Таблица Agentic LLM Benchmark July 2026 Самые интересные модели для агентных задач в бизнесе - подсвечены в таблице и на Pareto графиках. Но если кратко. Современные AI агенты для бизнес задач - это обычно пайплайны из блоков (router, policy check, tool writer, verifier итп), которые работают в цикле. И поскольку в долгих циклах набегают ошибки и мусор в контексте, то надежность агента обычно упирается в самое слабое звено. И этот бенчмарк смотрит - какие LLM работают лучше всего в моменты, когда лучшие агенты спотыкаются. Для этого мы брали топовые архитектуры BitGN, запускали их на сложных задачах и смотрели места, где у них в agentic loop под нагрузкой замыливается контекст, возникают ошибки и уязвимости. А потом эти моменты вопроизвели под разными моделями и собрали в таблице. В теории этот бенчмарк никогда не должен достигнуть точки saturation, т.к. болячки архитектур на бизнес задачах не кончаются, да и нет таких моделей, чтобы сразу были точными, быстрыми и недорогими. Полный отчет за июль 2026 опубликуем на сайте COLIBRIX ONE. Как выйдет - напишу тут. Ваш, @llm_under_hood 🤗

Ваши SKILLS — новое золото 💸 И я не про мясные скиллы (которые тоже важны). Если вы не поняли, о чём речь, краткая справка. SKILL — это запакованный в текстовый файлик/и опыт, который ЛЛМКА призывает, когда этот опыт потребуется. Написать идеальный промт для Seedance 2, отредактировать текст в определённом tone of voice, создать презентацию по определённому шаблону и т. д. Можно скачать тысячи скиллов под самые разные нужды. НО. Самый важный актив сейчас — это ваш персональный зоопарк из ваших скиллов. Чужие норм для базовых задач, но ценность кратно повышается, когда вы запаковываете конкретно ВАШИ процессы и опыт. ВАЖНО — не консервируете, а прокачиваете их по мере использования. Скилл — это ваш покемон, которого вы растите, и он начинает выигрывать (вам много времени). Ещё два момента, почему, собственно, решил про них написать. 1) Они появились в GPT Work, так что, если вы не Claude-юзер, для вас это будет открытие. А если юзер, можете их легко перенести в GPT. 2) Модели-марафонцы. Скиллы начинают играть по-новому во флагманских моделях, где вы можете простроить целую цепочку из своих скиллов-агентов-покемонов для решения любых задач (на которые хватит токенов). Сам угорел и вам советую. 🔥

Токен ↔ Человек: параллели между работой ИИ-агентов и людей 1. «Токенмаксинг» (tokenmaxxing) — это попытка решить проблему простым наращиванием объёмов и заваливанием задачи ресурсами. Но реальная проблема заключалась вовсе не в количестве потраченных токенов.

Сотрудники тратят так много токенов, потому что не умеют ими пользоваться

Лишь 1/100 сотрудников знает, как обеспечить ИИ необходимым контекстом. Редко встретишь того, кто способен чётко описать процесс и обладающего терпением, чтобы разобраться в контексте (и понимающего, что это значит). Всё это – следствие неспособности людей изначально правильно понять задачу. В итоге, мы тратим токены на то, чтобы тратить токены. 3. Бесполезная трата токенов – это новый раздутый штат в эпоху ИИ Подавляющее большинство сотрудников вообще не оказывают существенного влияния на бизнес, они лишь винтики в механизме: штампуют согласования на каждом уровне и нанимают новых винтиков, чтобы поддерживать работу машины, существующей ради самого существования. 80% сотрудников ничего не делают = 80% токенов расходуются впустую.

Люди плодят новых людей. Токены плодят новые токены. Живые люди тоже ходят по кругу.

