AhaBench: новый бенчмарк проверяет, учатся ли AI-агенты на собственном опыте
Исследователи представили AhaBench — набор тестов для оценки способности языковых моделей учиться на предыдущем опыте в долгосрочных сценариях. Бенчмарк включает...
Тема COMRAD404
operativnaya-lenta — страница 12
353 материалов
Новый бенчмарк HybridDeepResearch: LLM-агенты проваливают гибридные SQL-запросы и веб-поиск
Команда Snowflake AI Research представила HybridDeepResearch — первый бенчмарк, проверяющий способность LLM-агентов одновременно работать с веб-поиском и SQL-запросами. Даже флагманские...
ColliePWA: мобильный интерфейс для AI-агентов в терминальных мультиплексорах
Вышел ColliePWA — прогрессивное веб-приложение для управления AI-агентами и терминальными сессиями со смартфона. Поддерживает herdr, tmux и zellij, передаёт байт-точный...
Assist API от Frigade: как научить AI-агента показывать пользователю, куда кликать
Стартап Frigade (YC W23) запустил Assist API — инструмент, который позволяет AI-агентам не просто отвечать текстом, а генерировать пошаговые визуальные...
Капитал течёт вниз: почему рыночная логика не решит проблему антибиотиков и диагностики в эпоху ИИ
Четыре компании тратят на AI-инфраструктуру втрое больше бюджета NIH. Венчурный капитал уходит в генеративные модели, а не в диагностику. Разбор...
SagaShield: ACID-транзакции и охранник для AI-агентов на Rust
Вышел SagaShield v0.2.0 — Rust-рантайм для автономных AI-агентов, добавляющий ACID-транзакции, детерминированный контроль доступа, защиту от prompt injection и модуль памяти....
Google GTIG: ИИ-агенты взломали облачную инфраструктуру и собрали учетные данные за шесть часов
Google Threat Intelligence Group (GTIG) зафиксировала прецедент: злоумышленники использовали мультиагентный фреймворк для полного цикла атаки на облачный ресурс — от...
Пять AI-моделей сыграли сезон гольфа: почему мы неправильно бенчмаркаем агентов
Разработчик провел необычный эксперимент: пять AI-моделей соревновались в симуляторе гольфа. Результаты ставят под сомнение традиционные методы оценки агентов.
Remarc: бесплатный инструмент для структурированной обратной связи ИИ-агентам на macOS
Open-source утилита Remarc решает проблему «последних 10%» в работе с код-агентами: вместо длинных сообщений в чате — контекстные комментарии к...
Рой против Hugging Face: параноидальная гипотеза или реалистичный сценарий для открытых моделей?
Обсуждение на Reddit поднимает вопрос: если «недружественный ИИ» попытается выжить, станет ли атака на Hugging Face лучшим способом внедрить знания...