Способности · Тренд
Производительность агентов LLM в динамических средах
CEO-Bench оценивает агентов LLM на долгосрочных задачах, имитирующих 500-дневное управление стартапом, выявляя пробелы в навигации в условиях неопределённости, получении информации и многоцелевой координации.
Горизонт прогноза
Memory evolution tracking will become a standard component of agentic AI evaluation frameworks.
Связи
Связи · 2
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
ведёт к · питает 3/10
ИИ-агенты перестраивают knowledge work Бенчмарк EvoArena показывает, что текущие агенты испытывают трудности в динамических средах, что является ключевой проблемой для агентов ИИ в реальном интеллектуальном труде.
+3 прирост ведёт к · двигает 3/10
Моделирование вознаграждения оркестровки для многоагентных систем Низкая производительность агентов в динамических средах стимулирует разработку лучших подходов к оркестрации и моделированию вознаграждения.
+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 →