Модели стали дешевле и быстрее, но задачи требуют больше времени
Разработчики выпускают всё более компактные и доступные модели для агентных задач. Однако новые тесты показывают, что выполнение полноценной работы всё ещё требует от ИИ сотен шагов и участия человека.
Anthropic представила Claude Fable 5.2 и Mythos 5.2. Новая версия стала быстрее и дешевле. Цена за миллион входных токенов снизилась до 8 долларов. Для ускорения генерации в два с лишним раза можно использовать Fast Mode, но он обойдётся вдвое дороже.
По результатам FrontierCode 2.0 Fable 5.2 на режиме High effort набрала 45,3% при выполнении задач. Это почти уровень модели Opus 5.5, хотя стоимость выполнения задачи с Fable оказалась примерно в два раза ниже.
Компактные модели теперь берут на себя рутину, чтобы не тратить ресурсы мощных систем. Meta* выпустила Muse Ember, небольшую мультимодальную модель для обработки документов, извлечения данных и написания кода. У неё контекстное окно составляет 1 млн токенов.
На тесте AutomationBench-AA модель набрала 37,8%, обойдя Claude Haiku 5.5 и GPT-6 Luna. Google представила Gemini 4 Hydrogen для повседневного кодинга, которая ориентирована на быстрые операции и массовое использование.
Новые бенчмарки проверяют способность ИИ работать как профессионал. Тест Multimodal Knowledge Agent оценивает работу с чертежами, схемами и документами в разных отраслях. Задачи в нём имитируют реальную работу специалиста, которая занимает от трёх до восьми часов.
В другом тесте, Embodied First Exam, проверяли управление роботами. Там лучший результат показала GPT-6 Astra с 34% успешных решений из 456 задач.
Пока ИИ забирает на себя мелкие операции, полноценная работа всё ещё требует ручной проверки. Перед тем как принять результат от агента, проверьте логику его действий, так как на одну задачу системы могут тратить до 130 ходов.
· обновлено, версия 2
Текст подготовила языковая модель по материалам источников.
