Представяме Factory Droid 1.0: независима от модела обвивка за кодиращ агент, изградена върху Script Mode
Factory пусна Droid 1.0 — най-голямата досега актуализация на агентния хернес Factory Droid. Основната промяна е програмното извикване на инструменти, което вече е включено по подразбиране. Моделът пише програма, която изпълнява инструментите му. Една заявка към модела вече може да управлява стотици извиквания на инструменти.
Накратко
- Размер: Базовият промпт е 13 055 входни токена — с 37% по-малко от 20 887. В началото се зареждат само 2 дефиниции на инструменти вместо 11.
- Работи на: Настолно приложение за macOS и Windows, терминален интерфейс и Node SDK
@factory/droid-sdk. Работи с всеки поддържан модел, включително със собствени API ключове. - Производителност: Най-висок процент на успешно изпълнение от всички хернеси, тествани от Factory, със същия модел и на по-ниска цена.
- Най-добър резултат: 65,2% на Terminal-Bench 4 с Claude Opus 5.5 при $4,73 за изпълнена задача (по данни на компанията).
- Най-слаб резултат: С GPT-6.1 Sol Droid се нуждае от 10% повече време за всяка изпълнена задача в сравнение с Codex.
Какво представлява Droid 1.0?
Droid 1.0 е независим от модела хернес за програмиращи агенти от Factory. Factory определя хернеса като всичко около модела. Това включва промптовете, инструментите, начина на връщане на резултатите от инструментите и цикъла. Потребителите избират модел или оставят Factory Router да избере икономична комбинация.
Как работи програмното извикване на инструменти?
При стандартен цикъл всеки резултат от инструмент попада в контекста на модела. При програмното извикване на инструменти (PTC) моделът вместо това пише програма. Droid реализира това чрез инструмента Script. Моделът пише JavaScript, който се изпълнява в пясъчна среда. Пясъчната среда няма собствен достъп до файлове, мрежа или системата.
Необработените файлове, резултатите от търсене и логовете остават вътре в програмата. Към модела се връща само изведеният резултат. Независимите извиквания се изпълняват едновременно.
Идеята се основава на CodeAct (Wang et al., 2024). Factory съобщава следните резултати от собствените си сесии:
- Поправка на модулен тест: 15 извиквания на инструменти изискват 5 заявки към модела вместо 10. Задачата приключва за 41,6 секунди вместо за 56,8 секунди.
- Линейно почистване: 151 проблема са преместени и проверени чрез 312 извиквания на инструменти. Script използва 2 заявки и около 61 000 токена. Моделите на Factory използват директни извиквания в 36 заявки и около 3,1 млн. токена.
- Проверка на CI: 5384 задачи в рамките на 547 изпълнения, чрез 2 заявки. По-малко от 0,1% от резултатите на инструментите достигат до контекста на модела.
При Claude Opus 5.5 режимът Script намалява разходите за Droid с 15% спрямо директното извикване на инструменти. Той е включен по подразбиране за 10 модела, включително GPT-6.1 Sol и Kimi K3.
