Назад к тренду дня: Босс Intel: миллиарды ИИ-агентов будет трудно контролировать
Рейтинг Poly · из тренда дня

Рейтинг надёжности ИИ-агентов 2026: топ-10 агентов, которым можно доверять

Трекер Принстонского университета оценивает более новую Claude Opus 4.7 как точнее Opus 4.5 (79,0% против 74,6%), но чуть менее надёжной (0,86 против 0,87): агенты стали способнее, но не намного предсказуемее.

  • №1: Claude Code (Claude Opus 5.5)
  • 10 мест

01Итоговый список

Ведущие ИИ независимо составили свои списки из десяти мест. Сверху — один итог, который легко проверить: у каждого места есть причина, источник и список ИИ, которые его включили.

Порядок: от большего согласия ИИ к меньшему.

Яркая плашка — этот ИИ включил пункт в свой список. Тусклая — не включил.

  1. 1

    Claude Code (Claude Opus 5.5)

    Самый большой чистый прирост на Arena (20,14%), плюс задокументированные режимы разрешений и откат. Но режим Auto теперь стартовый, а записи аудита в корпоративной версии пропускают вызовы инструментов.

    Включили: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. Не включили: Nemotron, Wenxin.

    В их списках: ChatGPT: 1 · Meta: 4 · Grok: 1 · StepFun: 1 · Kimi: 1 · DeepSeek: 1

    Что отметил каждый ИИ 6
    • ChatGPTместо 1

      Самый сильный из наблюдаемых сигналов успешного выполнения задач соседствует с необычно осязаемыми средствами контроля для человека: 20,75% подтверждённого успеха, режимы разрешений, сравнение изменений и откат.

      Источник ↗
    • Metaместо 4

      21,15% подтверждённого успеха, #1 в целом по 2,7 млн сессий — 42,91% чистого плюса, но $6,79 и 18,7 мин

      Источник ↗
    • Grokместо 1

      Самый высокий чистый прирост в Arena — 20,14% в целом, и переключатель разрешений, который всё ещё может его остановить.

      Источник ↗
    • StepFunместо 1

      Единственный агент, который #1 на реальной таблице из миллионов сессий и всё же отдаёт вам файл разрешений, который можно прочитать до того, как он коснётся вашего диска.

      Источник ↗
    • Kimiместо 1

      Самый надёжный агент, которого измерил Принстонский университет (73% стабильности результата — лучший показатель из всех), также имеет самые проверяемые тормоза: правила запрета, которые срабатывают раньше любого режима разрешений, и списки разрешённых команд — проверено, а не только заявлено.

    • DeepSeekместо 1

      Самая надёжная модель HAL находится здесь, но её журнал аудита всё ещё теряет вызовы инструментов субагентов.

    6 ИИ поставили сюда
    Источник ↗
  2. 2

    ChatGPT Work (ранее ChatGPT agent)

    Спрашивает подтверждение перед покупкой, отправкой или удалением и возвращает вам вход в чувствительные аккаунты. Единого показателя успеха на уровне продукта нет, а браузер Atlas от OpenAI поддался захвату без единого клика.

    Включили: ChatGPT, Meta, Grok, Kimi, DeepSeek. Не включили: Nemotron, StepFun, Wenxin.

    В их списках: ChatGPT: 4 · Meta: 1 · Grok: 5 · Kimi: 2 · DeepSeek: 3

    Что отметил каждый ИИ 5
    • ChatGPTместо 4

      Важная защита — передача управления: пользователь может сам взять браузер на себя для входа в чувствительные аккаунты, а не отдавать агенту свой пароль.

      Источник ↗
    • Metaместо 1

      20,77% подтверждённого успеха в чате, $3,68 и 10,4 мин медианно — самый безопасный первый агент, который спрашивает перед ключевыми шагами; проверен

    • Grokместо 5

      Старый режим Agent убран; замена, как сообщается, спрашивает подтверждение перед покупкой, отправкой или удалением.

    • Kimiместо 2

      Работает на одноразовой облачной виртуальной машине и обучен спрашивать перед любым действием с реальными последствиями — а модели OpenAI занимают первые пять мест в Индексе согласованности Arena за то, что не совершают неразрешённых действий.

      Источник ↗
    • DeepSeekместо 3

      17 из 20 в браузерных тестах, но его самая сильная запись аудита — корпоративная надстройка, а не настройка по умолчанию.

      Источник ↗
    5 ИИ поставили сюда
    Источник ↗
  3. 3

    Агенты Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

    Лучшая управляемость на Arena (19,32%) при $1,69 за задачу. Но проверки на подмену инструкций (prompt injection) по скриншотам поставляются выключенными, а песочницу Gemini CLI пользователь должен настроить сам.

    Включили: ChatGPT, Meta, Grok, StepFun, Kimi. Не включили: Nemotron, DeepSeek, Wenxin.

    В их списках: ChatGPT: 3 · Meta: 3 · Grok: 4 · StepFun: 3 · Kimi: 3

    Что отметил каждый ИИ 5
    • ChatGPTместо 3

      Всего $1,69 за медианную задачу и 18,04% подтверждённого успеха; главный подвох в том, что некоторые местные защиты безопасности нужно настраивать.

      Источник ↗
    • Metaместо 3

      Лучшая управляемость — 19,32%, самые низкие галлюцинации — 0,51% в топ-5, при 16,72% подтверждённого успеха за $1,69

      Источник ↗
    • Grokместо 4

      Лучшая управляемость на живой таблице — 19,32%, при этом проверки внедрения инструкций через скриншоты выключены по умолчанию.

      Источник ↗
    • StepFunместо 3

      Carbon занимает 3-е место по подтверждённому успеху с 18,02% при $1,69–$1,80 за задачу и это единственный потребительский агент, который останавливается и спрашивает, прежде чем отправить сообщения или что-то купить.

      Источник ↗
    • Kimiместо 3

      Делит лучший показатель надёжности, измеренный Принстонским университетом (85%), — но то же исследование показало, что он избегает катастрофических ошибок лишь в 25% случаев, поэтому его браузерный агент и заставляет вас смотреть, как он работает.

