Технический контекст
Я полез смотреть Schema Harness сразу с практической стороны: это не новая модель, а обвязка над frontier-моделями. И вот это для меня самое интересное в контексте AI automation: прирост приходит не из магии в весах, а из того, как агент наблюдает, строит гипотезу, проверяет ее и перепланирует ход.
По заявлению Impossible Research, связка Claude Opus 4.8 + Fable 5 набрала 98.98% на ARC-AGI-3 Public. Запасной вариант на GPT-5.6 Sol показал 95.35%. Для сравнения: на старте ARC-AGI-3 сильные агентные системы болтались около 0.5%, а baseline-снимок Claude Code у них же дал 42.83%.
Я тут сразу притормозил. Результат пока self-reported, ARC Prize Foundation его независимо не подтвердил, а речь вообще только о публичном наборе из 25 задач, не о приватной части.
Но даже с этой оговоркой скачок выглядит не косметическим, а архитектурным. Schema заставляет модель вести себя не как болтливый оракул, а как упрямый инженер: собрать рабочую модель среды, прогнать предсказание через историю взаимодействий, поймать несовпадение и переделать план. По сути, это очень дисциплинированный агентный цикл с программной опорой на причинность.
Именно поэтому новость нельзя сводить к очередному “новая SOTA-цифра”. Если артефакты подтвердятся, то мы видим сильный аргумент в пользу того, что artificial intelligence implementation все чаще решается на уровне harness, а не только выбором самой дорогой модели.
Влияние на бизнес и автоматизацию
Для прикладных систем вывод простой: в сложных workflow выигрывает не тот, кто просто подключил LLM по API, а тот, кто встроил проверку, память действий и пересборку плана. Я это вижу постоянно в AI integration для клиентских процессов: без верификации агент красиво говорит, но сыпется на длинной задаче.
Выиграют команды, которые строят агентную AI architecture поверх моделей, а не молятся на один prompt. Проиграют те, кто продает “умного бота” без среды, инструментов и цикла самопроверки.
Есть и неприятный момент: такие системы сложнее отлаживать, дороже по токенам и требуют аккуратного трейсинга. Но именно эти проблемы мы в Nahornyi AI Lab обычно и решаем, когда собираем AI solutions for business вокруг реальных операций, а не демо на сцене.
Если у вас процессы уже упираются в многошаговые проверки, исключения и ручные перепроверки, это хороший момент пересобрать контур. В Nahornyi AI Lab мы можем build AI automation под ваш workflow так, чтобы агент не фантазировал, а действительно доводил задачу до результата.