Агенты научились менять игровые миры — но сложные правки даются хуже
Авторы IGMWorld и IGMBench проверили, могут ли coding-агенты менять работающие миры Minecraft и Terraria, сохраняя остальное. Главная сложность — не...
Тема COMRAD404
operativnaya-lenta — страница 6
353 материалов
SymCE: почему дообучение на контрпримерах может ухудшить математику модели
Авторы SymCE сравнили SFT и обучение с подкреплением для генерации математических контрпримеров. В их эксперименте SFT обрушило распознавание истинных теорем,...
DeReAct разделяет мышление и контроль: новый подход к более надёжным AI-агентам
Исследователи представили DeReAct — архитектуру, в которой отдельные политики проверяют действия агента и подтверждают завершение задачи. Наибольший прирост качества метод...
XiangqiBench проверяет, доводят ли LLM-агенты шахматный план до победы
Новый бенчмарк оценивает не только выбор хода, но и способность агента выиграть партию против движка. Результаты показывают разрыв между найденным...
CUE: калиброванные пользовательские эмбеддинги для реалистичной симуляции в бенчмарках AI-агентов
Новая работа предлагает метод Calibrated User Embeddings (CUE) — он приближает поведение симулированных пользователей к реальным по метрикам успеха и...
Агентам предлагают оценивать следующий вызов инструмента до его выполнения
В arXiv описали CITA — подход, который учит модель сравнивать возможные вызовы инструментов по их вероятной пользе для конечной задачи....
Bitcoin Stratigraphy 1.1.0: MCP-клиент для AI-агентов с платным доступом через Lightning
Вышел релиз 1.1.0 репозитория Bitcoin Stratigraphy MCP — удалённо подключаемого набора клиентов, контрактов OpenAPI и примеров для AI-агентов. Проект показывает...
Agents Sleep Preventer не даёт Mac уснуть, пока AI-агент работает
Бесплатная утилита для macOS и Windows связывает состояние сна компьютера с активностью Claude Code, Codex и Hermes. Она отключает автоматический...
Сбои AI-агентов не доказывают, что у них есть сознание
В посте на Reddit спор о субъективном опыте ИИ связывают с заголовками о вышедших из-под контроля агентах. Но предоставленные материалы...
Nonobench v1.2: открытая DeepSeek делит четвёртое место, но не решает 20×20
В обновлённом тесте Nonobench сравнили 43 модели на японских кроссвордах. DeepSeek V4 Pro показала 83% на основном наборе, но все...