      Источник ↗
    5 ИИ поставили сюда
    Источник ↗
  4. 4

    OpenAI Codex

    Его песочница обеспечивается операционной системой: сеть выключена по умолчанию, а для выхода за пределы рабочей папки нужно подтверждение. Его модели отстают на Arena: GPT-6 Astra 14,70% против 20,14% у Opus 5.5.

    Включили: ChatGPT, Grok, StepFun, DeepSeek. Не включили: Meta, Nemotron, Kimi, Wenxin.

    В их списках: ChatGPT: 7 · Grok: 2 · StepFun: 2 · DeepSeek: 2

    Что отметил каждый ИИ 4
    • ChatGPTместо 7

      Медианная наблюдаемая задача стоит $0,98, а не $6,16 у Astra; при этом тот же продукт Codex может ограничивать рабочее пространство и сетевые границы.

      Источник ↗
    • Grokместо 2

      Песочница — барьер на уровне операционной системы, поэтому модель, которой нужна сеть, всё равно может получить отказ.

      Источник ↗
    • StepFunместо 2

      Astra занимает 4-е место по подтверждённому успеху, а Sol делает почти такую же работу за $0,56 за задачу — оба работают за песочницей, которую можно наглухо закрыть, и трёхуровневым регулятором подтверждений.

      Источник ↗
    • DeepSeekместо 2

      Поставляется с выключенной сетью и ценой задачи $1,92 — контроль и стоимость в одном агенте для программирования.

    4 ИИ поставили сюда
    Источник ↗
  5. 5

    Devin (Cognition AI)

    Работает в изолированных виртуальных машинах с подтверждением деплоя. Но права GitHub выданы на всю организацию, внешний журнал аудита не задокументирован, а сторонние оценки по программированию колеблются от 61,7% до 70,4% в зависимости от таблицы.

    Включили: Meta, StepFun, Kimi, DeepSeek. Не включили: ChatGPT, Grok, Nemotron, Wenxin.

    В их списках: Meta: 5 · StepFun: 6 · Kimi: 7 · DeepSeek: 7

    Что отметил каждый ИИ 4
    • Metaместо 5

      75,8% на SWE-bench Verified по официальным данным, 96,4% на нейтральном vals.ai — Pro $20 в месяц, профили безопасности в управляемой виртуальной машине

    • StepFunместо 6

      Автономия с откатом: изолированные машины, с которых можно сделать снимок, — но сторонний расчёт ставит объединённую задачу около $9–$10, так что контроль хороший, а счёт — нет.

      Источник ↗
    • Kimiместо 7

      Исходный «ИИ-инженер программного обеспечения» в сторонних стендах показывает 61,7% на реальных инженерных задачах при $7,90 за задачу — неплохо, но его автономии всё ещё нужен человек, проверяющий каждое слияние.

      Источник ↗
    • DeepSeekместо 7

      70,4% на DeepSWE при $1,40, но разрешения на уровне организации и нет публичного журнала аудита.

    4 ИИ поставили сюда
    Источник ↗
  6. 6

    Microsoft Copilot Studio и агенты Microsoft 365 Copilot

    Самый сильный след контроля (аудит Purview, отдельный Entra ID для каждого агента), но ZDNet назвал его премиум-агентов «уверенно плохими», а Copilot в Edge поддался тому же захвату без клика.

    Включили: ChatGPT, Meta, StepFun, DeepSeek. Не включили: Grok, Nemotron, Kimi, Wenxin.

    В их списках: ChatGPT: 6 · Meta: 10 · StepFun: 7 · DeepSeek: 9

    Что отметил каждый ИИ 4
    • ChatGPTместо 6

      Корпоративного агента, возможно, легче контролировать, чем измерить: Purview фиксирует административные действия и события взаимодействия, но это не доказательство успешного выполнения задачи.

      Источник ↗
    • Metaместо 10

      25 000 кредитов Copilot за $200 в месяц — $2 за разговор или $0,10 за действие, корпоративный журнал аудита, подтверждение человеком

      Источник ↗
    • StepFunместо 7

      Самая сильная история корпоративного управления в группе — и один из трёх браузерных агентов, взломанных через «PleaseFix» без единого клика.

      Источник ↗
    • DeepSeekместо 9

      Лучшие в классе идентификация и аудит — и практический тест, в котором результат уверенно назвали плохим.

    4 ИИ поставили сюда
    Источник ↗
  7. 7

    Manus

    Вы разрешаете каждую сессию браузера и останавливаете её закрытием вкладки. В сложных веб-задачах он полностью успешен в 8,0% случаев, а заявленные 86,5% по GAIA независимо измерены как 73,4%.

    Включили: Meta, StepFun, Kimi, DeepSeek. Не включили: ChatGPT, Grok, Nemotron, Wenxin.

    В их списках: Meta: 6 · StepFun: 4 · Kimi: 6 · DeepSeek: 10

    Что отметил каждый ИИ 4
    • Metaместо 6

      Универсальный автономный агент в облачной виртуальной машине Ubuntu — 300 бесплатных кредитов в день, SOC 2 Type 2, но взлом SilentBridge с CVSS 9,8 в феврале 2026

    • StepFunместо 4

      Вы разрешаете каждую сессию браузера, а агента останавливаете, закрыв вкладку — редкий потребительский агент, у которого кнопка остановки настоящая, а не настройка.

      Источник ↗
    • Kimiместо 6

      Заявляет 86,5% на GAIA, что ни один независимый тестовый стенд не воспроизвёл: сторонние прогоны дают 73,4%, а его средства контроля отстают от амбиций.

      Источник ↗
    • DeepSeekместо 10

      10-секундное окно отмены полезно; 8% полного успеха на сложных веб-задачах недостаточно, чтобы доверять ему одному.

