Тема COMRAD404
Разбираем практические методы оценки стабильности контекста у LLM-агентов. Анализируем метрики деградации памяти, проблемы «забывания» в длинных сессиях, бенчмарки и подходы...
Команда Intercom поделилась опытом внедрения продакшн-систем на базе языковых моделей OpenAI. Разбираем автоматизированную оценку, модульную архитектуру и логику эскалации для...
Аналитик проверил пять AI-проектов XPRIZE: технические результаты воспроизводились, но бизнес-заявления оказались сложнее. Например, “91,2%” зависели от метода агрегации, а “AI...
Сравнение двух ведущих AI-агентов для программирования на реальной задаче — миграция 15 000 строк TypeScript с устаревшей библиотеки на современную....
В Claude Code появилась бета-функция Projects — возможность запускать несколько AI-агентов в одном проекте с общей памятью, целями и репозиторием....
Instinct запускает Concierge для телефонных поручений, а Muse от Meta тестирует звонки компаниям в США. Обе функции доступны ограниченному кругу...
Исследователи представили MudawanSn — золотой стандарт параллельного корпуса для пары языков волоф — современный стандартный арабский. 1271 предложение из новостного...
Новый бенчмарк наглядно демонстрирует, что даже лучшие open-source LLM (Gemma, Qwen2.5, DeepSeek) резко теряют качество при работе с реальным OCR....
Исследователи из Чжэцзянского университета представили EvoSkill-GUI — фреймворк, позволяющий GUI-агентам пересматривать и улучшать свои навыки в процессе выполнения задач, без...
MCPJam запустила на Product Hunt платформу для проверки MCP-серверов — от симуляции пользовательских сценариев до повторяемых eval-тестов в CI/CD. Проект...
