Способности · Понятие
UniClawBench: бенчмарк для проактивных агентов на основе способностей
UniClawBench вводит 400 двуязычных задач из реального мира в живых Docker-контейнерах для выявления корневых причин сбоев проактивных агентов по пяти осям способностей.
Горизонт прогноза
Связи
Связи · 1
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
Источники 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 →