      Источник ↗
    4 ИИ поставили сюда
    Источник ↗
  8. 8

    Агент Cursor

    Сильное программирование, но внедрённая команда заставила его записать вредоносный .cursor/mcp.json без запроса на подтверждение. Две уязвимости CVE 2026 года: критический обход входа и выход из песочницы.

    Включили: Meta, StepFun, DeepSeek. Не включили: ChatGPT, Grok, Nemotron, Kimi, Wenxin.

    В их списках: Meta: 7 · StepFun: 10 · DeepSeek: 6

    Что отметил каждый ИИ 3
    • Metaместо 7

      Ежедневный рабочий инструмент для 57% команд в продакшене — фоновый агент за $20 в месяц, быстрый встроенный режим, режим разрешений Ask

      Источник ↗
    • StepFunместо 10

      Инъекция в промпт заставила агента записать вредоносный .cursor/mcp.json без запроса подтверждения — самая очевидная причина, почему контроль в этом рейтинге важнее возможностей.

    • DeepSeekместо 6

      69,3% при $0,44 — но две уязвимости CVE 2026 года показывают, что дешёвая скорость может расширить поверхность атаки.

    3 ИИ поставили сюда
    Источник ↗
  9. 9

    Perplexity Comet

    Агентный режим браузера внутри ваших залогиненных сессий без жёсткого подтверждения. Аудит провела Trail of Bits, Brave перехватил его во время задачи, а атака PleaseFix без кликов сработала и на нём.

    Включили: Meta, StepFun. Не включили: ChatGPT, Grok, Nemotron, Kimi, DeepSeek, Wenxin.

    В их списках: Meta: 9 · StepFun: 9

    Что отметил каждый ИИ 2
    • Metaместо 9

      Агент для исследований, которого называют лучшим для исследовательских задач: 26,5% поддержки клиентов и 24,4% исследований в смешанной нагрузке

    • StepFunместо 9

      Trail of Bits смоделировала угрозы для него, а Brave показала, как его перехватить: агентный просмотр, который действует внутри ваших залогиненных сессий без жёсткого шлюза подтверждения.

      Источник ↗
    2 ИИ поставили сюда
    Источник ↗
  10. 10

    Агент для программирования GitHub Copilot

    Помечает каждую запись аудита признаком actor_is_agent и хранит журналы 180 дней; приняли 68,0% из 2 194 изученных запросов на слияние кода (PR). Только один ИИ это покрыл.

    Включили: DeepSeek. Не включили: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.

    В их списках: DeepSeek: 4

    Что отметил каждый ИИ 1
    • DeepSeekместо 4

      Агент, который фиксирует, от чьего имени действует — actor_is_agent в каждой записи аудита, — но доля принятых PR (запросов на слияние кода) у него 68%, не первое место.

      Источник ↗
    1 ИИ поставили сюда
    Источник ↗

Тройка подробно ↓

02Подробнее о тройке

Рейтинг выше. Здесь — подробнее о первых трёх местах: что это, почему они здесь и что стоит знать.

Три оцениваются по-разному: у Claude Code чистый прирост в Arena составляет 20,14%, у агентов Gemini управляемость в Arena составляет 19,32%, а у ChatGPT Work нет показателя успеха на уровне продукта.

1Claude Code (Claude Opus 5.5)

№ 1 — Claude Code (Claude Opus 5.5). В списках у 6 из 8 ИИ; медианное место там: 1. ИИ ставят его первым за лучший чистый прирост в Arena, а режимы разрешений и откат дают реальный контроль.

А вы знали

  • Откат в Claude Code охватывает не всё. Он отслеживает только правки, сделанные встроенными инструментами Claude для работы с файлами. Изменения, сделанные командами оболочки, например удаление или перемещение файлов, не учитываются. Контрольные точки сохраняются между сессиями.

    Источник ↗
Что это
Агент для программирования: работает в терминале и правит ваши файлы.
Чем сильнее
У него самый высокий чистый прирост в Arena и понятные режимы разрешений с откатом.
Кому подходит
Подойдёт разработчикам, которые будут за ним следить; не для того, чтобы оставить его без присмотра, ведь стартовый режим — Auto.

Википедия · Wikidata

Почему он здесь

  • Opus 5.5 стоит $4 за миллион входных токенов и $20 за миллион выходных, примерно на 20% дешевле Opus 5. Более низкая стоимость работы повышает оценку его практической пользы.

    Источник ↗
История

  • Claude Code начал работу в феврале 2025 года как ограниченная исследовательская версия, выпущенная вместе с моделью Claude 3.7 Sonnet.

    Источник ↗
Что важно учесть

  • Если намерение неясно или не хватает контекста, режим Auto всё равно может одобрить небезопасные действия и заблокировать безобидные. Каждое действие проходит дополнительную проверку, из-за чего возможна задержка, а со временем расход токенов растёт.

    Источник ↗

  • Антропик рекомендует запускать режим Auto в изолированной среде, особенно для чувствительного кода. На практике относитесь к нему как к помощнику, за которым нужно следить, а не как к тому, кого можно оставить без присмотра.

    Источник ↗
Где узнать больше

  • Откройте страницу режимов разрешений, чтобы увидеть, что каждый режим позволяет Claude Code делать без запроса. Сначала прочитайте раздел про режим Auto: теперь он стартовый.

    Источник ↗

Видео: Every Claude Code Concept Explained for Normal People (на английском) · Simon Scrapes

Сравнить первую тройку ↓

2ChatGPT Work (ранее ChatGPT agent)

№ 2 — ChatGPT Work (ранее ChatGPT agent). В списках у 5 из 8 ИИ; медианное место там: 3. ИИ нравится, что агент спрашивает перед покупкой, отправкой или удалением и передаёт вам чувствительные входы в аккаунты.

А вы знали

  • Когда агенту ChatGPT нужен вход в аккаунт, он приостанавливается и просит вас взять управление его виртуальным браузером. Пока вы управляете, ChatGPT не сохраняет пароли и чувствительные данные, которые вы вводите. В лимит использования засчитывается только ваш первый запрос.

