Тема COMRAD404
Новый бенчмарк PerfReasoning оценивает способность LLM рассуждать о производительности аппаратного обеспечения. Закрытые модели проходят тест с результатом выше 90%, но...
Новый бенчмарк HarvestBench проверяет, сколько «топлива» LLM-агенты готовы потратить, чтобы объехать животное на поле, а не переехать его. Результаты показали...
Представлена унифицированная инфраструктура для оценки AI-агентов: Harbor Adapters портирует более 80 бенчмарков, а Harbor-Index предлагает 82 тщательно отобранных сложных задачи....
Разработчик запустил автоматический сборщик цен OpenRouter (425 моделей, 58 провайдеров) и обнаружил, что стоимость одного вызова одной и той же...
Саймон Уилсон предупредил, что попытка заменить перегруженную техническим долгом систему новым проектом нередко заканчивается параллельной эксплуатацией двух кодовых баз. Для...
OpenAI опубликовала данные о том, как внутренние кодинг-агенты меняют темп и сложность AI-исследований. Параллельно компания делится опытом мониторинга таких агентов...
Открытый проект call-me-vera предлагает минималистичное решение для сквозной памяти агентов — без векторных БД и эмбеддингов, на чистом SQLite и...
Представлен AAFP Commons — локальный реестр знаний для AI-агентов с поддержкой криптографических подписей Ironclad, политиками доступа и MCP-сервером. Проект решает...
OKF Agent Memory — стандартизированный слой памяти для AI-агентов, работающий как Markdown-файлы в Git-репозитории. Решает проблему потери контекста и устраняет...
Свежее тестирование MineBench демонстрирует, что GPT-6 Astra Pro превосходит предшественника не только по качеству сборок, но и по надёжности: ноль...
