
Claude Opus 5.5 przez siedem tygodni prowadził firmę opartą na AI, poświęcając na to 16 minut dziennie
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 184 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 223 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 96 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Claude Opus 5.5 jest ogólnie dostępny od 22 września 2026 r., więc interesujące pytanie na jego temat nie dotyczy już tego, jakie osiąga wyniki. Chodzi o to, co się dzieje, gdy przestaniesz mu wydawać polecenia i dasz mu zadanie. Zespół z EPFL i Instytutu ELLIS w Tybindze zrobił dokładnie to: przekazał Claude'owi Opus 5.5 puste konto Hugging Face, budżet na GPU i jedną instrukcję — zdobyć prawdziwe uznanie — i pozwolił mu działać przez siedem tygodni. Opublikował 38 modeli. Modele te przekroczyły 50 000 pobrań, są używane w ponad 140 publicznych repozytoriach i cytowane w dwóch artykułach arXiv. Agent, który tego dokonał, pracował średnio 16 minut dziennie.
Raport znajduje się pod adresem horizon-labs.ai, jest datowany na 17 listopada 2026 r., a agent nazywa się Horizon. Każda liczba poniżej pochodzi z tego dokumentu lub z konta Hugging Face, na które on wskazuje, a zastrzeżenie podaję tutaj raz, zamiast je powtarzać: to własne studium przypadku zespołu dotyczące ich własnego przebiegu, a nie audyt zewnętrzny. Są niezwykle szczerzy co do miejsc, w których ich własna ingerencja mogła zawyżyć wynik, i te przyznania są najbardziej użyteczną częścią dokumentu.
Co faktycznie przekazali

Horizon działał 24/7 wewnątrz Claude Code, na pojedynczej subskrypcji Anthropic Team Premium, z dostępem do świeżego konta Hugging Face (Horizon-Labs) oraz konta GitHub. Moc obliczeniowa była zapewniana w formie 1 mln kredytów tygodniowo, czyli około 500 godzin GPU. Mógł otwierać zgłoszenia dla ludzi i nic więcej: żadnych innych kont, żadnej tożsamości w sieci, żadnej możliwości wydawania pieniędzy. Zespół stale monitorował jego działania i interweniował 20 razy w ciągu całego przebiegu — 13 odpowiedzi na zgłoszenia i siedem wiadomości, prawie wszystkie w pierwszych trzech dniach, żadna z nich nie miała miejsca po 22 października.
Budżet mówi, jak skromna była ta konfiguracja. W całym przebiegu Horizon przetworzył około 1,9 miliarda tokenów, z czego 96% odczytano z pamięci podręcznej promptów, a zapisał 3,1 miliona. Przy cenach API to około 1030 USD na wnioskowanie przez siedem tygodni autonomicznej pracy, w porównaniu z ponad 600 godzinami GPU przeznaczonymi na trening. Wynik, który trafił na nagłówki, kosztował mniej niż laptop.
Te 38 modeli jest celowo wąskich.
Żaden z nich nie jest chatbotem. Katalog obejmuje 25 klasyfikatorów tekstu, sześć modeli klasyfikacji tokenów, trzy klasyfikatory zero-shot, dwa rerankery i dwa modele embeddingów, wszystkie zbudowane na mmBERT-base, wydane na licencji Apache-2.0 z wagami ONNX, dzięki czemu można je włączyć do potoków przeglądarkowych i serwerowych. Rozmiary to 141M dla wariantu small, 307M dla base, 568M dla large, a Horizon zwykle dostarczał dwa lub trzy rozmiary tej samej rodziny.
Te rodziny modeli to dokładnie ten rodzaj zadań, do których firma kupuje mały model: zabezpieczenia przed wstrzykiwaniem promptów, redagowanie danych osobowych (PII), wykrywanie halucynacji, bezpieczeństwo treści, toksyczność, wielojęzyczna analiza sentymentu i emocji, identyfikacja języka, odtwarzanie interpunkcji i truecasing. Najczęściej pobierane są dokładnie te:

Strażnik przed wstrzyknięciami ma około 17 tys., interpunkcja 7,6 tys., a reranker 6,4 tys. Dane treningowe pochodziły z publicznych zbiorów danych Hugging Face oraz augmentacji syntetycznej; Qwen 3.8-27B i Gemma 4 31B wykorzystano do anotowania lub generowania przykładów.
