Сбер открыл Universal Agent: та же модель с новой обвязкой решает на 24 пункта больше

Откройте код любого агента, и вы найдёте почти одно и то же: модель выбирает инструмент, обычный код его выполняет, результат возвращается модели. Круг повторяется, пока задача не закрыта. Это ReAct, и в псевдокоде он занимает десять строк. Тогда почему продуктов на этом цикле так много и работают они по-разному?

Команда GigaCode R&D из Сбера ответила на это статьёй и открытым проектом GigaCode Universal Agent на Python. Их тезис: вся инженерная работа сидит в обвязке (harness), то есть в среде исполнения вокруг цикла.

Что находится вокруг десяти строк

Представьте задачу: есть ТЗ и три предложения подрядчиков. Цены за разные периоды, условия спрятаны в приложениях, у одного предложения нет обязательной работы. Агент должен всё прочитать, привести к общему знаменателю и написать записку с источниками.

Для этого нужны три вещи. Задача описывает, что взять и что вернуть. Навык — это переиспользуемый регламент вроде инструкции новому сотруднику: как приводить цены к одному периоду, как помечать «не указано» и добавлять вопрос, а не считать пропуск бесплатной услугой. Инструменты дают доступ к данным и действиям, внешние системы подключаются через MCP. Правила живут в навыке, доступ в инструментах, а ядро остаётся неизменным.

Дальше начинаются вопросы, которых нет в псевдокоде. У фоновой задачи нет наблюдателя, поэтому единица исполнения здесь Run с зафиксированными моделью, версией навыка, инструментами и лимитами по времени, токенам, шагам и вызовам. Лимит кончился: запуск останавливается, сохраняет сделанное и называет причину. Каждый запуск оставляет трейс, по которому видно, откуда взялся вывод и почему вчера работало, а сегодня нет.

Отдельный судья, то есть вторая модель со своей инструкцией, сверяет отчёт и трейс с задачей. Если потерялось требование или вывод без источника, агент получает замечания и продолжает. Где проверка возможна программно (файл создан, тест прошёл, JSON валиден), лучше делать её кодом. Для длинных задач есть автопротоколирование: агент сжимает состояние в краткую запись и работает дальше за пределами одного окна.

Безопасность тоже решается обвязкой. Если сказано «ничего не отправляй», то инструмента отправки писем у агента просто не должно быть. Плюс проверки чтения и записи, модерация команд судьёй и разделение контейнеров.

Что показали цифры

На одной и той же Qwen3.6-35B-A3B сравнили Universal Agent с OpenCode и Qwen Code. SWE-bench Verified: 69,9% против 66,4% и 65,0%. Terminal Bench 2.1: 65,5% против 62,1% и 41,4%. На SWE-bench Pro и Multilingual результаты примерно равные. Вывод авторов: одна модель в другой обвязке даёт другой результат.

В кибербезопасности (CyberGym lvl1, DeepSeek-V4-Flash) предметный навык поднял результат с 70,6% до 76,7% без изменений ядра. По стоимости агент на SWE-bench Verified вышел примерно на треть дешевле Qwen Code. Авторы считают стоимость успешной задачи: все запуски, включая неудачные и ручную доработку, делятся на число решённых. Автомаршрутизация light/default/max переносила 50–60% запросов на младшие модели при качестве около уровня max, но это пока экспериментальное направление.

Ограничения и что делать

Это статья разработчиков о собственном продукте, а сравнение сделано на их же наборе условий. Судья может ошибаться, при сжатии контекста детали теряются, а на трудных задачах агент жжёт токены. Научный поиск у всех участников сравнения пока скромный. Для бизнес-сценариев вроде сравнения подрядчиков качество придётся мерять на своих примерах.

Практический вывод простой. Выбирая или строя агента, не спорьте о модели, а проверьте обвязку: есть ли лимиты и трейсы, проверяется ли результат независимо от слов самой модели, ограничены ли права инструментов и считается ли цена выполненной задачи, а не токена. Именно там сегодня и лежит разница.