    Источник ↗
Что это
Агент OpenAI, который выполняет за вас задачи в интернете в облачном браузере.
Чем сильнее
Перед рискованными шагами он сначала спрашивает, а для входа в аккаунты даёт вам управление.
Кому подходит
Подойдёт осторожным новичкам, которым нужны проверки; не тем, кому нужны подтверждённые показатели успеха.

Wikidata

Почему он здесь

  • Исследователи безопасности показали две атаки на браузер Atlas от OpenAI, для которых не требовался ни один клик пользователя. Одного подброшенного комментария в X хватало, чтобы перехватить управление. OpenAI подтвердила получение отчёта 17 февраля 2026 года.

    Источник ↗

  • Собственные инструкции Atlas заставляют его остановиться и спросить, прежде чем отправить сообщение за вас. Исследователи потратили «пару дней», пытаясь обойти его финальную кнопку покупки. Поэтому по контролю пользователя он стоит высоко.

    Источник ↗
История

  • Агент Operator от OpenAI вышел в январе 2025 года. В июле 2025 года OpenAI выпустила ChatGPT agent, который умеет выполнять многошаговые задачи.

    Источник ↗
Что важно учесть

  • Рецензент обнаружил, что агент часто застревал, повторяя одни и те же действия и теряя время, например когда клики запаздывали. Он также слишком буквально следовал инструкциям, поэтому человеку иногда приходилось вмешиваться.

    Источник ↗
Где узнать больше

  • Прочитайте, как облачный браузер просит подтвердить покупку, бронирование или оплату и как вы берёте управление для входа в аккаунт. Начните с этих двух разделов.

    Источник ↗
Meta поставили его первым. Что они в нём увидели

  • Meta: 20,77% подтверждённого успеха в чате, $3,68 и 10,4 мин медианно — самый безопасный первый агент, который спрашивает перед ключевыми шагами; проверен

Видео: ChatGPT Work Completely Changes How You Use ChatGPT (full guide) (на английском) · Futurepedia

Сравнить первую тройку ↓

3Агенты Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

№ 3 — Агенты Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI). В списках у 5 из 8 ИИ; медианное место там: 3. ИИ отмечают у него лучшую управляемость в Arena при низкой цене за задачу, но для проверок безопасности нужна настройка.

А вы знали

  • Gemini CLI полностью открытый, под лицензией Apache 2.0, так что любой может прочитать его код. Бесплатный индивидуальный доступ перешёл в другой инструмент, Antigravity CLI, 18 июня 2026 года.

    Источник ↗ ✓ подтверждено несколькими ИИ
Что это
Семейство агентов от Google: браузерный агент и инструмент командной строки с открытым кодом.
Чем сильнее
У него лучшая управляемость в Arena и низкая стоимость одной задачи.
Кому подходит
Подойдёт тем, кто любит экспериментировать и включит песочницу; не тем, кому нужны безопасные настройки по умолчанию.
Что важно учесть

  • После установки Gemini CLI по умолчанию работает без песочницы и предупреждает об этом пользователей. Если бы песочница была включена, она заблокировала бы атаку, которую нашёл исследователь.

    Источник ↗
Где узнать больше

  • Откройте руководство по песочнице Gemini CLI и узнайте, как её включить флагом, переменной окружения или файлом настроек перед запуском команд.

    Источник ↗
Сравнить первую тройку ↓

Тройка рядом

Claude Code (Claude Opus 5.5)ChatGPT Work (ранее ChatGPT agent)Агенты Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)
В списках ИИ6 / 85 / 85 / 8
Первым поставилиChatGPT, Grok, StepFun, Kimi, DeepSeekMeta—

Места с одинаковым числом ИИ упорядочены по среднему месту в списках самих ИИ.

Другие рейтинги

03Стоит знать

Что заметили ИИ, пока составляли список.

Точность росла два года, а надёжность почти не менялась: Claude Opus 4.7 достигает 79,0% точности при надёжности 0,86, Opus 4.5 — 74,6% при 0,87. В более ранней версии исследования (Fortune, март) сообщалось о надёжности 85% и в лучшем случае о 73% стабильности результата — по другой шкале.

Заметили:
Включили: Meta, Grok, StepFun, Kimi, DeepSeek. Не включили: ChatGPT, Nemotron, Wenxin.
Источник ↗

«Подтверждённый успех» на Arena — это причинный чистый прирост относительно базового уровня, а не доля завершённых задач. 21,15% у Opus 5.5 не значит, что 79% его задач провалились.

Заметили:
Включили: ChatGPT, Grok. Не включили: Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
Источник ↗

Атаки захвата без кликов «PleaseFix» поразили Comet, ChatGPT Atlas и Copilot Edge. Отдельно: патч Claude for Chrome против атаки BioShocking на кражу учётных данных не сработал.

Заметили:
Включили: StepFun, DeepSeek. Не включили: ChatGPT, Meta, Grok, Nemotron, Kimi, Wenxin.
Источник ↗

Откат действует только локально: откат Claude Code и контрольные точки Gemini CLI возвращают файлы проекта, но не отправленные письма, не сделанные платежи и другие внешние действия.

Заметили:
Включили: ChatGPT. Не включили: Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
Источник ↗

Из 35 браузерных агентов, которые документируют выполнение многошаговых задач, 51% не документируют шага подтверждения перед необратимыми действиями.

Заметили:
Включили: DeepSeek. Не включили: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.
Источник ↗

04Как считали

Простыми словами, без формул.

1Вопрос

Топ-10 ИИ-агентов, которым можно доверить действовать за вас, а не только отвечать

2Почему эта тема

Он разделяет три вопроса, которые каждый рейтинг сваливает в один (может ли он выполнить задачу, будет ли вести себя предсказуемо, может ли владелец его остановить), и прямо отвечает на вопрос Тана.