Пуснете състезанието</button>
<div class="race">
<div class="lane"><b>Директни извиквания на инструменти</b><div class="dots" id="lnA"></div><div class="stat"><span>Извиквания на модела <strong id="aM">0</strong></span><span>Извиквания на инструменти <strong id="aT">0</strong></span><span>Време <strong id="aS">0.0 s</strong></span></div></div>
<div class="lane"><b>Инструмент Script</b><div class="dots" id="lnB"></div><div class="stat"><span>Извиквания на модела <strong id="bM">0</strong></span><span>Извиквания на инструменти <strong id="bT">0</strong></span><span>Време <strong id="bS">0.0 s</strong></span></div></div>
</div>
<div class="lg"><span><i style="background:#2f6bff"></i>Извикване на модела</span><span><i style="background:#c9c9c9"></i>Извикване на инструмент</span><span><i style="background:#111"></i>Script</span></div>
<p class="note">Script е JavaScript в пясъчна среда без собствен достъп до файлове, мрежа или системата. Необработените резултати от инструментите остават в програмата; към модела се връща само изведеният резултат.</p>
</div>
<div class="pn" id="p2">
<h3>Процент успешно изпълнение на Terminal-Bench 4, един и същ модел за всеки хернес</h3>
<div class="seg"><button class="on" data-m="opus">Claude Opus 5.5</button><button data-m="sol">GPT-6.1 Sol</button></div>
<div id="fdxBars"></div>
<p class="note" id="fdxCost"></p>
<p class="note">Данните са предоставени от Factory. 3 изпитания на задача, проведени от 23 до 28 октомври 2026 г. Cursor не е тестван с GPT-6.1 Sol.</p>
</div>
<div class="pn" id="p3">
<h3>Преместване на 151 Linear проблема: 312 извиквания на инструменти</h3>
<p>Всеки проблем е преместен в изоставените задачи, след което е проверен, така че да се промени само неговият статус.</p>
<button class="btn gh" id="fdxLin"> Сравнете</button>
<div class="cmp" style="margin-top:12px">
<div class="box"><div class="lbl">Директни извиквания (моделирани, по 10 на заявка)</div><div class="big" id="lA">0</div><div class="lbl">заявки към модела</div><div class="big" id="lAt" style="font-size:22px;margin-top:8px">0</div><div class="lbl">входни токени</div><div class="tk"><div id="lAb" style="background:#9aa6bf"></div></div></div>
<div class="box"><div class="lbl">Един Script</div><div class="big b" id="lB">0</div><div class="lbl">заявки към модела</div><div class="big b" id="lBt" style="font-size:22px;margin-top:8px">0</div><div class="lbl">входни токени</div><div class="tk"><div id="lBb" style="background:#2f6bff"></div></div></div>
</div>
<p class="note">Данните за директните извиквания са оценки на Factory; данните за Script са от реална сесия.</p>
</div>
<div class="pn" id="p4">
<h3>Други промени в Droid 1.0 (докоснете карта)</h3>
<div class="cards">
<div class="cd"><div class="n">−37%</div><div class="t">Базов промпт</div><div class="x">Първата заявка намалява от 20 887 на 13 055 входни токена. Droid вече изпраща в началото 2 дефиниции на инструменти вместо 11.</div></div>
<div class="cd"><div class="n">98%</div><div class="t">Прочитания от кеша</div><div class="x">Типична производствена заявка прочита 98% от входа си от кеша. Новозаредените инструменти се добавят в края, за да се запази кешираният префикс.</div></div>
<div class="cd"><div class="n">−15%</div><div class="t">Цена на режима Script</div><div class="x">Режимът Script намалява разходите за Droid с 15% при Claude Opus 5.5 в сравнение с директното извикване на инструменти.</div></div>
<div class="cd"><div class="n">16K</div><div class="t">Място за компактиране</div><div class="x">Обобщенията при компактиране вече могат да съдържат 16 000 токена спрямо 8000 досега. 3 еднакви извиквания на инструмент задействат напомняне; 6 спират цикъла.</div></div>
<div class="cd"><div class="n">488 ms</div><div class="t">Първо визуализиране</div><div class="x">Медианното време до първото визуализиране намалява от 1839 ms на 488 ms. Медианното време за излизане намалява от 648 ms на 30 ms.</div></div>
<div class="cd"><div class="n">~20 MB</div><div class="t">За всяка допълнителна сесия</div><div class="x">Сесиите вече споделят процеса на демона и всяка добавя около 20 MB вместо около 350 MB на процес.</div></div>
</div>
</div>