4. Токены с эффективностью «х100» – это новые сотрудники уровня «х10» Главное обещание ПО состояло в том, что мы создадим его один раз, будем запускать вечно с минимальными затратами и нам никогда не придется его контролировать. ИИ нарушил это обещание. Как только ИИ-ПО научилось выполнять задачи, оно перестало делать что-либо с предсказуемым результатом. Токены ведут себя как рабочая сила, стоит начать воспринимать их как сотрудников, но все радужные ожидания рушатся: – Токены точнее людей, но только при правильном промпте. – Токены быстрее людей, но скорость теряет смысл, если приходится повторять попытку 100 раз. – Токены не участвуют в корпоративных войнах за бюджет, но они выстраивают империи, пожирающие бюджеты на токены. – Токенам можно доверять, но они могут с уверенным видом выдавать неверный результат, идеально соблюдая при этом форматирование. Единственная сфера, где ИИ действительно превосходит людей — это масштабируемость Масштабирование человеческих ресурсов требует огромных затрат энергии на найм, адаптацию и борьбу с текучестью кадров. Масштабирование же токенов происходит мгновенно. Именно поэтому ошибки в управлении ими обходятся так дорого, и именно поэтому нужно найти и масштабировать токен со стократной отдачей.

Сотрудники уровня х10 создали компании прошлой эпохи Токены уровня х100 создадут компании будущего

Подобно тому, как горстка сотрудников может поднять продуктивность остальных в 10 раз, определённый объём контекста, переданный токенам, способен на порядки сократить усилия, затрачиваемые ИИ на выполнение задач. 5. Накопление такого контекста — новая тактика сохранения рабочего места. И внутри компаний, внедряющих ИИ, назревает серьёзная проблема. Сотрудники не хотят обучать ИИ-системы своим уникальным профессиональным секретам, потому что на протяжении веков владение уникальными профессиональными знаниями служило гарантией занятости. ИИ — это первая технология, требующая от работников разом передать все эти знания. И у владельцев знаний-токенов, способных обеспечить рост х100, меньше всего стимулов с ними расставаться. Поэтому средневековые гильдии держали свои методы в секрете. 6. Оценка результатов ИИ – новые OKR Лучший способ управления рабочей силой, использующей ИИ-инструменты, ничем не отличается от управления обычными сотрудниками – нужно чётко определить, что именно считается качественным результатом. Пора провести ревизию в масштабах компании и продукта и выявить х100 токенов и инструментов, закрепить работающие процессы и направить в нужное русло интеллектуальный потенциал, который сейчас расходуется впустую в огромных масштабах. Люди управляют ИИ, ИИ управляет людьми. Но кто-то всё равно должен говорить и тем, и другим, что именно нужно делать.

У меня вчера была запись на подачу документов на визу. И я, конечно же, вконец обнаглела, просто закинула все скриншоты паспортов и прочих документов в chatgpt codex, попросила найти и заполнить анкеты, подготовить папку с документами к печати. Написать список, чего не хватает. Если нужны справки, составить их темплейты, чтобы потом только подписать. Все сделал, я только распечатала, проверила бегло и расписалась. Документы приняли. Задумалась, что сервисы по обработке документов на визу должны именно так их и принимать. Ведь сейчас столько ненужной бюрократии в процессе. Сбросил все скриншоты, фото и документы, их агент разобрался, собрал папку, вернул список чего не хватает. А человек только проверяет и подписывает. @wealldesigners

🐋Microsoft натравила 100 ИИ-агентов на поиски уязвимостей Windows Microsoft перевела аудит безопасности ОС на автопилот. Компания запустила MDASH - конвейер из более чем сотни ИИ-агентов. Они работают как полноценная команда: одни ищут уязвимости, вторые выступают критиками и пытаются доказать, что баг недостижим, а третьи собирают рабочий PoC в изолированной песочнице. Инженеры получают алерт только тогда, когда баг реально воспроизвелся.