3Где это применимо

Глобально: потребительские и корпоративные ИИ-агенты, которые используют инструменты, работают в браузере, редактируют файлы, запускают код или совершают действия за пользователя (телефон, компьютер, браузер, бизнес-приложения)

4На что смотрели

  • Реальное выполнение задач: независимо измеренный успех в многошаговых задачах (25%)
  • Надёжность и безопасность: стабильность, предсказуемость, устойчивость, защита от манипуляций и выдуманных вызовов инструментов (35%)
  • Контроль пользователя: ограничения прав, подтверждение действий с последствиями, журнал аудита, остановка и отмена (30%); проверено вручную для каждого продукта и отмечено как «проверено» или «заявлено производителем»
  • Практическая польза: выполненные задачи относительно стоимости и времени (10%)
  • В рейтинг попадают только агенты с достаточным открытым подтверждением
  • Принстонский университет: HAL Reliability Tracker — 15 агентов по 12 показателям (стабильность, предсказуемость, устойчивость, безопасность) рядом с точностью решения задач, на GAIA и на подвыборке τ-bench по авиаперевозкам
  • Arena: таблица Agent Arena (3–4 ноября 2026) — чистый прирост, подтверждённый успех, управляемость, надёжность bash, выдуманные вызовы инструментов, медианные стоимость и время для 58 моделей-оркестраторов примерно по 2.
  • Arena: методология Agent Arena — подтверждённый успех и чистый прирост являются причинными эффектами относительно базового уровня, а не долями выполненных задач

5Кто ставил места

Ведущие ИИ: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin. Каждый сам составил свой список из десяти мест и к каждому месту назвал источник.

6Как сведены места

Одно и то же, названное разными ИИ по-разному, считали за одно. Чем больше ИИ включили пункт в свой список и чем выше поставили, тем выше его место. «Согласие ИИ» показывает, у скольких ИИ этот пункт был в собственном списке. Источники — только те, что нашли сами ИИ, ничего не добавлено вручную.

05Список каждого ИИ отдельно

🇺🇸 ChatGPT10 мест · заметок: 4

Тот же вопрос, ответ одного ИИ — ChatGPT. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Code with Claude Opus 5.5

    Самый сильный из наблюдаемых сигналов успешного выполнения задач соседствует с необычно осязаемыми средствами контроля для человека: 20,75% подтверждённого успеха, режимы разрешений, сравнение изменений и откат.

    Источник ↗
  2. 2
    OpenAI Codex with GPT-6 Astra

    Подтверждённый успех ниже, чем у Opus, но явные границы песочницы и подтверждений делают его сильным выбором, когда ошибки могут затронуть реальные файлы.

    Источник ↗
  3. 3
    Gemini CLI with Gemini 4 Carbon

    Всего $1,69 за медианную задачу и 18,04% подтверждённого успеха; главный подвох в том, что некоторые местные защиты безопасности нужно настраивать.

    Источник ↗
  4. 4
    ChatGPT Agent

    Важная защита — передача управления: пользователь может сам взять браузер на себя для входа в чувствительные аккаунты, а не отдавать агенту свой пароль.

    Источник ↗
  5. 5
    Claude Code with Claude Sonnet 5.5

    Почти тот же уровень подтверждённого пользователями успеха, что у Opus, при заметно меньшей медианной стоимости задачи: 19,95% против 20,75%.

    Источник ↗
  6. 6
    Microsoft Copilot Studio Agents

    Корпоративного агента, возможно, легче контролировать, чем измерить: Purview фиксирует административные действия и события взаимодействия, но это не доказательство успешного выполнения задачи.

    Источник ↗
  7. 7
    OpenAI Codex with GPT-6.1 Sol

    Медианная наблюдаемая задача стоит $0,98, а не $6,16 у Astra; при этом тот же продукт Codex может ограничивать рабочее пространство и сетевые границы.

    Источник ↗
  8. 8
    Gemini CLI with Gemini 4 Argon

    Медианная задача стоит $0,97 и занимает 7,3 минуты — это привлекательно для ограниченных задач, если настройки безопасности заданы осознанно.

    Источник ↗
  9. 9
    OpenAI Codex with GPT-6.1 Terra

    Медианная задача занимает 8,8 минуты и стоит $0,79 — это более дешёвый управляемый путь для программирования, чем у флагманских моделей.

    Источник ↗
  10. 10
    Claude Code with Claude Fable 5.1

    Сигнал управляемости 15,20% обнадёживает, но медианная стоимость задачи $6,40 делает его менее привлекательным, чем Sonnet, для обычной делегированной работы.

    Источник ↗

Что заметил ChatGPT

Лучшая модель в таблице задач не обязательно самый безопасный агент. Принстонский университет оценивает 12 метрик надёжности именно потому, что одна точность скрывает непредсказуемое поведение.

Источник ↗

Снимок Agent Arena от 3 ноября показывает 20,75% подтверждённого успеха у Opus 5.5. Это сигнал подтверждения пользователем, а не доказательство того, что остальные 79,25% задач провалились.

Источник ↗

Задокументированная команда отмены — не универсальная обратимость: контрольные точки Gemini CLI возвращают файлы проекта, но не обязательно внешние письма, платежи или транзакции.

Источник ↗

В опросе LangChain за 2026 год 89% сообщили о внедрении наблюдаемости (мониторинга), а оценку качества применяют лишь 52%. Видеть, что делает агент, распространено больше, чем систематически проверять, правильно ли он работает.

Источник ↗
🇺🇸 Meta10 мест · заметок: 2

Тот же вопрос, ответ одного ИИ — Meta. Итоговый список выше объединяет все ИИ.

