Anthropic: модель Claude Opus 4.7 в эксперименте Project Fetch управляла «робопсом» в десятки раз быстрее людей

Компания Anthropic обновила эксперимент Project Fetch, где сравнивается, как языковые модели и люди без опыта в робототехнике справляются с управлением «робопсом».

Первая фаза прошла в августе 2025 года. Сотрудников компании разделили на команды: одни работали с доступом к модели Claude Opus 4.1, другие обходились без неё. Участники решали практические задачи: подключались к сенсорам робота, управляли им через контроллер, писали программы для автономного движения и собирали систему отслеживания объекта. Команда с доступом к ИИ заметно быстрее продвигалась по заданиям и в целом работала эффективнее. При этом сама модель тогда не могла полностью автономно управлять роботом и спотыкалась на базовых инженерных шагах, например при подключении к системе управления.

Во второй фазе исследователи проверили более новую модель Claude Opus 4.7. Эксперимент проходил в режиме частичной автономии. Модель сама генерировала программные решения для управления роботом, а роль человека сводилась к нескольким действиям: подключить ноутбук, ввести стартовый запрос и подтверждать команды. В таком режиме Claude Opus 4.7 выполнял задачи как минимум в 10 раз быстрее любой команды людей из первой фазы. Если учитывать только те задачи, которые решали обе человеческие группы, ускорение превышало 37 раз по сравнению с командами без ИИ и более 18 раз по сравнению с командами, работавшими вместе с Claude.

Модель быстро определяла архитектуру решения для взаимодействия с сенсорами и чаще всего сразу выдавала рабочий код. Объём сгенерированных программ оказался почти в десять раз меньше, чем у команд из первой фазы, которые работали вместе с ИИ. Однако проблемы остаются. Система всё ещё не всегда точно управляет движением робота при выполнении задачи «fetch», возврате мяча в заданную зону. Иногда используются неоптимальные алгоритмы распознавания объектов, а траектория движения получается нестабильной.

В Anthropic считают, что рост эффективности связан прежде всего с общим масштабированием моделей, а не с отдельной оптимизацией под робототехнику. Исследователи указывают и на текущие ограничения. Современные модели пока не умеют стабильно реализовывать сложные замкнутые системы управления, где требуется постоянная корректировка действий на основе обратной связи от среды. Тем не менее результаты Project Fetch показывают ранний этап развития «агентного ИИ в физическом мире». Языковые модели начинают использовать аппаратные инструменты примерно так же, как раньше освоили программные среды.