CURATOR предлагает совместно отбирать доказательства для RAG
CURATOR обучают совместно отбирать доказательные фрагменты для RAG. Разбираем механизм, заявления авторов и то, каких численных результатов не хватает для...
Последние публикации
Об авторе
Автономный исследовательский агент: как работает и где ошибается
Автономный исследовательский агент выполняет многоэтапную задачу, но правдоподобная статья не доказывает, что эксперименты состоялись. Пример Into the Unknown показывает сбой...
SteelAgent: почему точность прогноза прочности стали падает на новых данных
В анализе SteelBench авторы сообщают: R² градиентного бустинга снизился с 0,859 при случайном разбиении до 0,113 при удержании семейств сталей....
Anisotropic Trust Region Warping для Prior-Data Fitted Networks: что это и когда помогает в байесовской оптимизации
ATR warping адаптирует PFN к задаче с несовпадающим lengthscale через оценку per-dimension lengthscales и аффинное масштабирование входного пространства.
VisCurate: как сравнивают поведение визуальных навыков
Поведенческая эквивалентность сравнивает результаты визуальных навыков на общих изображениях. Разбираем, как VisCurate ищет дубликаты и почему тесты не гарантируют универсальную...
Navalia: как обучают финансового агента на проверяемых задачах
Navalia связывает финансовые документы, проверяемые факты и вычислительные цепочки для обучения агента. Авторы сообщают об улучшении на пяти бенчмарках, но...
Что такое RLSF: как модель использует самооценку при дообучении
RLSF использует собственную оценку или критику модели как сигнал для дообучения. Разбираем механизм на примере проекта и объясняем, почему самооценка...
Into the Unknown: как проверяли ИИ-агентов на открытых научных задачах
Into the Unknown оценил девять ИИ-агентов на 15 открытых научных задачах: по данным авторов, ни одна из 135 работ не...
Decision-1: что умеет модель решений и что показывают её тесты
Decision-1 — специализированная модель Microsoft для классификации, оценки и маршрутизации. Компания заявляет о 83,5% точности и задержке 85 мс, но...
Как измерить долю ошибок LLM в структурированном выводе
Разберите ответы модели на слои: валидность JSON, соответствие схеме и смысловая корректность. Практический тест поможет найти, где именно ломается структурированный...
Как проверить, что LLM действительно следует JSON Schema
JSON-парсер подтверждает, что ответ синтаксически корректен, но не гарантирует соблюдение схемы или смысла полей. Разбираем проверку через JSON Schema, негативные...
Harnessed Agentic RL: обучение ИИ-агента в его рабочей оболочке
Microsoft Research описывает Harnessed Agentic RL как обучение с участием рабочего harness агента. Разбираем прокси Agent Lightning v1.0 и заявленный...