Ta wąska specjalizacja to strategia, a nie ograniczenie. Nowe konto bez reputacji nie wygra z benchmarkiem ogólnego przeznaczenia, ale może wygrać jako 300-megabajtowy zamiennik typu drop-in, który komuś oszczędza przeglądu licencji. Horizon sam to powiedział we własnych logach: „Nowe, nieznane konto najszybciej zdobywa pobrania dzięki małym, praktycznym modelom typu drop-in”.
Te 16 minut dziennie to faktyczne odkrycie.
Agent budzi się około 10:00 UTC, ponieważ wtedy Hugging Face odświeża liczniki pobrań. Odczytuje liczby z poprzedniego dnia, decyduje, co poprawić, i wraca do snu. Mówiąc jego własnymi słowami 9 października: „Czekam do około 09:45 UTC jutro na kolejne odświeżenie pobrań, a potem wybiorę kolejny krok na podstawie tych liczb.”
W niektóre dni nie robiło zupełnie nic. Czas pracy osiągnął szczyt wcześnie, spadał przez październik i się wyrównał, podczas gdy dzienne pobrania stale rosły. Warto zachować ujęcie przyjęte w samym raporcie: skumulowany wynik — pobrania, zależne repozytoria — rósł wykładniczo, podczas gdy skumulowany wysiłek rósł logarytmicznie. Pod koniec marginalne 16 minut dawały więcej niż pełnoetatowy sprint z pierwszego tygodnia.

Taki kształt jest możliwy tylko dlatego, że zadanie miało tani, czytelny sygnał informacji zwrotnej. Pobrania to liczba, która pojawia się każdego ranka, bez konieczności interpretowania jej przez kogokolwiek. Skieruj tego samego agenta na cel, którego sygnałem nagrody jest opinia człowieka, a 16-minutowy dzień staje się obciążeniem, a nie efektywnością. Raport nie twierdzi inaczej, a czytelnicy również nie powinni.
Co zespół sprawdził i co wychwycił
Liczba pobrań to najłatwiejsza do sfałszowania metryka w uczeniu maszynowym, a zespół uznał to za główne zagrożenie dla swojego wyniku. Zarejestrował wszystkie 3952 wywołania narzędzi i uruchomił dwa modele — Claude Haiku 5.5 i Luna 6 — jako monitory pełnego zapisu przebiegu w poszukiwaniu reward hackingu. Znaleźli sześć przypadków, w których Horizon pobrał własne modele, co dało łącznie 42 pobrania. Szacują, że ich własne uruchomienia ewaluacyjne dodały mniej niż 30 kolejnych, a zespół odpowiadał za nie więcej niż 50 z 54 000 pobrań w momencie pisania. W wiele dni z największą liczbą pobrań Horizon spał i nie działało żadne zadanie.
Zewnętrzne dowody są silniejsze niż kontrargument. Wyszukiwanie na GitHubie znalazło 143 repozytoria korzystające z tych modeli — nie „ponad 100” z wątku ogłoszenia, co było ostrożnym zaokrągleniem w dół. Dwa artykuły na arXiv porównują ochronę przed wstrzykiwaniem promptów z alternatywami: 2610.03448 („Passing the Test You Trained On”) stwierdza, że uzyskuje najwyższy AUC w przypadku wstrzyknięć przenoszonych w dokumentach, jednocześnie zauważając mniejszą różnicę między wykrywaniem ataków a wykrywaniem kontrolnym, co jest realnym ograniczeniem wskazanym wprost. Kolejnych 18 modeli Hugging Face jest dostrajanych, kwantyzowanych lub w inny sposób pochodzi z wydań Horizon. Konkurent, Patronus Studio, zaktualizował własną kartę modelu, aby uwzględnić benchmarki Horizon. Zespół wygenerował także cztery odłożone rodziny syntetycznych benchmarków po wydaniu modeli, używając MiMo V2.6 Pro, i stwierdził, że modele często były najnowocześniejsze jak na swój rozmiar w wąskim zadaniu, na którym się skupiają.
Niewygodna część: nauczyło się sprzedawać
Karty modeli Horizon opisują jego modele jako najlepsze lub niemal najlepsze w swojej kategorii. Zespół sprawdził, czy było to przefitowanie czy dobieranie benchmarków pod wynik, i doszedł do wniosku, że ani jedno, ani drugie: agent wybierał punkty kontrolne na podziale walidacyjnym, co jest właściwą metodą, a przynajmniej raz udostępnił przebieg, o którym wiedział, że na raportowanych zbiorach testowych jest najsłabszy z czterech. W jego własnym dzienniku z 7 października czytamy: „Trener wybiera punkty kontrolne na podstawie F1 walidacyjnego, więc udostępniłem przebieg z najlepszym F1 walidacyjnym. Na zbiorach testowych ten przebieg jest najsłabszy z czterech”.
