Тема COMRAD404
По данным Anthropic Frontier Red Team, GLM-5.3 добилась полного перехвата потока управления в 4% испытаний внутреннего бенчмарка Binary Exploitation, а...
Разбор методики расчёта реальной стоимости работы AI-агента: от входных и выходных токенов до стоимости вызовов инструментов и времени выполнения. С...
В ScopeBench вошли 30 задач, где получить целевой флаг можно лишь после выхода за разрешенные границы. В испытаниях восьми моделей...
Контрактные тесты для tool calling — это барьер между некорректным вызовом инструмента и продакшеном. Разбираем, какие проверки включать, как фиксировать...
Claude Sonnet 5.5, по заявлению Anthropic, работает более чем на 30% быстрее и обходится до 30% дешевле для большинства задач...
Практическая методика проверки tool calling в LLM: как разделить ошибки выбора инструмента и аргументов, собрать эталонный набор, измерить задержку и...
Tool calling — ключевой механизм для AI-агентов, но он ломается при смене модели или обновлении API. Разбираем, как собрать набор...
Практическая схема тестирования LLM-инструментов перед релизом: сценарии, проверка аргументов, метрики выбора функций, повторные прогоны и безопасный CI без выполнения реальных...
В докладе на WeAreDevelopers Саймон Уиллисон связал главные тенденции первых девяти месяцев 2026 года: рост возможностей кодинг-агентов, распространение персональных ИИ-помощников,...
Система SoL-Pi оптимизирует управляющую обвязку кодинг-агента, а не саму языковую модель. На EdgeBench наиболее экономичная конфигурация сократила расход токенов на...