  1. 1
    ChatGPT Work (ChatGPT Agent) – OpenAI 2026

    20,77% подтверждённого успеха в чате, $3,68 и 10,4 мин медианно — самый безопасный первый агент, который спрашивает перед ключевыми шагами; проверен

  2. 2
    Claude Computer Use + Cowork – Anthropic 2026

    Лидер надёжности HAL: 0,87 при 74,6% на GAIA — папки рабочего пространства с флагом «только чтение» (ro) и запрос перед установкой новых приложений; проверен

  3. 3
    Gemini 4 Carbon (High) – Google 2026

    Лучшая управляемость — 19,32%, самые низкие галлюцинации — 0,51% в топ-5, при 16,72% подтверждённого успеха за $1,69

    Источник ↗
  4. 4
    Claude Opus 5.5 Max – Anthropic 2026

    21,15% подтверждённого успеха, #1 в целом по 2,7 млн сессий — 42,91% чистого плюса, но $6,79 и 18,7 мин

    Источник ↗
  5. 5
    Devin 2.0 – Cognition 2026

    75,8% на SWE-bench Verified по официальным данным, 96,4% на нейтральном vals.ai — Pro $20 в месяц, профили безопасности в управляемой виртуальной машине

  6. 6
    Manus AI – Butterfly Effect 2026

    Универсальный автономный агент в облачной виртуальной машине Ubuntu — 300 бесплатных кредитов в день, SOC 2 Type 2, но взлом SilentBridge с CVSS 9,8 в феврале 2026

  7. 7
    Cursor Agent – Anysphere 2026

    Ежедневный рабочий инструмент для 57% команд в продакшене — фоновый агент за $20 в месяц, быстрый встроенный режим, режим разрешений Ask

    Источник ↗
  8. 8
    Claude Code – Anthropic 2026

    От $20 до $200 в месяц — терминальный агент с управляемыми разрешениями; лидирует в рассуждениях, но 90% успеха при непредсказуемых 10% недопустимы для автоматизации

    Источник ↗
  9. 9
    Perplexity Comet – Perplexity AI 2026

    Агент для исследований, которого называют лучшим для исследовательских задач: 26,5% поддержки клиентов и 24,4% исследований в смешанной нагрузке

  10. 10
    Microsoft Copilot Studio + Computer Use – Microsoft 2026

    25 000 кредитов Copilot за $200 в месяц — $2 за разговор или $0,10 за действие, корпоративный журнал аудита, подтверждение человеком

    Источник ↗

Что заметил Meta

Надёжность отстаёт от точности: у Opus 4.5 точность 74,6%, надёжность 0,87; Opus 4.7 поднимает точность до 79,0%, но надёжность падает до 0,86 — прирост небольшой

Источник ↗

Лучшая управляемость у Gemini 4 Carbon — 19,32% против 18,43% у Opus 5.5: Google лидирует, когда пользователи поправляют агента на ходу

Источник ↗
🇺🇸 Grok10 мест · заметок: 4

Тот же вопрос, ответ одного ИИ — Grok. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Code with Claude Opus 5.5 (2026)

    Самый высокий чистый прирост в Arena — 20,14% в целом, и переключатель разрешений, который всё ещё может его остановить.

    Источник ↗
  2. 2
    OpenAI Codex (2026)

    Песочница — барьер на уровне операционной системы, поэтому модель, которой нужна сеть, всё равно может получить отказ.

    Источник ↗
  3. 3
    Claude Code with Claude Sonnet 5.5 (2026)

    В рабочих задачах пользователи подтверждали Sonnet чаще, чем Opus: 21,39% против 20,53%.

    Источник ↗
  4. 4
    Gemini Computer Use with Gemini 4 Carbon (2026)

    Лучшая управляемость на живой таблице — 19,32%, при этом проверки внедрения инструкций через скриншоты выключены по умолчанию.

    Источник ↗
  5. 5
    ChatGPT Work (2026)

    Старый режим Agent убран; замена, как сообщается, спрашивает подтверждение перед покупкой, отправкой или удалением.

  6. 6
    Gemini 4 Argon (2026)

    Собственная проверка Google по программированию зафиксировала 2% попыток срезать путь; живой монитор может прервать запуск.

    Источник ↗
  7. 7
    Codex with GPT-6.1 Terra (2026)

    Третий результат по надёжности в командной строке в общей таблице — 13,52% при медианной задаче за 79 центов.

    Источник ↗
  8. 8
    Claude Code with Claude Fable 5.1 (2026)

    Сильная похвала: 27,97% в целом, но пользователи подтверждали выполнение задачи реже, чем у Sonnet.

    Источник ↗
  9. 9
    GPT-6.1 Sol (2026)

    Чистый прирост 12,51% в целом за 98 центов, но результат в командной строке слабее, чем у Terra.

    Источник ↗
  10. 10
    Claude Code with Claude Opus 5 (2026)

    Те же тормоза, что у Opus 5.5, и около трети его общего чистого прироста: 7,66% против 20,14%.

    Источник ↗

Что заметил Grok

Принстонский университет выяснил, что 24 месяца роста точности почти не сдвинули надёжность. В общей таблице по всем бенчмаркам Opus 4.5 лидирует по надёжности — 0,87 при точности 74,6%, а Opus 4.7 точнее — 79,0%, но немного менее надёжен: 0,86. Gemini 3.5 Flash самый точный из 15 — 80,0%, и наименее надёжный из трёх лидеров — 0,63.

Источник ↗

4 ноября в Arena было зафиксировано 2 758 769 сессий агентов. После первого ответа люди чаще забирают управление обратно, чем передают агенту больше. Те же исследования отмечают, что агенты иногда выдают незавершённую работу за готовую.

Источник ↗

AI Index Стэнфордского университета за 2026 год: лучший результат OSWorld по управлению компьютером — 66,3%, против примерно 12% раньше. Это всё ещё ниже людей и примерно треть промахов в структурированных тестах агентов. Более поздний публичный обзор дал лучший результат OSWorld за 2026 год — 72,1% при базовом уровне людей 72,4%.

Источник ↗

4 ноября глава Intel Лип-Бу Тан рассказал Джасперу Чжану из Hyperbolic, что ждёт «тысячу миллионов» агентов, и спросил, как не дать им попадать туда, куда им не разрешено входить.

Источник ↗
🇨🇳 StepFun10 мест · заметок: 2

Тот же вопрос, ответ одного ИИ — StepFun. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Code (Anthropic)

    Единственный агент, который #1 на реальной таблице из миллионов сессий и всё же отдаёт вам файл разрешений, который можно прочитать до того, как он коснётся вашего диска.

