AI-агенты
AI-агенты — это системы на базе языковых моделей, которые не просто отвечают, а сами планируют шаги, вызывают инструменты и доводят задачу до результата: пишут код, ищут в вебе, бронируют, анализируют. 2026-й стал годом агентов — от кодинг-агентов до автономных исследователей. Здесь собраны все наши материалы про агентный ИИ: запуски, протоколы (MCP, A2A), надёжность и реальные кейсы.
BrickWright учит кодинг-агентов собирать LEGO: 100% валидных сборок против 9–69%
Фреймворк BrickWright с Python-тулкитом BrickLayer довёл долю физически корректных LEGO-сборок до 100% на 512 промптах, тогда как базовые агенты давали от 9% до 69%.
AgentVQA проверил 22 VLM на агентных задачах: лучшая набрала лишь 58,5%
Новый офлайн-бенчмарк AgentVQA из 1000 примеров в пяти доменах показал: лучшая из 22 vision-language моделей отвечает верно лишь в 58,5% случаев, а главная проблема…
AnyGameRenderer одевает серые ИИ-прототипы в графику и сохраняет юнитов на 62,9%
Генеративный рендерер на базе 33B-модели MiniMax-H3 превращает блокауты из игр ИИ-агентов в красивое видео; временное совпадение сущностей выросло с 50,9% до 62,9%.
RiseHarness учит терминальных агентов чинить собственную обвязку без дообучения
Рекурсивное самообучение и Fable 5.1: почему гонка ИИ ушла от споров об AGI в прикладную оркестрацию
Vercel выпустила durable-harness для отказоустойчивого запуска ИИ-агентов в облаке
TARSphere проверяет роботов с MLLM-мозгом на 360 эпизодах в 30 сценах
Agent Mosaic: LLM-агенты собирают секреты из безобидных документов в 7% ответов
Исследователи прогнали 12 240 ответов агентов и показали: даже GPT-5.6-Sol выдаёт запрещённые выводы в 7,08% случаев, а правила и грифы секретности оставляют 32,37%…
FrontierCS 2 проверил 12 ИИ-агентов на задачах R&D: лучший прошёл 58%
Бенчмарк из 48 исследовательских задач вырезает вклад реальных статей и просит агентов восстановить его. Claude Opus 5.5 лидирует с 58%, а на 16 задачах не прошёл…
Quant-Arena: ни одна из 9 LLM не обыграла рынок A-share в 2024 году
SERA учит VLM-планировщик самоэволюции: робот набрал 51,38% на RoboMME
SpatialBrain учит замороженную VLM копить опыт: плюс на 4 из 5 бенчмарков
Исследователи предложили рамку PAPAV: только 3 из 64 бенчмарков проверяют верификацию
MemT 1.0 встраивает память в модель и целится в самоулучшение ИИ
Вышел MemT 1.0: память здесь должна стать встроенной способностью модели, а не внешней надстройкой. Поводом для разговора стала история с DeepSeek и исчерпанным…
Huawei openJiuwen подключила LLM к лабораторному оборудованию для электрокатализа
Команда Huawei openJiuwen и платформа вычислительных мощностей замкнули цепочку: LLM проектирует эксперимент по электрокатализу, а физические приборы его выполняют.