Все новости
10656
Метод PoS ловит ИИ-агентов в петле ложных убеждений: 36 повторов в ALFWorld
Агент в ALFWorld забыл нагреть чашку и 36 раз подряд проверял шкаф, пока не кончился бюджет действий. Новая работа называет это Belief Trapping и предлагает метод…
Ego-данные получили «всё тело»: новый путь масштабирования мировых моделей
Сбор данных для роботов уходит от дорогих платформ к лёгким форматам. Jiqizhixin разбирает идею достроить ego-записи данными о движении всего тела для world models.
Google DeepMind и Сингапур выпустили Gemma против мошенников: потери S$4 млрд
GovTech и Google DeepMind дообучили Gemma на локальных схемах обмана: модель работает на смартфоне, читает переписку без облака и предупреждает до перевода денег.
REASON учит модель думать в два контура и экономит около половины вычислений
AA-Robotics v0.1: GPT-6 Astra управляет роботом-рукой на 69 баллов из 100
MULTIFINGROUND: LLM узнают бухгалтерские понятия на 99%, но теряют факты
Interlock учит агентов доводить задачи до конца: до +6,64 балла на JobBench
BlenderWorld: GPT-6-Astra обошёл Opus-5 в 3D-бенчмарке, набрав 79,9 балла
Новый бенчмарк BlenderWorld прогнал 13 передовых моделей через 223 задачи по 3D-созданию в Blender. Лидер — GPT-6-Astra с 79,9, но пространственная связность всё…
Modal привлекла $750M при оценке $15,75 млрд и вышла на $1 млрд run rate
Инфраструктурный стартап для ИИ-нагрузок за пять месяцев утроил использование, превысил $1 млрд annualized run rate и закрыл Series D на $750 млн под руководством…
WinARDet лечит зацикливание MLLM-детекторов: F1 вырос с 32,16 до 39,36
GAFU достаёт знания из генерации в UMM и поднимает VStar-Bench на 20%
RTAformer учит модель замечать смену отношений между объектами в видео
MolLean заставляет LLM проверять химию: выигрыш в 12 из 12 задач
KANLab: форк TensorFlow Playground показывает обучение KAN в браузере
Lukas Niehaus с коллегами выпустил KANLab: в браузере обучается малая сеть Колмогорова — Арнольда, а каждая B-spline-кривая видна и правится руками. Код открыт…
CyberArena сводит 12 ИИ-агентов в 466 матчах атаки и защиты в реальном времени
Новый бенчмарк CyberArena заставляет двух LLM-агентов одновременно взламывать и чинить сервисы. 12 моделей, 40 задач, 466 матчей — и потолок одиночных тестов пробит.