🟦Агенты уже вытащили 16 серьезных уязвимостей. Из них 4 критические (удаленное выполнение кода), включая тяжелые дыры в драйвере tcpip.sys и службе IKEEXT без нужды в авторизации. 🟦ИИ находит сложные логические дефекты (вроде Use-After-Free и Double Free), цепочки которых размазаны по разным подсистемам. Классические статические анализаторы такое в упор не видят. 🟦На закрытом тесте с умышленно дырявым кодом агенты нашли 21 баг из 21 возможных. Без ложных срабатываний.

ИИ пока не выпускает патчи сам, финальное решение за людьми. Но скорость поиска уязвимостей выросла кратно. 🦔 CyberYozh

Короче, у нас за более чем десятилетнюю карьеру клоунов в интернете сохранилось примерно сотня сценариев с ютуба, а так же больше тысячи рекламных постов в телеге. Эксперты в каментах, ставлю вам амбициозную задачу — спрогнозировать, че будет, если мы возьмем какую-нибудь тупую модельку и сделаем на ее основе цифровой слепок сознания ехтримсоде. Ведь всегда приятно поболтать с кем-то таким же умным как ты. Че как лучше к решению задачки подойти, какую модельку брать за базовую, как подготовить данные (тупо простыню текста скидывать или мутить чето типа [инструкция -> вывод])? Я заколебался писать рекламу руками, хочу чтобы за меня делал это нейроехтримкод. А обычные модели не могут в достаточной степени подражать нашему стилю писанины.

У AI-ассистента есть две проблемы... Если вы пытаетесь хотя бы что-нибудь делегировать AI-ассистенту, то, скорее всего, сталкиваетесь с двумя проблемами: интеграцией и контекстом. Начну с более простой — с интеграции. AI-ассистент не может быть полезен, если у него нет возможности хотя бы прочитать что-то из тех систем, с которыми вы работаете. А на самом деле у ассистента должна быть возможность выполнять там разные действия. Инструментов в жизни продакт-менеджера огромное множество: задачи в одном месте, эксперименты в другом, длинные документы PRD в третьем, транскрипты звонков в четвёртом. Поэтому интеграций нужно много, и рынок, честно говоря, не успевает за растущими потребностями. На помощь нам приходит вайб-кодинг. К счастью, AI-ассистент вполне способен написать себе MCP для нужного сервиса, если у него есть доступ к API. За последнее время только для личных целей я написал себе MCP для Telegram, Gmail и календаря. Технически подкованный продакт сразу замечает: MCP — это, по сути, просто API. Но я заметил одно тонкое различие. Давайте покажу на примере. Если запросить у Gmail одно письмо, то список меток этого письма в сыром виде будет выглядеть вот так:

"labelIds": [
  "IMPORTANT",
  "Label_4579329675731606337",
  "CATEGORY_UPDATES",
  "INBOX"
]

Можно заметить, что системные лейблы прекрасно понятны, потому что у них говорящие ID. А вот мой личный лейбл показывается в ответе как Label_4579329675731606337. Чтобы увидеть читаемое название этого лейбла, нужно сделать ещё один отдельный запрос к API и посмотреть, какому лейблу соответствует этот ID. Для стандартного API это вполне рабочая схема. Нужны дополнительные данные — делаем ещё один запрос. Но для AI-агента это лишний шаг, дополнительная задержка, лишняя трата токенов и засорение контекста на ровном месте. Понятно, что сырые ID ему совершенно не нужны: их нужно сразу расшифровать. Поэтому для того, чтобы из API сделать хороший MCP, его нужно доработать напильником: выкинуть из ответа весь ненужный технический мусор и сразу дать расшифровку всех полей в человекочитаемом виде. Агент читает этот ответ по смыслу — технические идентификаторы сами по себе ему ничего не говорят.

"labels": [
  { "name": "IMPORTANT" },
  { "name": "AMS/Schools" },
  { "name": "CATEGORY_UPDATES" },
  { "name": "INBOX" }
]

И вот в 21-м веке мы подстраиваем сайты под поисковики, соцсети — под алгоритмы, API — под AI-агентов, а себя под требования постоянно меняющегося рынка. А куда деваться? Андрей Менде, PM ML Booking .com, автор симуляторов Claude code AI для продакта, ЛЛМ для продакта, ML для продакта, и др.

