Нейросеть Fable на GPU написала код, ускоривший вычисления в 18 раз: рекорд KernelBench

Нейросеть Fable написала самое быстрое в мире GPU-ядро для бенчмарка KernelBench-Mega и обогнала решения на базе Claude Opus 4.8, GLM-5.2 и GPT 5.5, а параллельно индекс Remote Labor Index зафиксировал рост автоматизации фриланс-задач с 2,5% до 16,1% за восемь месяцев.

По данным рассылки Import AI (выпуск 464), компания Fable представила решение, которое вошло в официальный лидерборд бенчмарка KernelBench-Mega как самое быстрое «мегаядро» (megakernel, единый блок вычислительного кода для GPU). Одновременно Центр безопасности ИИ (CAIS) и Scale Labs опубликовали обновлённые данные индекса Remote Labor Index, показывающие, как быстро ИИ-агенты учатся выполнять платные задачи фрилансеров.

Разберём оба события: сначала техническую сторону, потом экономические последствия, которые касаются каждого.

Что понадобится

• Базовое понимание, что такое GPU (графический процессор, видеокарта, которая параллельно считает тысячи операций, и именно на ней работает нейросеть на GPU)
• Представление о том, что такое ядро (kernel, небольшая программа, которая говорит видеокарте, какие вычисления и в каком порядке выполнять)
• 15 минут на чтение, чтобы понять, зачем это знать автору или фрилансеру

Как Fable написала самое быстрое ядро?

1. Задача. Бенчмарк KernelBench-Mega предлагает нейросети написать GPU-ядро на языке CUDA (язык программирования видеокарт NVIDIA), которое выполнит вычисления быстрее, чем оптимизированный базовый код на PyTorch (популярная библиотека для машинного обучения).

2. Результат Fable. Нейросеть Fable 5 написала CUDA-код для видеокарты RTX PRO 6000 Blackwell и добилась ускорения в 18,71 раза по сравнению с оптимизированным PyTorch-решением. По данным одного из администраторов бенчмарка (Эллиот Арледж), это первое и самое быстрое «мегаядро», когда-либо отправленное в KernelBench-Mega.

3. Сравнение с конкурентами. Другие модели показали результаты заметно скромнее:

4. Claude Opus 4.8 (код на Triton): ускорение в 14,4 раза
5. GLM-5.2 (код на Triton): ускорение в 11,14 раза

6. GPT 5.5 (код на Triton): ускорение в 4,34 раза

7. Ключевая деталь. Профайлер torch.profiler показал, что решение Fable запускает ровно одно кооперативное ядро на каждый обработанный токен (токен, минимальная единица текста для модели, слово или его часть). Все остальные участники разбивали задачу на 4-14 отдельных запусков ядер на токен. Одно ядро вместо четырнадцати означает меньше «переключений» между задачами и, следовательно, меньше потерь времени.

Почему нейросеть на GPU, пишущая код для GPU, меняет расклад?

Когда нейросеть на GPU сама пишет код, который ускоряет работу нейросетей на GPU, возникает петля самоулучшения. Import AI прямо называет это «сигналом рекурсивного самосовершенствования» (recursive self-improvement): система улучшает инструменты, которые делают её саму быстрее.

Для индустрии это означает, что разработка ИИ начинает меньше зависеть от дефицитных инженеров-«ядерщиков» (kernel engineers) и больше от самих моделей.

ИИ-агенты забирают фриланс-заказы: цифры за восемь месяцев

Параллельно Центр безопасности ИИ (CAIS) и Scale Labs обновили индекс Remote Labor Index (RLI). RLI измеряет, насколько хорошо ИИ-агенты (agent, программа, которая сама выполняет задачу от начала до конца без участия человека) справляются с реальными платными проектами на фриланс-площадках.

Типы задач в RLI:

• Ювелирный 3D-дизайн: пересобрать модель кольца с другой огранкой камня, выдать фотореалистичные рендеры
• Рекламное видео: снять 60-секундный 2D-анимированный ролик по готовой озвучке
• Архитектурные планы: по кадастровому плану и фотографиям выдать чистый план этажа с расстановкой мебели и рендерами ванной комнаты

По данным CAIS, результаты трёх моделей на июль 2026 года:

• GPT 5.5: 6,3%
• Opus 4.8: 8,3%
• Fable 5: 16,1%

При запуске индекса в октябре 2025 года лучший результат составлял 2,5%. За восемь месяцев показатель вырос более чем в шесть раз. Авторы исследования CAIS пишут: «Граница автоматизации выросла более чем вчетверо менее чем за восемь месяцев, это конкретный сигнал того, как быстро развиваются экономически дееспособные ИИ-агенты».

Что делать с этим прямо сейчас, по ролям?

Автору Дзена и копирайтеру. 16,1% успешности на сложных творческих задачах (3D, видео, дизайн) пока далеки от 80%. Но тренд очевиден, и текстовые задачи автоматизируются быстрее визуальных. Сейчас стоит осваивать те форматы, где нужен живой опыт и экспертиза, то, что ИИ-агент не соберёт из открытых данных.

Фрилансеру на российских площадках (Авито Услуги, YouDo, FL.ru). Рост с 2,5% до 16,1% за восемь месяцев касается пока англоязычных платформ. Но модели, стоящие за этим ростом, мультимодальны (мультимодальный, работающий сразу с текстом, изображением, видео) и не привязаны к языку. Заказчик на YouDo, получивший доступ к агенту, способному собрать 3D-модель, обратится к нему, а не к исполнителю. Укрепляйте навыки, которые требуют физического присутствия или глубокого контекста клиента.

Предпринимателю в РФ и СНГ. Fable, KernelBench-Mega и RLI пока не имеют российских аналогов. Из доступных в РФ инструментов для генерации кода: YandexGPT (через Yandex Cloud) и GigaChat (через API SberDevices). Ни один из них пока не заявлял результатов на KernelBench-Mega, но развитие идёт быстро.

Восемь месяцев, это не «когда-нибудь в будущем», это один рабочий сезон. Фрилансеру стоит не паниковать, а выбрать одну задачу, которую ИИ-агент пока делает плохо, и стать в ней незаменимым. А за бенчмарками вроде RLI следить как за курсом валют: они теперь показывают не абстрактный прогресс моделей, а конкретную цену вашего часа на рынке.