--- title: "Claude навчився «спати»: як штучний інтелект Anthropic сам виправляє помилки під час простою" description: "Anthropic показала, що Claude у періоди бездіяльності аналізує досвід, впорядковує пам'ять та виправляє власні помилки — за аналогією зі сном людини. Тести в Pokémon Red і на корпоративних документах підтвердили зростання точності відповідей." date: 2026-11-10T15:55:31.004Z lang: uk url: https://xab.info/uk/posts/claude-navchivsya-spati-yak-shtuchniy-intelekt-sam-vipravlyaye-pomilki tags: [claude, anthropic, ai-memory, pokemon-red, ai-research, machine-learning] author: "Олександр Буран, Роман В." publisher: "XAB.info" --- # Claude навчився «спати»: як штучний інтелект Anthropic сам виправляє помилки під час простою ![Прозорі екрани у футуристичному офісі з інтерфейсом Claude ШІ та структурою даних Wikidata](https://xab.info/media/2026/11/10/claude-nauchilsya-spat-kak-chelovek-ai-isp-ravlyaet-oshibki-prostoy/claude-nauchilsya-spat-kak-chelovek-ai-isp-ravlyaet-oshibki-prostoy-1.webp) ## Ключові тези - Anthropic навчила Claude аналізувати досвід у періоди бездіяльності, порівнявши цей процес зі сном людини. - У Pokémon Red точна модель Fable 5 (10 файлів, 4 значки) обійшла Sonnet 3.7 (413 файлів, 1 значок) за ефективністю пам'яті. - У режимі простою Claude звірив нотатки з текстом гри та виправив невірно записані координати Покецентру. - На 350 000 документах Stainless (≈420 млн токенів) модель за 128 періодів бездіяльності зібрала вікісистему, піднявши точність із 13 до 48%. Команда Anthropic представила результати дослідження, в якому модель Claude навчилася аналізувати власний досвід у періоди бездіяльності — процес, який розробники прямо порівнюють зі сном людини. За їхніми словами, саме у «фазі відпочинку» нейромережа впорядковує накопичену інформацію, закріплює корисні знання і, що важливо, знаходить та виправляє власні помилки без зовнішніх підказок. Супровідна візуалізація демонструє обидві сторони цього підходу: модель досліджує реальну сцену в доповненій реальності й водночас структурує отримані дані в граф знань. ### Проблема пам'яті: між «помійкою» та чистим аркушем Вихідне завдання, з яким зіткнулися інженери, виявилося неочевидним: якщо бот записує кожен свій крок, його пам'ять з часом перетворюється на «помійку» з надлишкових даних. Але якщо не зберігати важливі деталі, то в наступній сесії доведеться починати з нуля. Знайти баланс між повним протоколюванням і точковим запам'ятовуванням — ключ до того, щоб модель дійсно накопичувала досвід, а не просто копіювала його. ### Тест у Pokémon Red: точність проти об'єму Щоб перевірити підходи на практиці, дослідники відправили Claude проходити Pokémon Red — гру, в якій потрібно досліджувати світ і збирати значки. Результати після 10 000 ігрових кроків виявилися показовими. Модель Sonnet 3.7 зберігала абсолютно все: 413 файлів у 225 папках, майже 978 000 символів, — і при цьому отримала лише один значок. Claude Fable 5 діяла точково: всього 10 файлів у 3 папках (близько 43 400 символів) і чотири значки. Fable 5 записувала головне — стратегії, висновки та поточні цілі, не витрачаючи ресурси на те, що й так видно на екрані, і не втрачаючи відкриттів між сесіями. ### «Сни» як механізм виправлення галюцинацій В Anthropic наголошують: якщо ШІ зберіг хибний факт, то в наступних розмовах він сприймає його за правду. Саме «сни» — періоди бездіяльності — допомогли позбутися такої «галюцинації». В одному з тестів у Pokémon Red бот невірно записав координати Покецентру біля гори Мун і через це постійно блукав навколо, стрибав через односторонні уступи та повертався до початку маршруту. У режимі простою Claude звірив свої нотатки з повним текстом минулої гри й виявив помилку. ### Від гри до реальних завдань: 420 мільйонів токенів Ефективність «нічного роздуму» перевірили на великих масивах даних. Claude доручили опрацювати 350 000 внутрішніх документів компанії Stainless загальним обсягом близько 420 мільйонів токенів. За 128 періодів бездіяльності модель самостійно створила повноцінну вікісистему зі структурованими даними та перехресними посиланнями. Точність відповідей на 25 складних тестових запитань зросла з 13 до 48 відсотків. В іншому експерименті, пов'язаному з документами про злиття компаній, база знань, створена в період бездіяльності, дала змогу відповідати з точністю до 87 відсотків, тоді як звичайний пошук у документах давав лише 73 відсотки. ### Обмеження: обчислювальна ціна «сну» Розробники чесно вказують на межі підходу: такі сеанси аналізу вимагають значних обчислювальних ресурсів, а надлишкова кількість інформації в пам'яті здатна перевантажувати наступні сесії роботи моделі. Проте продемонстрований механізм — самокорекція під час простою — розглядається як один із шляхів до стійкішої та «чистішої» пам'яті ШІ-агентів. ## Перевірка фактів і джерела - [Claude научился "спать", как человек: ИИ исправляет собственные ошибки без подсказок](https://www.rbc.ua/ukr/news/claude-navchivsya-spati-k-shi-vipravlyae-1794321490.html) - Першоджерело основи статті. Містить усі ключові факти: тест у Pokémon Red, порівняння Sonnet 3.7 та Fable 5, механізм виправлення координат Покецентру, експерименти на даних Stainless (350 000 документів, 420 млн токенів, 128 періодів, 13→48%) та на документах про злиття (87% vs 73%), а також визнані обмеження щодо обчислювальних ресурсів. ## Часті запитання ### Що таке «сон» у Claude і навіщо він потрібен? Це період бездіяльності, в якому модель аналізує накопичений досвід, впорядковує пам'ять та виправляє власні помилки. Розробники Anthropic порівнюють цей процес зі сном людини. ### Які моделі порівнювали у тесті Pokémon Red? Sonnet 3.7 зберігала все (413 файлів у 225 папках, ~978 000 символів) і отримала 1 значок, тоді як Claude Fable 5 записувала точково (10 файлів у 3 папках, ~43 400 символів) і отримала 4 значки. ### Наскільки «сон» покращив роботу на реальних даних? На 350 000 документах Stainless точність на 25 складних питаннях зросла з 13 до 48%, а на документах про злиття компаній — до 87% проти 73% у звичайного пошуку.