47 маркетинговых навыков для AI-агентов 🔹 coreyhaines31/marketingskills ⭐ 38587 звёзд · JavaScript Набор Agent Skills для Claude Code, Codex, Cursor и Windsurf, покрывающий CRO, копирайтинг, SEO, аналитику и growth-инжиниринг. Всё лежит в 47 markdown-файлах, связанных перекрёстными ссылками: copywriting тянет за собой cro и ab-testing, revops — sales-enablement и cold-email. В основе иерархии — навык product-marketing, к которому обращаются остальные. Ставится через npx CLI, плагин Claude Code, клонирование, git submodule или SkillKit для мультиагентных сценариев. В версии 2.0 переименовано 17 навыков, а page-cro и form-cro склеены в общий cro. При апгрейде с v1.x старые папки не удаляются автоматически — придётся чистить руками. репозиторий Полезная Репа 📈

Португальские слова в меня входят с трудом - чтоб их в себя запихнуть, сегодня прям во время трехчасового урока я запилила себе приложение. Попробую с ним решить свою боль - заучивать именно то, что проходим с учителем, а не то, что подкидывает бразильская сова из Дуолинго. Как работает: 1. Прошли урок 2. Я сфотографировала телефоном страницу учебника 3. Он сам вытащил оттуда новые слова и глаголы, закинул в мой словарик 4. Придумал для меня по ним упражнения. 5. Раз в день в ТГ шлет мне напоминалку «иди поучи язык». 6. Подкидывает мне ровно то, что мы проходили и упражнения на моем уровне сложности. Вуаля! У меня появился личный карманный тренер, который знает чему именно сейчас меня надо учить. И копит мои косяки, подкидывая мне их до тех пор, пока не увидит, что выучу. Задача решена - такого функционала, особенно до португальского, я нигде не встречала. И даже если б он был - это была б платная подписка. А так - все внутри моей базовой. Я, конечно, буду еще тестировать и допиливать. Но даже в таком виде - уже то, чего мне очень не хватало. Как сделала? 🚀 в Клоде у меня настроена система анализа - получая задание на рисеч он запускает кучу субагентов, смотрит все аналоги, а также все, что пишут про плюсы и минусы похожих приложений во всех известных соцсетях 🚀 порисечил - исходя из моего запроса и сбора идей предложил конфигурацию и план сборки моего приложения (я сидела на уроке, напомню, поэтому почти не вчитываясь ткнула «окей») 🚀 дальше примерно час он фурычил (модель Fable, использую на максималках пока открыта). Потом сам себя проверил через Codex. 🚀 и в финале дал мне ссылку на моего личного ИИ-тренера по португальскому. Я уже второй раз такой фокус проворачиваю за неделю. В первый - построила себе умный транскрибатор. И теперь вопрос - какова судьба всех приложений, которые выложены в AppStore, если полный чайник может теперь за пару часов полностью их скопировать, дотюнив под себя? Будущее наступило)) С вами был ваш карманный Ии-популяризатор. Ухожу учить глаголы и предлоги… Любовь на удаленке | Оля Сохнева #ии_наудаленке

