Способности · Понятие
Vero: бенчмарк формально верифицированной генерации кода на уровне репозитория
Первый бенчмарк совместного синтеза реализации и доказательств для многомодульных Lean 4 репозиториев.
Горизонт прогноза
Связи
Связи · 4
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
ведёт к · поддерживает 4/10
Безопасность агентов как runtime-контракт Формальные proof на уровне репозитория — сильные evidential артефакты для runtime-контрактов агентов.
+4 прирост входит · поддерживает 4/10
CAPRI: контрактно-осознанный ремонт доказательств Isabelle Contract-aware ремонт Isabelle дополняет verified-repo агентов, отделяя принятие proof от несанкционированных правок.
+4 прирост входит · делает возможным 4/10
Рассуждение как обучаемый rule-based процесс Трактовка рассуждения как корректного rule-based процесса согласуется с формальными proof-обязательствами Vero на уровне репозитория.
+4 прирост входит · отслеживается через 3/10
Подборки arXiv по LLM-агентам (август 2026) Бенчмарк Vero входит в дневные препринты arXiv LLM agents.
+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 →