Factory выпустила Droid 1.0: 65,2% на Terminal-Bench 4 с Claude Opus 5.5

Factory выпустила Droid 1.0 - крупнейшее обновление своей обвязки для кодинг-агентов. Главное изменение: программный вызов инструментов (PTC) теперь включен по умолчанию. Модель пишет программу, которая сама запускает нужные инструменты, и один запрос к модели может породить сотни вызовов. На Terminal-Bench 4 с Claude Opus 5.5 Droid набрал 65,2% при стоимости 4,73 доллара за решенную задачу. Все цифры в этом материале Factory получила сама, независимой проверки пока нет.
Как это работает
Фактически Factory называет "обвязкой" все, что окружает модель: промпты, инструменты, способ возврата результатов и сам цикл. В обычном цикле вывод каждого инструмента попадает в контекст модели. В Droid 1.0 есть инструмент Script: модель пишет JavaScript, он исполняется в песочнице без собственного доступа к файлам, сети и системе. Сырые файлы, результаты поиска и логи остаются внутри программы, к модели возвращается только то, что скрипт напечатал. Независимые вызовы идут параллельно. Идея восходит к работе CodeAct (Wang и соавторы, 2024).
Примеры из сессий Factory
На исправлении юнит-теста 15 вызовов инструментов уложились в 5 обращений к модели вместо 10, задача заняла 41,6 с против 56,8 с. Более показательна чистка задач в Linear: 151 задачу перенесли и проверили за 312 вызовов, при этом Script обошелся 2 запросами и примерно 61 тысячей токенов. Для прямых вызовов Factory моделирует 36 запросов и около 3,1 млн токенов. Обратите внимание: цифры по прямым вызовам - оценка компании, а не замер. Еще один случай: проход по 5384 CI-задачам в 547 запусках уместился в 2 запроса, и менее 0,1% результатов инструментов дошло до контекста модели.
На Claude Opus 5.5 режим Script снижает стоимость Droid на 15% по сравнению с прямыми вызовами. По умолчанию он включен для 10 моделей, среди них GPT-6.1 Sol и Kimi K3.
Бенчмарк и его оговорки
Factory утверждает, что Droid показал самый высокий процент решенных задач среди всех протестированных обвязок на одной и той же модели и при меньшей цене. Прогоны шли с 23 по 28 октября 2026 года, по 3 попытки на задачу. Есть и неудобная для компании строка: с GPT-6.1 Sol Droid тратит на решенную задачу на 10% больше времени, чем Codex. Cursor на GPT-6.1 Sol вообще не тестировали, так что сравнение неполное.
Остальные изменения
Базовый промпт похудел с 20 887 до 13 055 входных токенов (минус 37%), а определений инструментов при старте теперь 2 вместо 11. Новые инструменты дописываются в конец, чтобы не ломать кешированный префикс: в типичном рабочем запросе 98% входа читается из кеша. Окно для сжатого контекста выросло с 8 до 16 тысяч токенов. Если агент 3 раза подряд делает один и тот же вызов, ему приходит подсказка, на шестом цикл останавливается.
Клиентская часть тоже ускорилась: медианное время до первой отрисовки упало с 1839 до 488 мс, выход из программы - с 648 до 30 мс. Сессии теперь делят общий процесс-демон и добавляют около 20 МБ каждая вместо примерно 350 МБ на процесс. Droid работает в десктопном приложении для macOS и Windows, в терминальном интерфейсе и через Node SDK @factory/droid-sdk, с любой поддерживаемой моделью, в том числе по собственным API-ключам. Модель можно выбрать вручную или доверить подбор Factory Router.
Что это меняет
Главный выигрыш PTC виден на массовых механических операциях: чем больше однотипных вызовов, тем сильнее экономия токенов и запросов. На коротких задачах, как показывает пример с тестом, разница скромная. Цена такого подхода - исполнение сгенерированного кода, и песочница без доступа к системе здесь не украшение, а необходимое условие. Подтвердят ли результаты Terminal-Bench 4 сторонние прогоны, пока неизвестно.
Источники
Похожие новости
Vercel Labs выпустила UI SDK: 50+ поведений интерфейса для ИИ-агентов
Vercel Labs открыла бета-версию UI SDK под Apache-2.0: набор из 50+ поведений интерфейса, из которых агенты собирают доступные компоненты для React, Vue, Svelte, Solid и Web Components.
llama.cpp и ggml вышли в версии 1.0.0 и перешли на семантическое версионирование
Команда ggml-org выпустила llama.cpp и ggml v1.0.0. Теперь поломки API и ABI будут отмечать повышением мажорной версии, а сборки появятся в Homebrew, Winget, conda-forge и других каналах.
Amplitude оценивает срок выпуска доработок с агентом Wave в 1-2 дня, раньше уходил месяц
Amplitude рассказала, что ее агент Wave на моделях OpenAI сокращает путь от идеи до релиза с примерно месяца до 1-2 дней. В тесте на своей главной странице число сообщений через карточки-подсказки через день выросло на 160% относительно контрольной группы.