SWE-Duel: новый бенчмарк для взаимной проверки ИИ-агентов
Исследователи представили SWE-Duel — арену, где coding-агенты по очереди создают функции со скрытыми дефектами и пытаются исправить код друг друга....
Последние публикации
Об авторе
OpenAI описала меры безопасности браузерного агента Operator
В Operator System Card OpenAI описала защиту браузерного агента от промпт-инъекций, джейлбрейков и рисков для приватности. Компания также рассказала о...
Hugging Face призвала учесть открытые ML-модели в законе ЕС об ИИ
Hugging Face вместе с Creative Commons, EleutherAI, GitHub, LAION и Open Future представила позицию по проекту закона ЕС об искусственном...
Как проверить качество эмбеддингов для RAG на своих данных: метрики и тесты
Практический тест эмбеддингов для RAG: соберите запросы с известными ответами, сравните модели по Recall@k и MRR и проверьте влияние разбиения...
Cloudflare выпустила мультимодальную модель Clef-omni для анализа текста, аудио, изображений и видео
Cloudflare представила Clef-omni — модель для структурированных решений по тексту, изображениям, аудио и видео в одном запросе. Компания также заявила...
npm разрешил создавать новые пакеты через staged publishing — и это важнее, чем кажется
Теперь CI может создать npm-пакет без ручной первой публикации. Но staged publishing не делает выпуск полностью автоматическим: первую версию должен...
Скидки до 90% в осенней распродаже Steam: Atomic Heart, The Outlast Trials и другие — как пополнить кошелёк из России
В осенней распродаже Steam 2026 года на Atomic Heart и The Outlast Trials заявлены скидки до 90%, сообщает телеграм-канал Jeteed....
Qwen3.8-27B почти не ошибся в сложении — но это не значит, что он умеет считать
Эксперимент на локальном DGX Spark показал 167 правильных ответов из 169 при сложении больших чисел и выводе результата словами. Но...
Как оценивать ответы LLM по критериям, а не по впечатлению
Практическая оценка ответов LLM начинается с проверяемой рубрики и набора примеров. Разбираем, как сравнивать модели, снижать влияние субъективности и проверять...
GitHub добавила динамические workflow в Copilot CLI и приложение Copilot
Динамические workflow позволяют задавать в коде повторяемые этапы работы с агентами и автоматическими проверками. Функция доступна в публичной предварительной версии,...
OpenAI заявила о GPT-5.6-Cyber для авторизованных исследований уязвимостей
OpenAI сообщила о GPT-5.6-Cyber — специализированной модели для проверки эксплойтов, исследования уязвимостей и тестирования защиты через платформу Daybreak Red. Независимые...
Медицинский совет от ChatGPT: лучшее рассуждение ещё не делает его врачом
OpenAI заявляет, что GPT-5.5 Instant лучше справляется с вопросами о здоровье благодаря рассуждению, контексту и оценкам с участием врачей. Но...