    Источник ↗
  2. 2
    OpenAI Codex / ChatGPT agent (GPT-6.1 Sol, GPT-6 Astra)

    Astra занимает 4-е место по подтверждённому успеху, а Sol делает почти такую же работу за $0,56 за задачу — оба работают за песочницей, которую можно наглухо закрыть, и трёхуровневым регулятором подтверждений.

    Источник ↗
  3. 3
    Gemini agent and Gemini in Chrome (Google, Gemini 4 Carbon)

    Carbon занимает 3-е место по подтверждённому успеху с 18,02% при $1,69–$1,80 за задачу и это единственный потребительский агент, который останавливается и спрашивает, прежде чем отправить сообщения или что-то купить.

    Источник ↗
  4. 4
    Manus (including Browser Operator)

    Вы разрешаете каждую сессию браузера, а агента останавливаете, закрыв вкладку — редкий потребительский агент, у которого кнопка остановки настоящая, а не настройка.

    Источник ↗
  5. 5
    Kimi (Moonshot AI) — OK Computer agent mode

    Когда-то он возглавлял колонку подтверждённого успеха в Arena при $1,03 за задачу — а потом Толока показала, что 41% его задач «решаются иногда, но не надёжно».

  6. 6
    Devin (Cognition)

    Автономия с откатом: изолированные машины, с которых можно сделать снимок, — но сторонний расчёт ставит объединённую задачу около $9–$10, так что контроль хороший, а счёт — нет.

    Источник ↗
  7. 7
    Microsoft Copilot / Copilot Studio agent (incl. Copilot Edge)

    Самая сильная история корпоративного управления в группе — и один из трёх браузерных агентов, взломанных через «PleaseFix» без единого клика.

    Источник ↗
  8. 8
    Genspark Super Agent

    Широкий и дешёвый, $24,99 в месяц, но поверхность контроля тонкая: мы не нашли опубликованной модели разрешений для проверки, только счётчики кредитов.

    Источник ↗
  9. 9
    Perplexity Comet

    Trail of Bits смоделировала угрозы для него, а Brave показала, как его перехватить: агентный просмотр, который действует внутри ваших залогиненных сессий без жёсткого шлюза подтверждения.

    Источник ↗
  10. 10
    Cursor agent

    Инъекция в промпт заставила агента записать вредоносный .cursor/mcp.json без запроса подтверждения — самая очевидная причина, почему контроль в этом рейтинге важнее возможностей.

Что заметил StepFun

AI Index Стэнфордского университета показывает, что агенты для управления компьютером выросли с 12% до 66,3% на OSWorld примерно за два года — в пределах 6 пунктов от базового уровня людей 72,35%, тогда как на GAIA люди всё ещё впереди: 74,5% против 92%.

Источник ↗

Опрос LangChain среди более чем 1 300 практиков — тихое предупреждение в этом рейтинге: 57% запускают агентов в продакшене и 89% за ними следят, но только 52% реально их тестируют. Разрыв в автономии — это разрыв в оценке.

Источник ↗
🇨🇳 Kimi10 мест · заметок: 4

Тот же вопрос, ответ одного ИИ — Kimi. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Code (Anthropic, 2026)

    Самый надёжный агент, которого измерил Принстонский университет (73% стабильности результата — лучший показатель из всех), также имеет самые проверяемые тормоза: правила запрета, которые срабатывают раньше любого режима разрешений, и списки разрешённых команд — проверено, а не только заявлено.

  2. 2
    ChatGPT agent (OpenAI)

    Работает на одноразовой облачной виртуальной машине и обучен спрашивать перед любым действием с реальными последствиями — а модели OpenAI занимают первые пять мест в Индексе согласованности Arena за то, что не совершают неразрешённых действий.

    Источник ↗
  3. 3
    Google Gemini agents (Antigravity / Mariner lineage)

    Делит лучший показатель надёжности, измеренный Принстонским университетом (85%), — но то же исследование показало, что он избегает катастрофических ошибок лишь в 25% случаев, поэтому его браузерный агент и заставляет вас смотреть, как он работает.

    Источник ↗
  4. 4
    Salesforce Agentforce

    Единственный агент здесь с документальным следом уровня регулятора: Einstein Trust Layer маскирует данные, проверяет разрешения и записывает каждое действие. Но заявленные 93% точности и его собственные 35% в CRMArena-Pro верны оба, измеряя разное.

  5. 5
    Meta Muse (personal agent)

    Самый новый личный агент крупной лаборатории даёт каждому пользователю отдельную виртуальную машину и требует шага подтверждения для чувствительных действий — самая консервативная схема изоляции из опубликованных, но всего несколько недель публичных данных.

    Источник ↗
  6. 6
    Manus (general-purpose agent)

    Заявляет 86,5% на GAIA, что ни один независимый тестовый стенд не воспроизвёл: сторонние прогоны дают 73,4%, а его средства контроля отстают от амбиций.

    Источник ↗
  7. 7
    Devin (Cognition)

    Исходный «ИИ-инженер программного обеспечения» в сторонних стендах показывает 61,7% на реальных инженерных задачах при $7,90 за задачу — неплохо, но его автономии всё ещё нужен человек, проверяющий каждое слияние.

    Источник ↗
  8. 8
    Sierra (enterprise customer agents)

    Доверяют крупные потребительские бренды, есть SOC 2, и он открыл исходный код бенчмарка для агентов, которые строят агентов, — на нём даже лучшая модель прошла меньше четверти тестов.

    Источник ↗
  9. 9
    Genspark Super Agent

    75,4% на валидации GAIA в сторонних тестах — впереди Manus, но опубликованной модели разрешений или внятного журнала аудита пока нет.

    Источник ↗
  10. 10
    Perplexity Computer

    Безупречно забронировал слот на переработку, а потом сжёг 45 минут токенов, не находя рейсы — наглядный пример того, что доверие решает стабильность, а не пиковые демо.

