Технічний контекст
Я зацікавився Schema Harness одразу з практичного боку: це не нова модель, а обгортка над frontier-моделями. І для мене це найцікавіше в контексті AI automation: приріст дає не магія у вагах, а те, як агент спостерігає, будує гіпотезу, перевіряє її та переплановує хід.
За заявою Impossible Research, зв'язка Claude Opus 4.8 + Fable 5 набрала 98.98% на ARC-AGI-3 Public. Резервний варіант на GPT-5.6 Sol показав 95.35%. Для порівняння: на старті ARC-AGI-3 сильні агентні системи коливалися близько 0.5%, а baseline-знімок Claude Code у них же дав 42.83%.
Я одразу пригальмував. Результат поки що self-reported, ARC Prize Foundation його незалежно не підтвердив, і йдеться лише про публічний набір із 25 завдань, не про приватну частину.
Але навіть із цим застереженням стрибок виглядає не косметичним, а архітектурним. Schema змушує модель поводитися не як балакучий оракул, а як упертий інженер: зібрати робочу модель середовища, прогнати передбачення через історію взаємодій, зловити неспівпадіння та переробити план. По суті, це дуже дисциплінований агентний цикл із програмною опорою на причинність.
Саме тому новину не можна зводити до чергової «нова SOTA-цифра». Якщо артефакти підтвердяться, ми бачимо сильний аргумент на користь того, що artificial intelligence implementation все частіше вирішується на рівні harness, а не лише вибором найдорожчої моделі.
Вплив на бізнес та автоматизацію
Для прикладних систем висновок простий: у складних workflow виграє не той, хто просто підключив LLM через API, а той, хто вбудував перевірку, пам'ять дій та перескладання плану. Я це постійно бачу в AI integration для клієнтських процесів: без верифікації агент файно говорить, але сиплеться на довгій задачі.
Виграють команди, які будують агентну AI architecture поверх моделей, а не моляться на один prompt. Програють ті, хто продає «розумного бота» без середовища, інструментів і циклу самоперевірки.
Є й неприємний момент: такі системи складніше відлагоджувати, дорожчі за токенами і потребують акуратного трейсингу. Але саме ці проблеми ми в Nahornyi AI Lab зазвичай і вирішуємо, коли збираємо AI solutions for business навколо реальних операцій, а не демо на сцені.
Якщо ваші процеси вже вперлися в багатокрокові перевірки, винятки та ручні переперевірки, це слушний момент перезібрати контур. У Nahornyi AI Lab ми можемо build AI automation під ваш workflow так, щоб агент не фантазував, а справді доводив задачу до результату.