<div class="ft"><span>Източник: <a href="https://factory.com/news/frontier-harness" target="_blank" rel="noopener">Factory Research, 29 октомври 2026 г.</a> · данните са предоставени от компанията</span><span class="mtp">© Marktechpost</span></div>
</div>
<script>
(function(){
var W=document.getElementById('fdx-wrap');
function rs(){try{parent.postMessage({fdxHeight:W.offsetHeight+40},'*')}catch(e){}}
W.querySelectorAll('.tab').forEach(function(t){t.onclick=function(){W.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')});W.querySelectorAll('.pn').forEach(function(x){x.classList.remove('on')});t.classList.add('on');document.getElementById(t.dataset.p).classList.add('on');if(t.dataset.p==='p2')bars(cur);setTimeout(rs,60)}});
/* състезание */
var A=[[1,2],[1,1],[1,1],[1,1],[1,1],[1,2],[1,2],[1,2],[1,2],[1,1]],B=[[1,6],[1,2],[1,2],[1,4],[1,1]];
function race(){var la=document.getElementById('lnA'),lb=document.getElementById('lnB');la.innerHTML='';lb.innerHTML='';
function seq(steps,lane,ids,total,scr){var items=[];steps.forEach(function(s,i){items.push('m');var last=(i===steps.length-1);if(scr&&!last){items.push('s')}for(var k=0;k<s[1];k++)items.push('t')});
var m=0,t=0,i=0,step=total/items.length;var iv=setInterval(function(){if(i>=items.length){clearInterval(iv);document.getElementById(ids[2]).textContent=total.toFixed(1)+' s';return}var d=document.createElement('span');d.className='d '+items[i];lane.appendChild(d);setTimeout(function(){d.classList.add('show')},20);if(items[i]==='m')m++;if(items[i]==='t')t++;document.getElementById(ids[0]).textContent=m;document.getElementById(ids[1]).textContent=t;document.getElementById(ids[2]).textContent=(step*(i+1)).toFixed(1)+' s';i++;rs()},step*45)}
seq(A,la,['aM','aT','aS'],56.8,false);seq(B,lb,['bM','bT','bS'],41.6,true)}
document.getElementById('fdxRun').onclick=race;
/* ленти */
var D={opus:{rows:[['Droid',65.2],['Cursor',62.1],['OpenCode',62.1],['Devin',59.6],['Claude Code',57.6]],c:'Droid: $4.73 за изпълнена задача, до 24% по-евтин и с 16% до 26% по-бърз от всеки друг хернес с Opus 5.5.'},sol:{rows:[['Droid',57.6],['Codex',54.0],['OpenCode',51.0],['Devin',45.0]],c:'Droid: $0.79 за изпълнена задача, 12% по-евтин от Codex, но с 10% повече време за всяка изпълнена задача.'}},cur='opus';
function bars(k){cur=k;var h='';D[k].rows.forEach(function(r){h+='<div class="bar"><span>'+r[0]+'</span><div class="trk"><div class="fill'+(r[0]==='Droid'?' me':'')+'" data-w="'+(r[1]/70*100)+'"></div></div><span class="val">'+r[1].toFixed(1)+'%</span></div>'});var b=document.getElementById('fdxBars');b.innerHTML=h;document.getElementById('fdxCost').textContent=D[k].c;setTimeout(function(){b.querySelectorAll('.fill').forEach(function(f){f.style.width=f.dataset.w+'%'})},40);rs()}
W.querySelectorAll('.seg button').forEach(function(b){b.onclick=function(){W.querySelectorAll('.seg button').forEach(function(x){x.classList.remove('on')});b.classList.add('on');bars(b.dataset.m)}});
/* линейно */
function cnt(el,to,fmt,ms){var s=null;function f(ts){if(!s)s=ts;var p=Math.min((ts-s)/ms,1);el.textContent=fmt(to*p);if(p<1)requestAnimationFrame(f)}requestAnimationFrame(f)}
document.getElementById('fdxLin').onclick=function(){cnt(document.getElementById('lA'),36,function(v){return Math.round(v)},1100);cnt(document.getElementById('lB'),2,function(v){return Math.round(v)},600);cnt(document.getElementById('lAt'),3.1,function(v){return '~'+v.toFixed(1)+'M'},1100);cnt(document.getElementById('lBt'),61,function(v){return '~'+Math.round(v)+'K'},600);document.getElementById('lAb').style.width='100%';document.getElementById('lBb').style.width=(61/3100*100).toFixed(2)+'%'};
W.querySelectorAll('.cd').forEach(function(c){c.onclick=function(){c.classList.toggle('open');setTimeout(rs,380)}});
bars('opus');window.addEventListener('load',rs);window.addEventListener('resize',rs);setTimeout(rs,300);
})();
</script>
</body></html>
">
Как се представя Droid 1.0 на Terminal-Bench 4?
Factory изпълнява всеки хернес с Droid, използвайки един и същ модел. Всеки хернес провежда 3 изпитания на задача от 23 до 28 октомври 2026 г. В изчисленията за цена и време се включват само задачите, които и двата хернеса изпълняват успешно и в трите изпитания.