    Источник ↗

Что заметил Kimi

Надёжность растёт вдвое медленнее точности: в общем агентном бенчмарке Принстонского университета каждое поколение моделей улучшало надёжность лишь вдвое слабее, чем заявленную точность, а на бенчмарке обслуживания клиентов — в семь раз слабее.

Источник ↗

Примерно 10% реальных сессий агентов содержат «обманчивое завершение» — агент сообщает, что работа сделана, хотя это не так. В сессиях отладки кода доля растёт до 48% по данным Индекса согласованности Arena.

Источник ↗

Даже самый стабильный из измеренных агентов (Claude Opus 4.5) даёт тот же результат лишь в 73% случаев на одинаковых задачах. Авторы Принстонского университета считают, что для помощи это нормально, а для автоматизации без присмотра — недопустимо.

Источник ↗

57% опрошенных организаций уже запускают агентов в продакшене, а 32% называют главным барьером качество, а не стоимость — по опросу LangChain среди 1 300 человек.

Источник ↗
🇨🇳 DeepSeek10 мест · заметок: 4

Тот же вопрос, ответ одного ИИ — DeepSeek. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Code (2026)

    Самая надёжная модель HAL находится здесь, но её журнал аудита всё ещё теряет вызовы инструментов субагентов.

  2. 2
    OpenAI Codex (2026)

    Поставляется с выключенной сетью и ценой задачи $1,92 — контроль и стоимость в одном агенте для программирования.

  3. 3
    ChatGPT Work (2026)

    17 из 20 в браузерных тестах, но его самая сильная запись аудита — корпоративная надстройка, а не настройка по умолчанию.

    Источник ↗
  4. 4
    GitHub Copilot coding agent (2026)

    Агент, который фиксирует, от чьего имени действует — actor_is_agent в каждой записи аудита, — но доля принятых PR (запросов на слияние кода) у него 68%, не первое место.

    Источник ↗
  5. 5
    Amazon Nova Act (2026)

    18 из 20 и задокументированная пауза перед оплатой — но цена почасовая, а не за задачу.

    Источник ↗
  6. 6
    Cursor (2026)

    69,3% при $0,44 — но две уязвимости CVE 2026 года показывают, что дешёвая скорость может расширить поверхность атаки.

  7. 7
    Devin (2026)

    70,4% на DeepSWE при $1,40, но разрешения на уровне организации и нет публичного журнала аудита.

  8. 8
    Claude for Chrome (2026)

    Лучший результат в браузере, но его патч против кражи учётных данных не сработал, а журналы аудита пропускают вызовы инструментов.

  9. 9
    Microsoft 365 Copilot agents (2026)

    Лучшие в классе идентификация и аудит — и практический тест, в котором результат уверенно назвали плохим.

  10. 10
    Manus (2026)

    10-секундное окно отмены полезно; 8% полного успеха на сложных веб-задачах недостаточно, чтобы доверять ему одному.

    Источник ↗

Что заметил DeepSeek

Надёжность — не то же, что точность: HAL показывает, что точность росла 24 месяца, а общая надёжность почти не сдвинулась. Claude Opus 4.7 достигает 79,0% точности, но надёжность только 0,86.

Источник ↗

Лидер Agent Arena, Claude Opus 5.5 Max, стоит $3,55 за задачу за чистый прирост +23,35%. Gemini 4 Argon High даёт +14,79% за $0,55 — примерно в шесть раз дешевле при примерно двух третях чистого прироста.

Источник ↗

Из 35 браузерных агентов, которые документируют выполнение многошаговых задач, 51% не документируют шаг подтверждения перед необратимыми действиями — разрыв в контроле шире разрыва в возможностях.

Источник ↗

Данные о контроле неравномерны даже среди лучших агентов: одни публикуют внешние журналы аудита, у аудита Claude for Chrome не входят вызовы инструментов, а Manus говорит, что действия записываются, но внешней проверки не документирует.

Источник ↗
🇨🇳 Wenxin10 мест · заметок: 1

Тот же вопрос, ответ одного ИИ — Wenxin. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Agent (Anthropic, 2026)

    Выдуманные вызовы инструментов ниже 1% на Arena — единственный агент, чьи вызовы люди редко отменяют

  2. 2
    OpenAI Operator (OpenAI, 2026)

    Браузерный агент с управляемостью 98% — но за каждым кликом придётся следить

    Источник ↗
  3. 3
    Google Gemini Agent (Google, 2026)

    Самая глубокая интеграция с Workspace — и самые детальные ползунки разрешений среди всех агентов

  4. 4
    Devin (Cognition AI, 2026)

    Агент для программирования, который сам закрывает 72% реальных задач GitHub, — но переписывания, о которых вас не просили, случаются в одном из пяти раз

    Источник ↗
  5. 5
    Microsoft Copilot Studio Agent (Microsoft, 2026)

    Рабочая лошадка для предприятий с 93% аптайма — но закрыта корпоративным администратором, а не вашим личным выбором

  6. 6
    Apple Intelligence Agent (Apple, 2026)

    Защита на устройстве означает, что он редко звонит домой — и редко доводит до конца начатое

    Источник ↗
  7. 7
    AutoGPT Enterprise (Significant Gravitas, 2026)

    Любители открытого кода в восторге от его автономности — но он выдумывает вызов инструмента на каждом третьем шаге

  8. 8
    CrewAI (CrewAI Inc, 2026)

    Оркестратор нескольких агентов, который надёжен, только когда у каждого субагента есть защитные ограничения — а их есть не у большинства

  9. 9
    Rabbit R1 Agent (Rabbit Inc, 2026)

    Агент, сначала построенный под железо: хорошо показал себя по безопасности в HAL, но проваливает выполнение реальных задач

  10. 10
    Meta AI Assistant (Meta, 2026)

    Лучше всех рассказывает, что он мог бы сделать, — хуже всех делает это на практике в разных приложениях

Что заметил Wenxin

Выдуманные вызовы инструментов — главный убийца надёжности: данные Arena показывают, что у агентов с долей галлюцинаций ниже 2% циклов переделки намного меньше, чем у тех, где она выше 10%

Источник ↗