Claude-un "yük daşıyan" lüğəti: 461 min pull request-də on klaster

Müstəqil məlumat layihəsi GitHub-dakı pull request təsvirlərini tədqiqatçının əvvəlcədən seçdiyi etiketlərə görə deyil, onların yazıldığı sözlərə görə qruplaşdırır. Nəticə on klasterdir və onlardan biri digərlərindən fərqlənir: 2025-in əvvəlində korpusun 0,7%-i idi, 2026-nın ortasında isə təqribən 39%-i.

Layihə nəyi ölçür

The load-bearing vocabulary of Claude saytı GitHub-ın axtarış API-si vasitəsilə gündə 1000 pull request təsviri götürür və sözlərin ehtimal paylanmalarını müqayisə edən KL-divergence k-means üsulu ilə onları on qrupa bölür. Nə kök çıxarma, nə də dayanma söz siyahısı tətbiq olunur: söz ən azı bir hərf olan hərf, rəqəm, maili xətt, tire və alt xətt ardıcıllığıdır, buna görə load-bearing və ya mutation-tested kimi texniki işarələr tam saxlanılır.

Dərc olunmuş hesablama 603 toplanmış günü əhatə edir; onların 595-i 6 yanvar 2025-dən 17 avqust 2026-dək olan 85 tam həftəyə düşür. Bu, 461 121 təsvir və 51 079 244 söz görünüşüdür; tezlik həddini 19 798 söz keçib.

Gələn klaster

Bu klasterin ən səciyyəvi sözləri bunlardır: load-bearing, plainly, quietly, nobody, outright, re-derived, mutation-checked, mutation-tested, refused, vacuously, premise və restated. Layihənin qeydinə görə bu lüğət kodlaşdırma agentlərindən istifadə edən hər kəsə tanış olmalıdır. Bütün korpusda klasterin payı 8,2%-dir; son dörd həftədə isə təsvirlərin təqribən 37%-ni təşkil edir.

Saytda detektor da var: pull request təsvirini və ya GitHub keçidini yerləşdirib mətnin həmin klasterə aid olub-olmadığını görmək mümkündür.

Nümunə necə qurulur

Metodologiya yazısı aşkar mənbəyin niyə artıq yararsız olduğunu izah edir. GitHub-ın ictimai hadisə arxivi mətn daşımağı dayandırıb: 2025-ci ilin oktyabrında commit massivi çıxarıldıqdan sonra axında demək olar yalnız push hadisələri qalır. Axtarış API-si isə işləyir, çünki onun tarix filtri zaman möhürlərini qəbul edir və pəncərəni dəqiqələrlə ölçmək mümkündür. Hər gün beşdəqiqəlik on pəncərə seçilir — hər 2,4 saatlıq blokdan biri — və hər biri tam mətn qaytarır.

Bir məhdudiyyət açıq şəkildə göstərilir: sorğu ən çoxu 1000 nəticə qaytarır, səhifə isə yüz təsvir tutur, yəni bu, tam siyahı deyil, nümunədir. Dörd tətbiqin yazdığı pull request-lər — dependabot, renovate və oxşar botlar — sorğunun özündə istisna edilir, çünki tətbiq mətninin təqribən 90%-i onlardır.

Nəyi göstərir, nəyi yox

Layihə hər hansı konkret təsvirin hansı alətlə yazıldığını iddia etmir. Göstərdiyi odur ki, pull request dili statistik olaraq iki yerə bölünüb və bu bölünmənin bir yarısı illik miqyasda sürətlə böyüyür — kod baxışı, sənədləşmə və layihə tarixçəsini oxuyanlar üçün vacib olan məhz bu dəyişiklikdir.