State of AI 2026 - часть 2 Собрал ещё несколько вещей из отчёта, кто пропустил первую часть - читаем. 1️⃣«Почти сделал» - всё ещё не сделал На FrontierChallenge GPT-5.6 Sol набрал 87,9/100 по отдельным требованиям, но полностью завершил только 20,6% задач. Для агентов это важная метрика: смотреть не только на качество промежуточных шагов, а на то, закрыл ли он задачу до конца. 2️⃣Робота можно учить новой задаче через видео В одном эксперименте видеодемонстрация подняла результат с 9% до 66% без дообучения весов модели. Если это масштабируется, часть робототехники может уйти от схемы «собрать датасет и переобучить» к более простой: показал - повторил. 3️⃣Ошибки тоже могут быть полезными данными Слабые демонстрации помогали модели, если рядом был контекст: что делали, где ошиблись и как исправились. Хороший датасет - это не только идеальные примеры. Иногда полезнее хранить разбор неудачных попыток. 4️⃣ИИ уже неплохо делает работу, но хуже выбирает, какую работу вообще стоит делать В научных экспериментах агенты могли сами проводить исследования, писать код и запускать эксперименты, но качество итоговых научных идей оставалось слабым. То есть автоматизация исполнения идёт быстрее, чем автоматизация выбора хорошей задачи. Следующий этап ИИ - научить системы доводить работу до конца, переносить навыки и понимать, куда вообще стоит тратить вычисления. 💬 Присоединиться к обсуждению в чате #AI_и_работа Телеграм канал Андрей Анисимов @ideasforai