bun quanto para o Copilot, a IA escreveu a maior parte do novo código. Então, por que Rust, e por que agora? Analisamos o que de fato foi migrado (e o que permanece em Python), os motivos de cada empresa, por que uma reescrita se tornou repentinamente barata o suficiente e por que o compilador rigoroso do Rust é importante quando a IA escreve o código. Em seguida, testamos nós mesmos: demos a um novo agente de IA o minbpe, o pequeno tokenizador em Python de Andrej Karpathy, e pedimos que ele o reescrevesse em Rust. Levou 52 minutos e custou cerca de US$ 11. Comparamos o resultado com nossos próprios testes ocultos. E, por fim: onde tudo dá errado. Capítulos: 0:00 Por que as empresas de IA estão migrando para Rust 0:38 O que migrou e o que não migrou 1:23 Suas próprias razões: Codex, Bun, Copilot, armazenamento do ChatGPT 4:12 Por que agora? 5:27 Por que Rust, quando a IA escreve o código? 6:47 Nosso teste: Python para Rust com um agente de IA 7:42 A execução: 52 minutos, cerca de US$ 11 9:00 Foi realmente a mesma coisa? 9:52 Onde as coisas dão errado e o que isso significa para nós O que você aprenderá: • Quais partes dos produtos de IA estão migrando para Rust e quais permanecem em Python (o código do modelo, PyTorch, CUDA) • Os verdadeiros motivos apresentados pela OpenAI, Bun e GitHub: um único arquivo que simplesmente executa, bugs de memória, uso de memória, GIL • Por que o compilador Rust atua como uma verificação no código escrito por IA e o que ele não pode verificar • O que aconteceu quando um agente portou um programa real e como o avaliamos Fontes: • OpenAI sobre a reescrita da CLI do Codex em Rust: codex#1174 • OpenAI sobre a escalabilidade do armazenamento do ChatGPT (Habitat): openai.com • Bun, reescrito em Rust: bun.com • A Anthropic adquire a Bun: anthropic.com • GitHub sobre a migração do runtime Copilot para Rust: github.blog • Front-end Rust do vLLM (RFC): vllm#40846 • OpenAI adquire a Astral (uv, Ruff): thenewstack.io • Interrupção da Cloudflare em 18 de novembro de 2025: blog.cloudflare.com • minbpe por Andrej Karpathy (MIT), o programa que portamos: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode The Hot Path: design de sistemas e análises técnicas, explicadas em detalhes. Novos vídeos toda semana. 🔔 Inscreva-se: youtube.com [ru] Почему ИИ-компании переходят на Rust (мы проверили) OpenAI переписала инструмент командной строки Codex на Rust. Claude Code работает на Bun, который в этом году был переписан на Rust. GitHub перенесла движок Copilot на Rust, а OpenAI перенесла хранилище ChatGPT с Python на Rust. Для Bun и Copilot большую часть нового кода написал ИИ. Так почему же Rust, и почему именно сейчас? Мы разберем, что именно было перенесено (и что осталось на Python), причины каждой компании, почему переписывание кода внезапно стало достаточно дешевым, и почему строгий компилятор Rust имеет значение, когда код пишет ИИ. Затем мы протестировали это сами: мы дали новому агенту ИИ minbpe, небольшой токенизатор на Python от Андрея Карпати, и попросили его переписать его на Rust. Это заняло 52 минуты и около 11 долларов. Мы проверили результат с помощью наших собственных скрытых тестов. И в конце: где здесь ошибка. Разделы: 0:00 Почему компании, занимающиеся ИИ, переходят на Rust 0:38 Что перешло, а что нет 1:23 Их собственные причины: Codex, Bun, Copilot, хранилище ChatGPT 4:12 Почему сейчас 5:27 Почему Rust, когда код пишет ИИ 6:47 Наш тест: переход с Python на Rust с помощью ИИ-агента 7:42 Время выполнения: 52 минуты, около 11 долларов 9:00 Действительно ли это то же самое? 9:52 Где возникают проблемы и что это значит для нас Что вы узнаете: • Какие части продуктов ИИ переходят на Rust, а какие остаются на Python (код модели, PyTorch, CUDA) • Реальные причины, указанные OpenAI, Bun и GitHub: один файл, который просто запускается, ошибки памяти, использование памяти, GIL • Почему компилятор Rust выступает в качестве проверки кода, написанного ИИ, и что он не может проверить • Что произошло, когда агент портировал реальную программу, и как мы ее оценили Источники: • OpenAI о переписывании Codex CLI на Rust: codex#1174 • OpenAI о масштабировании хранилища ChatGPT (Habitat): openai.com • Bun, переписанный на Rust: bun.com • Anthropic приобретает Bun: anthropic.com • GitHub о переносе среды выполнения Copilot на Rust: github.blog • Фронтенд vLLM на Rust (RFC): vllm#40846 • OpenAI приобретает Astral (uv, Ruff): thenewstack.io • Сбой Cloudflare 18 ноября 2025 года: blog.cloudflare.com • minbpe от Андрея Карпати (MIT), программа, которую мы портировали: karpathy/minbpe • tiktoken: openai/tiktoken #rust #ai #claudecode The Hot Path: системный дизайн и технические разборы, подробное объяснение. Новые видео каждую неделю. 🔔 Подписаться: youtube.com [ta] AI நிறுவனங்கள் ஏன் Rust-க்கு மாறுகின்றன? (நாங்களே சோதனை செய்தோம்) OpenAI, Codex கட்டளை வரி கருவியை Rust மொழியில் மீண்டும் எழுதியது. Claude Code, Bun-ல் இயங்குகிறது, அது இந்த ஆண்டு Rust மொழியில் மீண்டும் எழுதப்பட்டது. GitHub, Copilot-இன் பின்னணியில் உள்ள எஞ்சினை Rust-க்கு மாற்றியது, மேலும் OpenAI, ChatGPT-இன் பின்னணியில் உள்ள சேமிப்பகத்தை Python-இலிருந்து Rust-க்கு மாற்றியது. Bun மற்றும் Copilot-க்கான புதிய குறியீட்டின் பெரும்பகுதியை AI எழுதியது. அப்படியென்றால், ஏன் Rust, அதுவும் ஏன் இப்போது? உண்மையில் என்ன மாற்றப்பட்டது