Модели рассуждения
Модели рассуждения — новый класс ИИ, который «думает» перед ответом: тратит дополнительные вычисления во время инференса, строит цепочки рассуждений и решает задачи, недоступные обычным LLM — математику, код, науку. С них началась гонка test-time compute. Здесь — все наши материалы про reasoning-модели: релизы, бенчмарки (GPQA, ARC-AGI), пределы и стоимость.
NEWLatent Space (swyx)Anthropic раскрыла, как собирает Claude руками Claude: мозг отдельно от рук
AWS Machine Learning BlogBayer запустила мультиагентный движок на AgentCore: 80% вопросов без инженеров
Hugging Face BlogLiquid AI выпустила LFM2.5-24B-A2B: агент с 2B активных параметров
NVIDIA AI BlogNVIDIA выпустила Nemotron 3.5 Super VL на 120B и модели Bolt для локальных агентов
AWS Machine Learning BlogAWS запустила Multi-Turn RL в SageMaker: gpt-oss-20b вырос с 15 до 69% за $339
Cognition BlogCognition выпустила FrontierCode 2.0: лучший результат — всего 45,5%
Hugging Face BlogReflection выпустила Beam: открытая MoE-модель на 501B параметров под Apache 2.0
Hugging Face BlogMeta открыла Muse Spark Open: MoE на 816 млрд параметров и контекстом 1 млн токенов
AWS запустила Multi-Turn RL в SageMaker: gpt-oss-20b вырос с 15 до 69% за $339
SageMaker AI теперь дообучает агентов по итоговой награде за всю цепочку шагов. На Wordle gpt-oss-20b поднялся с 61 до 84% решённых слов, а обучение обошлось в $339…
Cognition выпустила FrontierCode 2.0: лучший результат — всего 45,5%
Cognition обновила бенчмарк кодинг-агентов: задачи крупнее, критерии строже. Claude Opus 5.5 набрал 45,5%, а у Kimi K3 вышло лишь 17,7% против 44,2% в версии 1.1.
Reflection выпустила Beam: открытая MoE-модель на 501B параметров под Apache 2.0
Новая американская лаборатория Reflection открыла Beam: 501B параметров, 23B активных на токен, контекст 1M и лицензия Apache 2.0. Модель заточена под кодинг и…
Thinking-in-Bets: агенты фиксируют утверждения до критики и реже поддакивают
ThinkBit сжимает Qwen3-14B до 3,74 ГБ и держит 94,8 на MATH-500
Anthropic трижды переписывала тестовое: Claude Opus 4.5 догнал лучших инженеров
Harvard, Berkeley и NVIDIA ищут Scaling Law для роботов: +37,4 пункта на пяти бенчмарках
Maia 300: как Microsoft снижает зависимость от GPU Nvidia своим AI-чипом
Microsoft представила третье поколение собственного ускорителя Maia 300 для AI-вывода. Новый чип на 40% эффективнее GPU-систем и начнёт использоваться в…
Независимый критик поднял точность кодинг-агентов на 5.9–9.5 п.п.
Авторы сравнили 17 схем проверки работы агентов на семи моделях. Отдельный критик дал до +9.5 п.п. на Terminal-Bench при росте стоимости всего в 1.13–1.25 раза.
Российских ИИ-агентов для кода уже 18, но «российский» значит три разные вещи
Alibaba Qwen представила TRACE: Rollout в FP4 ускоряется до 5,4 раза
GPT-6.1 Sol в Devin держит 60,4% на FrontierCode за $0,31 за задачу
Узкий ИИ-агент против универсального комбайна: как мы срезали задержку ответа с 17 до 7,7 секунды
Moonshot выложила Kimi Vendor Verifier: 6 тестов для проверки провайдеров K2.6
Вместе с Kimi K2.6 Moonshot открыла KVV, набор из шести проверок для провайдеров открытых весов. Полный прогон занимает около 15 часов на двух серверах с 8 H20.
Kimi K3.1 Pro выходит на 4-е место AA Index с 55 баллами и рывком в агентах
Moonshot выпустила Kimi K3.1 Pro: +11 пунктов к K3, 67% на Terminal-Bench 4.0 против 13% и цена ниже на треть. После публикации весов это лучшая open-weights модель.