Ключевое за 3 дня ⚡ Главное • OpenAI запустила ChatGPT Work — Агент для действий на ПК и телефоне на базе GPT-5.6. • Grok 4.5 от SpaceXAI — Opus-уровень по цене $2/$6 за миллион токенов — Модель после IPO и покупки Cursor, дешевле Claude Opus 4.8 и OpenAI Sol. 📈 Рост и Оптимизация • Samsung: рост прибыли в 19 раз за счёт чипов памяти для ИИ — 19-кратный рост прибыли благодаря спросу на AI-чипы. • Как Atlan превратил 52 страницы в 35% доли AI-цитирований — 52 страницы ответов на вопросы дали 35% AI-цитирований. • Accenture: управление маркетингом с 14 AI-агентами — Сокращение ручных шагов на 55%. • Deloitte: AI-автоматизация ITSM и HR для 250 000 сотрудников — Рост продуктивности до 60%. • KPMG US: платформа WRITER для исследований и контента — Экономия 60-80% времени. • EY: автоматическая сверка платежей в SAP — Доля автоматизации выросла с 30% до 80%. • Модели с открытым весом достигли 29% использования AI Gateway — 29% объёма токенов, но менее 4% расходов в июне. 🤖 Промпты и Практика • От инженерии промптов к инженерии намерений — Описывайте желаемый результат, а не способ выполнения. 🛠 Инструменты • Dreamina — AI-платформа для создания изображений и видео. • Claude Code на десктопе получил встроенный браузер — Может читать, кликать и взаимодействовать с сайтами. • Waze получает новые AI-функции — Персонализированные маршруты, поиск Gemini, голосовые отчёты. • Вышла публичная бета iOS 27 с Siri AI — Публичная бета iOS 27 с Siri AI, требуется iPhone 15 Pro+. • ByteDance запускает Seedream 5.0 Pro — Улучшенный рендеринг текста, макета, многоязычность, редактирование. • Anthropic запускает reflect — Wrapped-дашборд для Claude — Дашборд показывает, как вы используете Claude, и предлагает подсказки. • Домашние роботы уже ходят. Новые руки 1X — Руки робота 1X имеют 25 обратимых суставов и сенсорную кожу.

Target Global вновь инвестировал в американский ИИ-стартап Alta. Раунд А на $25 млн возглавил IN Venture при участии Mindset Ventures, Skywell Capital, LeumiTech77, Entrée Capital, Verissimo Ventures и нескольких бизнес-ангелов. Alta был основан в 2023 году. Стартап занимается развитием решений для работы с персоналом в сфере искусственного интеллекта. Он разработал большую языковую модель [LLM] для продаж и обучил своих виртуальных ИИ-агентов выполнять различные задачи. По собственным данным компании, это помогает бизнесу автоматизировать рутинные задачи, позволяя сотрудникам сосредоточиться на принятии стратегических решений и развитии коммуникации с клиентами. ИИ-помощники интегрируются с более чем 50 внутренними и внешними системами продаж и маркетинга, включая CRM, ERP и соцсети. В 2025 году Target Global совместно с Entrée Capital возглавил посевной раунд американского ИИ-стартапа на $7 млн. Target Global в 2012 году основали Михаил Лобанов и Александр Фролов. Он инвестирует в стартапы из разных сфер экономики, которые готовы к масштабированию. Всего в свои фонды Target Global привлек около $3,2 млрд и вложился в более чем 40 компаний, среди которых Delivery Hero, Auto1, Dreamlines, Prosper, Juno, Lemoncat, Blackmoon, DocPlanner, WeFox и т.д. @rusven

Спроектировали для одной AI компании (между прочим торгуется на NASDAQ) умный слой поверх Паблоры. Цель - обязательное применения гардрейлов (корпоративных ограничений) при постинге сотрудников в LinkedIn. Входящим окном публикации является корпоративный клод, к которому подключается кастомный скилл. Так же каждому члену команды выдается персональный аккаунт Паблоры из корпоративного воркспейса. Сотрудник создаёт пост с помощью клода, но как только он говорит - публикуем, запускается наш скилл. Он отправляет текст поста в систему гардрейлов (которую мы тоже реализуем) где в несколько итераций проходят проверки поста на предмет разглашения информации и нарушения договоренностей с заказчиками. В случае сомнений система отправляет пост на ручную модерацию в ПиаР отдел. Каждая ручная модерация дообучает систему гардрейлов. Если же сомнений нет - происходит либо публикация либро прямой отказ с обьяснением и предложением доработок. Из приятных бонусов при подключении Паблоры так же можно создавать различные дашборды по прогрессу коллег в LinkedIn. Сергей Булаев AI 🤖 - об AI и не только

