Artificial Analysis публикува на 14 октомври 2026 г. AA-Robotics v0.1 — изследователски тест на езикови модели, които управляват роботна ръка чрез програмни агенти. Първата версия включва осем задачи. GPT-6 Astra получава среден резултат около 69 от 100, с приблизително 30 минути и 16,36 долара на задача според организатора. Това не е 69% успех при произволна работа в реалния свят.

Средният резултат събира пълно и частично изпълнение. Именно тази разлика е важна: придвижването на предмет приблизително до целта и изпълнението на всички условия не са едно и също. Класацията е измерване в конкретна постановка, с конкретни модели и софтуерна среда, а не сертификат за универсален робот.

Полезните въпроси зад общия резултат

Нашият редакционен прочит е, че физическите тестове трябва да показват повече от крайното подреждане. За практическа задача има значение колко време е минало, какво е трябвало да бъде възстановено и дали човек се е намесвал. Система, която стига до целта след дълго търсене, може да е интересна за изследване и едновременно неподходяща за конкретен работен ритъм.

Цената също е отделна ос. По-скъпият опит може да е оправдан при рядка сложна задача, но не непременно при действие, повтаряно постоянно. Това са условни съображения, а не изчислен бизнес резултат за тестваните модели. Сравнението трябва да започне с това какво означава приет краен резултат за собствения процес.

Особено важен е моментът на спиране. След постигане на целта следваща ненужна корекция може да развали подредбата. Затова в една оценка е полезно да се различават достигане на приемливо състояние и правилно разпознаване, че задачата е приключила. Този критерий има значение независимо кой модел е начело на общата таблица.

Как да четем ранна версия

Осем задачи са начална извадка, а не покритие на цялата роботика. Преди извод за конкретно приложение трябва да се проверят предметите, оборудването, допустимите грешки и повторяемостта. Изменение на една от тези части може да промени трудността, без инструкцията на естествен език да изглежда много различна.

Не сме възпроизвеждали опитите и не представяме данните като наше измерване. Материалът е от 14 октомври и е включен като ценен непокрит тест, а не като пускане от днес. При следващи версии полезният напредък би бил не само по-висока обща оценка, а по-ясно обяснение при какви условия агентът завършва задачата надеждно, за колко време и с каква помощ.

Редакционна проверка: 2026-10-17T06:16:31.145379+00:00 (UTC). Корица: концептуална AI илюстрация; не е снимка на реално събитие.