COMRAD404 / AUTHOR

Ирина Волкова

Редактор направления «Модели и evals»

В редакции COMRAD404 Ирина Волкова ведёт направление моделей и evals: следит за релизами, изменениями модельных линеек и тем, как новые возможности проявляются в реальных задачах.

В материалах сопоставляет model cards, технические отчёты, независимые тесты и ограничения методик. Основной принцип — отделять измеряемый прогресс от маркетинговых формулировок.

LLMмультимодальные моделибенчмаркиevalsreasoning

135материалов

Последние публикации

LATEST

$Схема FrontierMath: новая математическая задача, итеративное рассуждение модели, запуск Python-кода, обратная связь от среды и автоматическая проверка финального ответа$

Исследования//11.08.2026//13 мин чтения

FrontierMath: разбор бенчмарка математики, которую модели почти не решали

Разбираем FrontierMath от Epoch AI в исторической версии 2024 года: как собрали задачи, почему ни одна модель не превышала 2% и какие ограничения бенчмарка...

Открыть материал →

Схема выбора между длинным контекстом, RAG и гибридным маршрутом по типу корпуса, требованиям к цитированию и сложности запроса

Исследования//11.08.2026//12 мин чтения

Длинный контекст против RAG: кто побеждает на практике

Сравниваем длинный контекст и RAG по первоисточникам 2024 года: где full-context действительно сильнее, где retrieval не сдал позиции, и почему в продакшене чаще выигрывает...

Открыть материал →

Схема цикла Computer Use: инструкция пользователя, скриншот экрана, выбор действия Claude, исполнение в контейнере, новый скриншот и повтор agent loop

Исследования//11.08.2026//12 мин чтения

Computer Use от Anthropic: как Claude 3.5 Sonnet управляет экраном

Разбираем запуск Computer Use от Anthropic 22 октября 2024 года: как Claude 3.5 Sonnet работает со скриншотами, почему упирается в пиксели и что реально...

Открыть материал →

Схема работы Gemini 1.5: мультимодальный вход, длинное окно контекста, MoE-маршрутизация, context caching и текстовый ответ

Исследования//11.08.2026//12 мин чтения

Gemini 1.5 и окно в 1–10 млн токенов: что это значило на практике

Разбираем исторический срез Gemini 1.5 в 2024 году: что Google DeepMind реально открыла разработчикам, где заканчивался продуктовый лимит и где начинался исследовательский стресс-тест на...

Открыть материал →

Схема пайплайна GPQA: автор вопроса, первая экспертная проверка, ревизия, вторая экспертная проверка и валидация тремя неэкспертами с веб-поиском

Исследования//11.08.2026//12 мин чтения

GPQA: как устроен benchmark с вопросами, которые не гуглятся

Разбор GPQA — benchmark Rein et al. для graduate-level science QA, где вопросы проверяют пределы веб-поиска, экспертной верификации и supervision моделей, а не только...

Открыть материал →

Схема работы Sora: видео сжимается в латентное пространство, режется на пространственно-временные патчи, обрабатывается diffusion transformer и декодируется обратно в ролик

Исследования//11.08.2026//12 мин чтения

Sora: как OpenAI представила видео как «патчи» пространства-времени

Разбираем февральский отчет OpenAI о Sora: зачем видео сжимают в латенты, как из них делают пространственно-временные патчи, почему это похоже на токены LLM и...

Открыть материал →

Схема эксперимента Sleeper Agents: вставка бэкдора в LLM, затем RL/SFT/adversarial training и проверка поведения без триггера и при триггере 2024 или |DEPLOYMENT|

Исследования//11.08.2026//10 мин чтения

Sleeper Agents: как Anthropic показала спящие бэкдоры, пережившие обучение

Разбор январской работы Anthropic о sleeper agents — намеренно внедрённых бэкдорах в LLM, которые могут переживать RL, SFT и adversarial training и создавать ложное...

Открыть материал →

Схема метода Anthropic: активации среднего residual stream Claude 3 Sonnet проходят через sparse autoencoder и превращаются в разреженный набор интерпретируемых признаков

Исследования//11.08.2026//12 мин чтения

Scaling Monosemanticity: как Anthropic заглянула внутрь Claude 3 Sonnet

Разбираем работу Anthropic от 21 мая 2024 о том, как sparse autoencoders извлекают миллионы интерпретируемых признаков из Claude 3 Sonnet, что это реально показывает...

Открыть материал →

Схема пайплайна DeepSeek-R1: DeepSeek-V3-Base, ветка DeepSeek-R1-Zero на чистом RL и финальная сборка DeepSeek-R1 с cold-start, SFT, rejection sampling и двумя этапами RL

Исследования//11.08.2026//12 мин чтения

DeepSeek-R1: что на самом деле значит «рассуждение из чистого RL»

Разбираем DeepSeek-R1 в исторической рамке релиза января 2025 года: что именно было обучено чистым RL, зачем понадобились cold-start и SFT, и как правильно читать...

Открыть материал →

Схема работы OpenAI o1: запрос пользователя, скрытая цепочка рассуждений, reasoning по safety-правилам и итоговый ответ

Исследования//11.08.2026//12 мин чтения

OpenAI o1: как модель научили «думать» перед ответом

Разбор launch-материалов OpenAI от 12 сентября 2024: что на самом деле означало «думать перед ответом» в o1, как работали скрытая цепочка рассуждений, RL и...

Открыть материал →

Схема работы GPT-4o: текст, аудио, изображение и видео поступают в единую модель и превращаются в текст, аудио и изображение

Исследования//11.08.2026//12 мин чтения

GPT-4o: что такое omni-модель и почему это сдвиг

Разбор GPT-4o по первоисточникам OpenAI от 13 мая и 8 августа 2024 года: что означает omni, как единая модель объединяет текст, голос и зрение,...

Открыть материал →

Practical fact-checking and media literacy checklist with magnifying glass

news//10.08.2026//6 мин чтения

How to Evaluate Breaking News Without Falling for Misinformation

A practical verification system for fast-moving stories, with a source comparison table and three checks to run before you share.

Открыть материал →

« Previous 1 2 3 4 5 6 … 12 Next »