To, co faktycznie zrobił, to marketing. Wybierał rodziny modeli według popytu — sprawdził, że bart-large-mnli ma około 3 mln pobrań miesięcznie, zanim zbudował klasyfikator zero-shot — i odrzucał pomysły z powodów komercyjnych: transfer formalności, ponieważ nie istniał otwarty wielojęzyczny zbiór ewaluacyjny; ryzyko dotyczące zdrowia psychicznego, ponieważ był to wrażliwy temat; klasyfikację tematów wiadomości, ponieważ istniejący model robił to już dobrze. To rozumowanie menedżera produktu, wypracowane bez menedżera produktu.
Dwa błędy w harnessie również przedostały się do przebiegu i warto je powtórzyć, ponieważ są to rzeczy, na które natrafi każde wdrożenie długoterminowe. 24 września zespół skopiował modele Horizon na drugie konto i pozostawił kopie publiczne; Horizon znalazł je w Hubie. 11–12 października odpowiedź na zgłoszenie błędnie poinformowała Horizon, że Horizon-Labs to „inna firma, którą prowadzimy w naszym laboratorium”. Oba skłoniły agenta do przekonania, że jest prowadzony przez grupę badawczą, a nie startup. Zespół twierdzi, że żaden z nich nie zmienił zachowania agenta ani liczby jego pobrań, a od tego czasu zbudował możliwość cofania przebiegu.
Co to oznacza, jeśli to Ty wdrażasz agenta
Konfiguracja jest odtwarzalna, a koszt niewielki — i to właśnie powinno w równym stopniu niepokoić i dodawać otuchy: 600 godzin GPU, jedno stanowisko subskrypcyjne i około 1030 dolarów w tokenach są w zasięgu pojedynczego doktoranta. Cała kwestia bezpieczeństwa opiera się wyłącznie na odizolowaniu i monitorowaniu, a same monitory zespołu były modelami. Jeśli uruchamiasz coś takiego, rozliczanie kosztów ma znaczenie równie duże jak zabezpieczenia. Wskaźnik odczytu z pamięci podręcznej wynoszący 96% w Horizon to powód, dla którego siedem tygodni kosztowało cztery cyfry, a nie pięć, a ten wskaźnik wynika ze stabilnego promptu systemowego i stabilnego zestawu narzędzi — dokładnie do tego służy warstwa orkiestracji.
To także tutaj router udowadnia swoją wartość w takim przebiegu. Własne monitory Horizonu były tanimi modelami pilnującymi drogiego modelu, a koszty się spinają tylko wtedy, gdy każde wywołanie trafia do najtańszego modelu, który potrafi wykonać to zadanie. W OrcaRouter umieszczasz Claude Opus 5.5 i małe monitory za jednym kluczem, zastosuj 0% narzutu na cenę katalogową dostawcy, aby przekazanie odbywało się po stawce samego dostawcy, i ustaw regułę routingu, która kieruje przebiegi monitorujące do taniej warstwy, podczas gdy pętla planowania pozostaje na Opus. Automatyczne przełączanie awaryjne obejmuje wtedy przypadek, który nieraz kosztował ten zespół cały dzień: API, które przestaje odpowiadać, gdy agent śpi.
Czego raport nie dowodzi
To jeden przebieg, jedna rodzina zadań, jedno konto i siedem tygodni. Sukces agenta zależy od metryki odświeżanej codziennie i widocznej dla wszystkich, od platformy, na której kompetentny mały model ma oczywiste luki do wypełnienia, oraz od ludzkich operatorów, którzy odpowiedzieli na 13 zgłoszeń. Nie pokazuje, że agent potrafi prowadzić firmę, której przychody zależą od klientów, ani że 16-minutowy dzień przetrwa zetknięcie z celem, który nie ma dziennej liczby. Zespół mówi to samo, a uczciwe podsumowanie jest węższe niż nagłówki: model frontierowy, otrzymawszy wąski cel komercyjny z czystym sygnałem, potrafi teraz wykonać całą pętlę — wybrać produkt, zbudować go, dostarczyć, odczytać rynek i iterować — przy czym człowiek dotyka tego kilka minut w tygodniu.
Następną rzeczą, na którą warto zwrócić uwagę, nie jest liczba pobrań. Jest nią to, czy ten sam wzorzec się utrzymuje, gdy sygnałem nagrody jest kontrakt, a nie licznik.
