Способности · Понятие
Бенчмарк мультимодельного рецензирования ИИ-учёных
Протокол оценки автономных систем генерации исследований фронтирными LLM-рецензентами.
Горизонт прогноза
Связи
Связи · 2
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
ведёт к · ссылается на 4/10
Датасет оценённых концептуальных аргументов Оба развивают оценку ИИ по открытому научному/концептуальному качеству, а не только по верифицируемым ответам.
+4 прирост входит · требует 3/10
Трёхстадийный LLM-пайплайн открытия математических гипотез Автономные пайплайны гипотез и исследований требуют оценки originality/rigor сверх формального parse.
+3 приростИсточники сигнала
Источники сигнала
Датированные факты из первоисточников по этому направлению.
Горизонт задач удваивается Mar 2025
Длина программных задач, которые ИИ-агенты выполняют автономно с надёжностью 50%, удваивается примерно каждые 7 месяцев, а с 2024 года — ближе к ~3 месяцам.
METR → Бенчмарки насыщаются Apr 2025
За год баллы выросли на 18.8, 48.9 и 67.3 пункта на MMMU, GPQA и SWE-bench; решаемость реальных программных задач подскочила с 4.4% до 71.7%.
Stanford HAI — AI Index 2025 → Автономное программирование 2025–2026
На SWE-bench Verified (500 реальных issue с GitHub) автономные кодовые агенты достигли ~80–86% к концу 2025 года против менее 50% в начале 2025.
Epoch AI →