StateM поднимает AI-агентов до 95,3% на Terminal-Bench без смены модели
StateM поднимает AI-агентов до 95,3% на Terminal-Bench без смены модели StateM — новый agent-native runtime (среда выполнения для AI-агентов — систем, которые сами планируют и выполняют длинные цепочки действий). На бенчмарке Terminal-Bench 2.1 он доводит GPT-5.6 Sol xhigh до 95,3% raw accuracy, покрывая все 89 задач. Вместо дообучения модели StateM добавляет durable states (устойчивые состояния), recoverable runbooks (восстанавливаемые сценарии) и checked transitions. Те же правила поднимают GPT-5.5 с 83,1% до 92,1%, а с DeepSeek-V4 Flash дают почти frontier-результат за ~$15. Узкое место часто в harness (обвязке исполнения), а не в весах модели... Код и runbooks открыты... Источники: https://arxiv.org/abs/2608.15089 https://henryqin1997.github.io/statem/ https://github.com/henryqin1997/statem #AI #Agents #StateM #HarnessScaling #TerminalBench #OpenSource