«Про то, как я оцифровал себя без ИИ, чтобы стать видеоблогером» Задача звучит как реклама нейросетей: не люблю камеру, нет времени на съёмку и монтаж, но хочу вести видеоблог. Автор пошёл ровно наоборот и генерацию через ИИ отверг сразу — крипово, ненадёжно и неуважительно к зрителю. Вместо этого сел писать кастомный движок на JavaScript поверх After Effects, который из текстового сценария с тегами собирает вертикальное видео с его аватаром, липсинком под буквы и слайдами. Первый прототип показал жене. Она посмотрела и сказала, что технологично, но персонаж крайне кринжовый и будет пугать зрителя. Аватар слишком глубоко провалился в зловещую долину. «То есть, это будто бы ты, но ненастоящий». Посмотрим, каким одним приёмом он вытащил себя из долины и во что это вылилось по просмотрам.

2026: 99% общения в ТГ — с ИИ агентами Какой это топ, прокачать Hermes ещё GSD кодинг агентами, скиллами, петлями. Обязательно попробуйте! Hermes кодит в разы лучше. Завтра буду настраивать мета-промпты для /goal Из полезного что нашел, что может внедрить РМ — в этом посте 21 agent loops ideas you can run this week as a PM. ↓↓↓

/goal Harden a PRD until two engineers, reading independently, would build the same thing. Each pass: find the single biggest ambiguity (the spot two readers would resolve differently), resolve it by adding the missing acceptance criterion, number, or edge case, then re-read for the next-biggest gap. Cap at 5 passes. Flag anything that needs a product decision you haven't made. Checked by: an independent second model reads the PRD cold and finds no ambiguity that would split two builds.

Щас вижу что после выхода GPT-5.6 многие используют её как субагентов под управлением Fable 5 Fable планирует и назначает роли, а Codex выполняет, чтобы экономить токены Так что вот собрал самые удобные способы как юзать их в связке и в Claude Code и в Codex: 1/ Fable управляет GPT (в Claude Code) Через официальный OpenAI плагин:

/plugin marketplace add openai/codex-plugin-cc /plugin install codex@openai-codex /reload-plugins, затем /codex:setup

Или через простой алиас:

alias claudex=‘CLAUDE_CODE_SUBAGENT_MODEL=gpt-5.6-sol CLAUDE_CODE_ALWAYS_ENABLE_EFFORT=1 claude –model gpt-5.6-sol’

2/ GPT управляет Fable (в Codex) Устанавливаем опенсурсный плагин:

codex plugin marketplace add Cjbuilds/Codex-Orchestration codex plugin add codex-orchestration@codex-orchestration

И дальше примерно так назначаем роли:

@ codex-orchestration advisor: GPT-5.6 Sol Extra High, Executor: Claude Fable 5 High, Designer: Opus 4.8

В обоих случаях всё будет работать чисто на подписках, никаких API. @tips_ai #tools

Новая неделя, новый опыт! Я воспользовался доставкой от робота, вообще, в моем районе этих роботов теперь больше, чем курьеров. И это один из ключевых драйверов рост роботизации. И на самом деле он только будет усиливаться. Правда надо понимать, что роботы имеют свои слабости - только короткое плечо доставки (2км или около того), не могут работать в плохую погоду и нужны ровные дороги, нет доставки до двери. Вместе с тем, они могут покрыть ожидаемый рост количества заказов (сейчас в Москве делают 800К заказов в день, в 2030 ожидается дост в 2 раза до 1,5 млн заказов) Так что, ожидаю еще больше роботов, но как решить вопрос с доставкой до двери? Вы пользовались такой доставкой? давайте голосовать: вам понравилась такая доставка? 👍 - лайк 👎 - дислайк 🔥 - не пользовался Ваш @blackproduct