Организация Epoch AI представила 8 октября 2026 года отчет Automation Reports, оценивающий способность нейросетей выполнять внутренние исследовательские задачи компании. Бенчмарк включает 11 заданий из пяти категорий, которые оцениваются экспертами по внутренним критериям качества.
Первое место разделили Claude Fable 5.1 от Anthropic и GPT-6 Astra от OpenAI, набравшие в среднем около 65%. Остальные результаты распределились следующим образом: Grok 4.6 получил 59%, Qwen 3.8 Max — 53%, Kimi K3 — 52%, а Gemini 3.8 Flash — 42%.
Тестирование показало, что модели эффективно справляются со структурированными задачами, такими как программирование и вычисления. Однако они демонстрируют низкие показатели в творческой работе, требующей соблюдения корпоративного стиля, контекста и авторского суждения.
Новый инструмент дополняет существующий индекс Epoch Capabilities Index. Кроме того, 7 октября 2026 года Epoch AI запустила систему InnovationEval, предназначенную для проверки того, насколько эффективно искусственный интеллект может автоматизировать сам процесс исследований.
