Тема COMRAD404
Исследователь продемонстрировал, что языковая модель может содержать правильный ответ на токенном уровне, но не выдавать его из-за работы отдельного «шлюза...
В Reddit набирает обороты пост, в котором утверждается: последние «побеги» AI-агентов — не признаки сознания, а следствие халатности разработчиков. Разбираем...
Разбираем, как измерять сохранение контекста в автономных LLM-агентах при длительных сессиях, почему стандартное окно токенов не гарантирует устойчивость рассуждений и...
Разработчики представили Real-SWE — бенчмарк, который тестирует AI-модели на приватных, коммерческих кодовых базах. В отличие от синтетических задач, здесь используются...
Разработчик протестировал три AI-системы на 10 бизнес-идеях. RESORSA предложила пути на $13 500 дешевле, чаще рекомендовала пивот и быстрее выдавала...
NVIDIA выпустила открытый пайплайн для решения олимпиадных задач по математике на естественном языке. Три чекпоинта Nemotron 3 Ultra набрали 30...
Исследователи формализовали задачу предварительной подготовки среды без знания целевых заданий. Мета-агент с архивом превзошёл фиксированные методы на пяти из шести...
Вышел GoatCode v2.1.10 — open-source терминальный AI-агент, который умеет переключать LLM-провайдера прямо во время сессии при падении квоты, не теряя...
arXiv:2609.10724. Исследователи предлагают оценивать ИИ-агентов не только по успешности выполнения задач, но и по двум новым параметрам: операционная устойчивость и...
Bastiontrace анализирует JSONL-трейсы вызовов инструментов AI-агента, находит следы промпт-инъекции, определяет точку входа, заражённые вызовы и конечное запрещённое действие. Инструмент не...
