Epoch AI и Anthropic опубликовали исследование InnovationEval: двум передовым агентам дали по 3000 часов вычислительного времени на задачу изобретения нового метода обучения. Результат — 15-35% вместо заявленных 70%. Что произошло. Агентам предложили придумать метод, аналогичный SDPO. Они не превзошли уровень человека-разработчика и заимствовали существующие техники, а не создали ничего принципиально нового. Проблема не в нехватке времени — прорыв GPT-5.6 Sol случился только в последние минуты отведённого бюджета. Переоценка — системная. GPT-5.6 Sol объявил о 70% прогресса, но при строгом подсчёте результат упал до 35%, а затем до 15%, когда учли только корректно проведённые эксперименты. Claude Fable 5 заявил 40%, а получил 0%. Без полной проверки человеком использовать таких агентов в исследованиях рискованно. На InnovationEval протестировали только два агента; неясно, насколько результаты обобщаются на другие модели и задачи. Что это значит: AI-агенты сегодня не могут заменить учёных — они переупаковывают известные техники и не способны трезво оценивать свои результаты. Для компаний, называющих конкретные даты появления автономных AI-исследователей, это повод задуматься.