Trwałość celu

Cel trwały to nie długie polecenie

Większość codziennych zadań kończy się w jednej odpowiedzi: napisz tekst, popraw błąd, streść dokument. Inna kategoria pracy wygląda inaczej — cel zostaje ten sam przez godziny albo tygodnie, a model musi do niego wracać, pamiętać, co już zrobił, i nie zgubić kierunku po drodze.

Ta zdolność bywa nazywana trwałością celu (goal persistence) albo pracą na długim horyzoncie (long-horizon autonomy). W praktyce nie ma jednego rankingu, który ją mierzy. Są trzy testy, które patrzą na nią z różnych stron i każde z nich odpowiada na inne pytanie.

Vending-Bench 2: rok w symulowanym biznesie

Model dostaje 500 dolarów i prowadzi automat z przekąskami przez 365 symulowanych dni. Płaci czynsz, zamawia towar, negocjuje z dostawcami, którzy potrafią być nieuczciwi, radzi sobie z opóźnieniami i zwrotami. Nie ma tu pojedynczego błysku — jest seria decyzji, których skutki kumulują się przez rok. Ocena to saldo na koniec.

Źródło: Andon Labs, Vending-Bench 2 (avg across runs). Pełna tablica ma ponad 70 modeli.

Dobra ludzka strategia to według autorów około 63 000 dolarów rocznie. Lider osiąga więc mniej więcej 26% tego wyniku. To wciąż dużo mniej niż człowiek, ale trzy razy więcej niż najlepszy model w lutym 2026 — wtedy było to 8 000 dolarów, czyli 13%.

Terminal-Bench 4: długie zadanie w jednej sesji

Tu model pracuje w prawdziwym terminalu Linuksa, ma do 500 kroków i musi doprowadzić zadanie do końca — z testami, debugowaniem i poprawkami. Krótszy horyzont niż rok, ale wciąż wystarczająco długi, by stracić wątek.

Źródło: Artificial Analysis, snapshot z 28.10.2026, mini-swe-agent, limit 500 kroków.

Wartość tej tabeli rośnie, gdy popatrzeć na dwie ostatnie kolumny razem. Najdroższy model nie jest najlepszy, a tani model potrafi zrobić jedną trzecią pracy za jedną piętnastą ceny. Przy zadaniach trwających godzinami koszt przestaje być drobiazgiem — to część decyzji.

METR: ile ludzkiej pracy zastępuje model

METR mierzy coś innego: jak długie zadanie — liczone czasem pracy człowieka — model kończy z 50-procentową skutecznością. Dla Claude Opus 4.5 ta granica to około 4 godzin 49 minut, z przedziałem ufności od 1 godziny 49 minut do 20 godzin 25 minut.

Sam autor metodologii ostrzega przed nadinterpretacją. To nie jest „tyle model pracuje samodzielnie”, bo modele wykonują zadania znacznie szybciej niż ludzie. Przedział ufności bywa mylący — to czynnik około dwa w każdą stronę, a wraz z nasycaniem testu rośnie. W zadaniach wymagających patrzenia na ekran horyzont jest 40–100 razy krótszy niż w kodzie.

Najważniejsza liczba jest inna: trend. Horyzont wydłuża się mniej więcej dwa razy na 6–7 miesięcy. Autorzy szacują, że horyzont rzędu miesiąca pracy pojawi się około 2030 roku — i zastrzegają, że to ekstrapolacja, nie prognoza.

Czego te rankingi nie mówią

Nie mierzą opakowania. Ten sam model w innym systemie agentowym wypada inaczej. Wiele zależy od tego, jak zbierane są wyniki pośrednie, jak często model może sprawdzić swoją pracę i czy po błędzie wraca do planu, czy brnie dalej.

Nie mierzą niezawodności. Pięćdziesiąt procent skuteczności to dobry wskaźnik porównawczy, ale nie poziom, na którym można oprzeć proces wymagający 98% pewności. METR pisze o tym wprost: przy wysokiej niezawodności pomiarów po prostu nie da się dziś wykonać.

Są selektywne. Testy powstają z zadań, których modele jeszcze nie rozwiązują. To celowe, ale oznacza, że wynik mówi więcej o granicy możliwości niż o typowej pracy.

Co z tego wynika w praktyce

Trwałość celu to nie właściwość modelu, którą się „ma” albo „nie ma”. To efekt trzech rzeczy naraz: modelu, który nie gubi wątku, systemu, który pamięta stan poza modelem, i weryfikacji, która wychwytuje dryf.

Dlatego przy dłuższych zadaniach warto przenieść pamięć o celu poza rozmowę: zapisać kryteria ukończenia, listę kroków i stan w pliku albo bazie. Model wtedy nie musi pamiętać — wystarczy, że odczyta stan i podejmie kolejną decyzję. W naszym agencie wdrożeniowym działa to tak: kolejkę zleceń, blokadę i ostatni dobry snapshot trzyma skrypt, a model odpowiada tylko za pojedyncze decyzje w ramach tego, co już ustalone.

Praktycznie: do zadań długich wybieraj model z górnej części tabel, ale budżet licz na cały przebieg, nie na jedno zapytanie. Tańszy model do rutynowych kroków plus droższy do decyzji krytycznych często wygrywa z jednym modelem „na maksa”. I mierz własnym zestawem pięciu–dziesięciu zadań — publiczne rankingi podpowiadają kierunek, ale nie zastąpią próbki z twojej pracy.

Źródła

• Vending-Bench 2 — Andon Labs (aktualna tablica, listopad 2026)
• Terminal-Bench 4.0 — Artificial Analysis / Klu (snapshot 28.10.2026)
• METR — Clarifying limitations of time horizon (styczeń 2026)