Рекурсивное самообучение и Fable 5.1: почему гонка ИИ ушла от споров об AGI в прикладную оркестрацию

• Рост на научных задачах (Terminal-Bench-Science 0.1): с 24,7% у Fable 5 до 52,6% у Fable 5.1
• Агентный кодинг и автоматизация: 55,8% на Terminal-Bench 4.0 и 31,4% на AutomationBench
• Снижение стоимости чтения кэша: минус 75% (удешевление агентных циклов почти вдвое)
• Цикл смены поколений: менее 3 месяцев (с 9 июня по 1 сентября 2026 года)

В конце лета индустрия снова обсуждала заявление Сэма Альтмана о том, что OpenAI прошла 80% пути к AGI и планирует закрыть оставшиеся двадцать процентов до конца 2026 года. Главным аргументом выступала система уровня Astra: ты формулируешь гипотезу, агент сам пишет код во внутреннем репозитории лаборатории, запускает эксперимент, анализирует логи и приносит готовый отчёт, заменяя неделю работы исследователя.

Но первого сентября Anthropic без громких философских манифестов выпустила Claude Fable 5.1 — и цифры этого релиза объяснили происходящее лучше любых дискуссий о природе разума.

Почему результат на научном бенчмарке вырос вдвое всего за неполные три месяца?

Если положить рядом результаты Fable 5 от девятого июня и сентябрьской Fable 5.1, бросается в глаза аномальный скачок именно в исследовательских и агентных дисциплинах. На научном пакете Terminal-Bench-Science 0.1 новая модель набирает 52,6% против 24,7% у предшественницы и 29,0% у тяжёлого Opus 5. На агентном кодинге Terminal-Bench 4.0 показатель вырос с 42,0% до 55,8%, а на рабочих процессах AutomationBench — с 17,1% до 31,4%.

Одновременно с ростом точности Anthropic обрушила цену чтения кэша на 75%. Для обычного чата это приятный бонус, но для автономного роя агентов, который на каждом шаге перечитывает десятки тысяч токенов системного контекста и истории вызовов инструментов, счёт за инфраструктуру падает почти вдвое. Обе главные лаборатории мира синхронно бьют в одну точку: им больше не нужен разговорный собеседник — они строят автономного научного сотрудника.

Как модели уже сегодня участвуют в создании следующего поколения ИИ?

Раньше смена поколений больших языковых моделей упиралась в строительство новых дата-центров и годовые циклы предобучения. Сейчас интервал сжался до восьмидесяти дней, потому что сам инструмент официально встал в контур собственной разработки.

Это больше не теории футурологов, а прямые строки из технической документации вендоров:

• В релиз-нотах GPT-5.3-Codex инженеры OpenAI открыто зафиксировали, что ранние чекпойнты модели отлаживали обучающие прогоны, вели деплой и разбирали сбои на эвалах («instrumental in creating itself»).
• Внутри инфраструктуры Google работает контур AlphaEvolve, который оптимизирует вычислительные ядра и ускоряет обучение следующих версий Gemini.
• В Anthropic исследовательские агенты автоматизируют отбор синтетических траекторий и верификацию окружений для обучения с подкреплением.

Петля рекурсивного улучшения замкнулась на инженерном уровне. Пока комментаторы спорят, считать ли это настоящим AGI, скорость устаревания конкретных моделей выросла вчетверо.

Как построить рабочую среду, в которой смена флагманской модели

занимает одну минуту?

Главный практический вывод для любого CTO и руководителя продукта: категорически нельзя привязывать бизнес-логику компании к капризам одной конкретной нейросети. Ещё полтора месяца назад единственным выбором для сложной архитектуры казался Opus, сегодня на большинстве длинных траекторий его обходит Fable 5.1, а через месяц расклад снова поменяется.

В моей архитектуре все правила, память из пяти слоёв, роутинг и 370+ прикладных скиллов полностью отделены от вычислительного ядра. Переключить оркестратор с Opus на Fable или перебросить пакетные задачи на быструю модель — это правка одной строки в конфигурационном файле при полном сохранении накопленного опыта. А при необходимости миграции между CLI-инструментами штатные механизмы импорта переносят субагентов, хуки и MCP-серверы без потери контекста.

Разборы свежих бенчмарков и реальные замеры моделей на боевых задачах выходят в моём Telegram-канале [@jemal_hamidun](https://t.me/jemal_hamidun). Мультимодельная среда с мгновенным переключением провайдеров уже заложена в основу [Nomad AI](https://nomadnet.ai). Освоить проектирование независимых от вендора агентных систем можно в [Hamidun Academy](https://academy.hamidun.com) с бесплатным триалом на 72 часа, а забрать актуальные адаптеры под новые релизы моделей и обсудить их на мастермайндах — в закрытом сообществе [Vibe Club](https://hamidun.com/club).