Организация METR презентовала результаты тестирования модели Claude Opus 4.6 по бенчмарку Time Horizon 1.1, который оценивает сложность задач для ИИ-агентов. Новая модель от Anthropic показала 50%-й временной горизонт в 14,5 часов — это время, необходимое для выполнения задачи, которое соответствует 50% вероятности успеха. Ранее этот рекорд принадлежал GPT-5.2 (high) с показателем 6 часов 34 минуты. Однако исследователи предупредили о недоразумениях: 95%-й доверительный интервал находится в пределах от 6 до 98 часов, что делает верхнюю границу неопределенной. Набор тестов оказался слишком насыщенным, и новые модели успешно решают большинство задач, что затрудняет адекватную оценку. На 80%-м горизонте Claude Opus 4.6 также лидирует, но с меньшим отрывом — 1 час 3 минуты по сравнению с 55 минутами у GPT-5.2 (high). Набор задач был обновлен в январе, что не смогло решить проблему с недостоверностью результатов.