Исследования
AI Minute Newsroom
2026-10-06
Двадцать попыток на одной задаче отняли у лучшего агента треть очков.
Новый тест Thinkingbox прогнал 507 деловых процессов по двадцать раз с чистого состояния. Claude Opus 5 с первой попытки решил 66,5 процента задач, а во всех двадцати — 47,5. Kimi K3 упал сильнее, с 57,4 до 17,6 процента, значит разрыв в надёжности.
Почему это важноВ демонстрациях агент выигрывает один раз, а в работе он нужен каждый раз. Тест оценивает оставленную базу данных, а не отчёт, который агент написал сам.
✓ Проверено · 1 источников
Читайте в приложении — бесплатно, 9 языков
Похожие новости
OpenRouter отключил трёх провайдеров после теста с приманками.
2026-11-22Исследователи заявили, что вывели переписку из агента Muse от Meta.
2026-11-22OpenAI заявила, что новые модели почти остановили кражу рассуждений.
2026-11-22Сообщество Lean признало верным ИИ-доказательство гипотезы Римана.
2026-11-22Открытая ИИ-модель улучшила себя правкой своих весов, пишут учёные.
2026-11-21