#LLM
Подборка материалов по теме «LLM»: релизы, исследования, бенчмарки, опенсорс.
LM2LM: Qwen3.8-27B обгоняет GPT-6-sol в идеях улучшения LLM и на 33% дешевле
Исследователи обучили LLM с помощью RL предлагать улучшения для языковых моделей: Qwen3.8-27B обошёл GPT-6-sol на отложенных задачах и сэкономил 33% затрат на…
RoboHarness: кодинг-агент на Qwen3.8-Flash-Next обошёл VLA-модели в BEHAVIOR
Исследователи из Zhejiang University открыли RoboHarness: визуально-геометрическую панель управления, с которой LLM-агент обходит VLA-модели на задачах BEHAVIOR…
Stanford выложил лекцию по обучению LLM: 16 глав от предобучения до GRPO
Третья лекция CME295 в Стэнфорде проводит через весь стек обучения LLM: предобучение, SFT, LoRA, RLHF, DPO, GRPO и on-policy distillation за 16 глав.
ByteDance Seed создаёт отдельную команду безопасности и ищет 10 топ-специалистов
Artificial Analysis запустил AA-Robotics и проверил GPT, Claude и Gemini как мозг робота
SpecTr-GBV на EMNLP 2026 объединяет мульти-драфт и блочную верификацию для ускорения LLM
AIPOCH открыла код Open-Science: журнал «vibe Research» для ИИ-исследований
Honeycomb дал видеомоделям память постоянного размера для замкнутых траекторий
Исследователи представили Honeycomb: память фиксированного объёма помогает видеомодели узнать комнату после полного круга камеры, не раздувая контекст по мере длины…
ARC-SORT набрал 81,82 HOTA на SportsMOT и работает на 50 fps
Трекер ARC-SORT без обучения показал 81,82 HOTA на SportsMOT с минимумом смен ID среди 69 решений и держит около 50 кадров в секунду на ноутбучной RTX 3060.
GlobeBench: лучшая LLM предсказывает отклик среды лишь в 49,57% задач
Замороженный словарь на 16 МБ сравнялся с обучаемым в малых LLM
NVIDIA RTX Spark N1X прогнал локального агента на Qwen3.8 27B за 18,7 минуты
Vera Rubin NVL72 обошёл GB300 по токенам на мегаватт до 5,7 раза в AA-AgentPerf
Kolab: 115 часов записей показали, что ИИ-агенты не понимают коллег-людей
Исследователи из Minnesota NLP записали 50 профессионалов из 40 профессий за работой с агентами. Передовые модели переоценивают качество такого сотрудничества.
DialFork измерил процедурные галлюцинации агентов на 36 278 диалогах
Бенчмарк DialFork ловит агентов, которые говорят гладко и верно, но уходят от сценария. В нём 36 278 диалогов, 24 задачи, 12 доменов и две новые метрики: FlowKL и…