#Исследования
Подборка материалов по теме «Исследования»: релизы, исследования, бенчмарки, опенсорс.
AgentProofBench: исследователи CMU проверили, можно ли переиспользовать верификаторы веб-агентов
Бенчмарк AgentProofBench на 97 задачах и 4 веб-сервисах показал: верификаторы от DeepSeek Flash и Pro сохраняются в 82/96 и 79/96 случаев, а ошибки панели…
Δτ-Bench: лучший ИИ-агент решает лишь 42,3% задач в меняющемся мире
Исследователи UCL и соавторы выпустили Δτ-Bench: 1 588 задач в 42 доменах, где инструменты исчезают и заменяются. Лучший агент справился лишь с 42,3% задач.
DynaFlow учит главного агента писать workflow и обгоняет базу на 10,9 п.п.
Исследователи NUS обучили главного агента на Qwen3.5-27B самому писать программы для субагентов. Результат: 88,08% точности на шести бенчмарках, плюс 10,90 п.п. к…
PatEx-Gym учит ИИ-агентов искать патентные аналоги: 1 млн патентов и модель на 4B
LLM-агенты за 20 дней построили ИИ для Hearthstone Battlegrounds сильнее топ-10 игроков
Исследователи CMU научили RL-модели не лить воду: FORK поднял win rate с 22% до 74%
Mycelium: исследователи разложили бенчмарки галлюцинаций по трём осям
AV-FABLE: исследователи собрали 998 часов видео для поиска точечных дипфейков
Бенчмарк AV-FABLE из 16 650 пар оригинал–подделка показал: AV-LLM не замечают правки в аудио и видео, но их скрытые признаки это знают. Метод NFSR выигрывает.
Raspberry Pi 5 без сети: подписанный отравленный пакет знаний прошёл все проверки
Авторы прогнали офлайн-RAG на Qwen2.5 1.5B/3B/7B на Raspberry Pi 5: проверки подписи пропустили 6 из 9 атак на обновления, а слоистая верификация отсекла все 9 за…
C3L разрывает петлю дрейфа объяснений в continual learning: 5 бенчмарков, 20+ базлайнов
Стэнфордский PhD вывел Transformer с нуля из одной задачи про память
Чжэцзянский и Пекинский университеты предложили SPADER для QA с несколькими ответами
Xiaohongshu и Фуданьский университет строят DR-Rubric для RL на открытых задачах
Mine-Sample-Render: трёхэтапный метод разнообразной генерации
Современные генеративные модели качественны, но однообразны. MSR (Mine-Sample-Render) — подход от Microsoft Research для разнообразной генерации на этапе…
Разреженные автоэнкодеры: парные взаимодействия подняли rank fidelity до 0,7790
Новая метрика SAR показала: признаки SAE складываются лучше случайного базиса во всех 18 настройках, но для точного steering без парных взаимодействий не обойтись.