NASA и IBM открыли лунную ИИ-модель: ошибка прогноза полярного льда снизилась до 22%
NASA и IBM представили открытую модель для анализа лунных данных. На тесте прогноза возможных залежей льда она снизила ошибку до...
Последние публикации
Об авторе
State-Space Unlearning очищает прогнозы поверхности Земли от устаревших смещений
Исследователи представили SSU-LSF — метод машинного «разучивания» для Mamba-подобных моделей, которые продолжают учитывать временные сбои в данных дистанционного зондирования и...
Агенты научились менять игровые миры — но сложные правки даются хуже
Авторы IGMWorld и IGMBench проверили, могут ли coding-агенты менять работающие миры Minecraft и Terraria, сохраняя остальное. Главная сложность — не...
SymCE: почему дообучение на контрпримерах может ухудшить математику модели
Авторы SymCE сравнили SFT и обучение с подкреплением для генерации математических контрпримеров. В их эксперименте SFT обрушило распознавание истинных теорем,...
DeReAct разделяет мышление и контроль: новый подход к более надёжным AI-агентам
Исследователи представили DeReAct — архитектуру, в которой отдельные политики проверяют действия агента и подтверждают завершение задачи. Наибольший прирост качества метод...
Как измерить качество ответов RAG: тест на точность извлечения и полноту контекста
Практический способ проверить RAG-систему отдельно по поиску документов и генерации ответа: набор вопросов, метрики, ручная проверка и разбор ошибок.
Meta открыла Muse Gadgets: Muse можно подключить к самодельным устройствам
Meta представила Muse Gadgets — открытый набор SDK и прошивок для устройств на ESP32 и Linux. Проект позволяет подключить к...
XiangqiBench проверяет, доводят ли LLM-агенты шахматный план до победы
Новый бенчмарк оценивает не только выбор хода, но и способность агента выиграть партию против движка. Результаты показывают разрыв между найденным...
Cloudflare начала учитывать HTTP-заголовок Vary при кэшировании
Поддержка Vary устраняет один из давних рисков для приложений, которые возвращают HTML или JSON в зависимости от заголовков запроса. Для...
CUE: калиброванные пользовательские эмбеддинги для реалистичной симуляции в бенчмарках AI-агентов
Новая работа предлагает метод Calibrated User Embeddings (CUE) — он приближает поведение симулированных пользователей к реальным по метрикам успеха и...
OpenAI: компании переводят ИИ от ответов к выполнению задач
OpenAI описала, как крупные компании используют ChatGPT и Codex для многошаговой работы. Главный сдвиг — от подсказок сотруднику к выполнению...
Агентам предлагают оценивать следующий вызов инструмента до его выполнения
В arXiv описали CITA — подход, который учит модель сравнивать возможные вызовы инструментов по их вероятной пользе для конечной задачи....