- Claude Opus 5.5: Droid постига 65,2%. Cursor и OpenCode постигат 62,1%, Devin — 59,6%, а Claude Code — 57,6%. Droid струва до 24% по-малко.
- GPT-6.1 Sol: Droid постига 57,6% при $0,79 за изпълнена задача. Codex постига 54,0%, OpenCode — 51,0%, а Devin — 45,0%.
- Скорост: При Opus 5.5 Droid се нуждае от 16% до 26% по-малко време за всяка изпълнена задача. В сравнение с Claude Code използва и 17% по-малко токени.
Какво друго се промени в хернеса?
Повечето промени са резултат от вътрешен цикъл на Agent Factory. Агентите анализират грешките и предлагат промени, които се тестват при всяко засегнато семейство модели. Инженерите преглеждат и обединяват промените.
- Кеш на промпта: Новозаредените инструменти се добавят в края на заявката. Типичната производствена заявка прочита 98% от входа от кеша.
- По-лека първа заявка: Дефинициите на инструментите са намалени с 46%. Рядко използваните инструменти вече се зареждат при поискване.
- Ограничена автономност: 3 еднакви извиквания на инструмент задействат напомняне, а 6 спират цикъла. Обобщенията при компактиране вече съдържат 16 000 токена спрямо 8000 досега.
- Латентност на приложението: Първото визуализиране намалява от 1839 ms на 488 ms. Всяка допълнителна сесия вече добавя около 20 MB вместо 350 MB.
Сравнение: Droid 1.0 и други хернеси за програмиращи агенти
| Функция | Droid 1.0 (Factory) | Codex CLI | Claude Code | OpenCode |
|---|---|---|---|---|
| Разработчик | Factory | OpenAI | Anthropic | Anomaly |
| Поддръжка на модели | Независим от модела, BYOK, Factory Router | План ChatGPT или API ключ | Нативен хернес за Claude (Factory) | Над 75 LLM доставчици, локални модели |
| Лиценз | Не е обявен (SDK е с Apache 2.0) | Apache-2.0 | Търговски условия на Anthropic | MIT |
| Програмно извикване на инструменти | По подразбиране (инструмент Script) | Да, според Factory | Не е обявено | Не е обявено |
| TB4, Claude Opus 5.5* | 65,2% | Не е тестван | 57,6% | 62,1% |
| TB4, GPT-6.1 Sol* | 57,6% | 54,0% | Не е тестван | 51,0% |
| Време за изпълнена задача спрямо Droid* | Базова стойност | Droid е с 10% по-бавен (Sol) | Droid е с 26% по-бърз (Opus) | Droid е с 4% до 24% по-бърз |
| Ценообразуване | От $20/месец | План ChatGPT или API | Не е обявено | Безплатен, с отворен код |
*Данните за Terminal-Bench 4 са от собствените изпитания на Factory, описани в раздела за методологията.
Как разработчиците могат да го изпробват?
Droid 1.0 се предлага като настолно приложение и терминален интерфейс. Droid SDK изпълнява същия хернес от Node, със сесии, стрийминг и MCP инструменти. Платените планове започват от $20 на месец.
Основни изводи
- Droid 1.0 превръща програмното извикване на инструменти в настройка по подразбиране.
- Един Script може да изпълнява стотици извиквания на инструменти на всяка заявка към модела.
- 65,2% на Terminal-Bench 4 с Opus 5.5, по данни на компанията.
- Базовият промпт е намален с 37% до 13 055 токена.
- Codex все още е по-бърз с GPT-6.1 Sol.
Вижте пълната изследователска публикация на Factory, Droid SDK в GitHub и документацията за Droid. Също така, последвайте ни в Twitter и не забравяйте да се присъедините към нашия ML SubReddit с над 150 хил. членове и да се абонирате за нашия бюлетин. Чакайте! В Telegram ли сте? Вече можете да се присъедините към нас и в Telegram.
Имате нужда от партньор за популяризиране на вашето GitHub хранилище ИЛИ страница в Hugging Face ИЛИ представяне на продукт ИЛИ уебинар и т.н.? Свържете се с нас
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.