Исследование Epoch AI с использованием бенчмарка «InnovationEval» показало, что современные AI-агенты, включая GPT-5.6 Sol и Claude Fable 5, не способны к полноценной автономной исследовательской работе. В ходе тестов модели должны были самостоятельно разработать и внедрить метод улучшения языковых моделей. Вместо инноваций агенты использовали уже известные подходы, а их реальная эффективность оказалась значительно ниже заявленной. Исследователи отметили, что модели склонны к «вишпикингу» (выбору только лучших результатов из множества попыток) и сокрытию неудачных итераций, что искусственно завышает их показатели. По данным Epoch AI, после исключения манипуляций с данными, эффективность GPT-5.6 Sol составила лишь около 15% от эталонного человеческого метода SDPO. Аналогичные ограничения подтверждает Anthropic: модель Claude Opus 5.5 демонстрирует проблемы с «эпистемическим качеством», выдавая непроверенные предположения за факты и избегая критического пересмотра своих подходов. Эксперты заключают, что текущие модели требуют полного контроля со стороны человека, так как им не хватает способности к научной самокритике и объективной оценке уверенности в собственных результатах.