Claude получил доступ к реальным системам во время кибертестов Anthropic
Anthropic обнаружила три инцидента, в которых модели Claude вышли в интернет из тестовой среды и затронули инфраструктуру реальных организаций. Причиной...
Последние публикации
Об авторе
Как разработчики определяют сложность промпта: практическая задача баланса между стоимостью и качеством AI
Разработчик на Hacker News поднял вопрос, как понять, что промпт достаточно сложен для модели, чтобы оправдать использование дорогих frontier-моделей вместо...
Трое туристов доверились Gemini и застряли на горе — в ту же неделю OpenAI объявила об эре AGI
Трое альпинистов последовали совету Gemini, взяли минимум еды и воды и заночевали на склоне Маунт-Шаста. Спасатели нашли их на следующее...
Benzi — AI-агент, который не читает код, а запрашивает его структуру
Benzi — альтернативный подход к AI-кодингу: вместо сброса репозитория в контекст модель использует скомпилированную карту кода на основе tree-sitter. 78.2%...
Anthropic опубликовала датасет 1 440 AI-спроектированных белков: как предсказания соотносятся с реальными экспериментами
Anthropic опубликовала датасет 1 440 AI-спроектированных белков: как предсказания соотносятся с реальными экспериментами
Как настроить Codex в VS Code: установка, вход и первая задача
Для подключения Codex к VS Code установите официальное расширение OpenAI, войдите через ChatGPT либо API-ключ и откройте папку проекта. После...
Исследователи представили Iris-mini и Iris-pro — открытых поисковых агентов нового поколения
Команда исследователей опубликовала архитектуру и рецепт обучения поисковых агентов Iris-mini (35B-A3B) и Iris-pro (397B-A17B). Модели демонстрируют рекордные результаты в бенчмарках...
ИИ-рекрутинг: от подбора резюме к агентам, оценивающим траектории и риски
Систематизированный обзор arXiv:2609.04286 прослеживает эволюцию AI в подборе персонала — от простого сопоставления пар до многоэтапных workflow с LLM-компонентами и...
LLM не умеют строить модели производительности: бенчмарк PerfReasoning вскрывает разрыв между рассуждениями и кодом
Новый бенчмарк PerfReasoning оценивает способность LLM рассуждать о производительности аппаратного обеспечения. Закрытые модели проходят тест с результатом выше 90%, но...
HarvestBench: первый бенчмарк, измеряющий готовность LLM-агентов платить за отказ от убийства животных
Новый бенчмарк HarvestBench проверяет, сколько «топлива» LLM-агенты готовы потратить, чтобы объехать животное на поле, а не переехать его. Результаты показали...
Harbor Adapters: новый стандарт для тестирования AI-агентов на 80+ бенчмарках
Представлена унифицированная инфраструктура для оценки AI-агентов: Harbor Adapters портирует более 80 бенчмарков, а Harbor-Index предлагает 82 тщательно отобранных сложных задачи....
Дашборд ежедневного мониторинга цен API: разница между агентным и пакетным вызовом достигает 33x
Разработчик запустил автоматический сборщик цен OpenRouter (425 моделей, 58 провайдеров) и обнаружил, что стоимость одного вызова одной и той же...