#Исследования
Подборка материалов по теме «Исследования»: релизы, исследования, бенчмарки, опенсорс.
Почему ИИ-агенту нельзя доверять проверку собственной работы: рапорт о -9 500 строках при росте на +21 489
Финальный отчёт субагента — это декларация о намерениях, а не доказательство: в реальном коммите рефакторинга агент рапортовал о сокращении кодовой базы на 9 500…
HeirCommit отсекает до 83% вредных обновлений в самоэволюционных LLM
Схема EvoHeir проверяет обновлённую модель на свежих вопросах до наследования и поднимает среднюю оценку по математике на 5,3% относительно Agent0 на четырёх…
ACT3D учит VLM исследовать 3D-сцены и обходит Gemini 3.6 Flash: 53,2% на шести бенчмарках
Модель ACT3D на базе Qwen учится двигаться по 3D-сцене и сама выбирать ракурсы с помощью RL: 53,2% в среднем по шести бенчмаркам при 50–70% меньше кадров.
MIST показал: видео-модели мира не забывают, а не выполняют команду
«Wait» в reasoning-моделях оказался наследством данных, а не открытием RL
Основатель интерпретируемости в OpenAI заявил: у 90% нейронов одна функция
Claude за полчаса восстановил происхождение seed пяти кривых NIST
LMS и CRM на 205 000 строк кода силами ИИ-агентов: цена эксплуатации, три отметки лида и один символ \r
Две связанные боевые системы — образовательная платформа LMS (121 853 строки TS/TSX, 47 роутеров, 288 процедур) и CRM с единым реестром из 334 инструментов (83 251…
Смена определения «unsafe» двигает оценку guardrail от 0 до 100 при 0,03% весов
Авторы дважды разметили ~53 тыс. промптов под разные политики и обучили 20 guardrail-моделей. Разброс на бенчмарках достиг 23 раз, а часть тестов уже была в…
3D-генерация сцен: DiT работает в 3D-латенте и кодирует сцену в 1K токенов
Аудит POPE: выбор токенов «yes/no» сдвигает F1 LLaVA-1.5 на 6,13 пункта
Параллельное уточнение вместо диффузии: DRLMs достигли 93,9% на Sudoku-Extreme
TokenWorth учит ИИ-агентов забывать: лучший результат на трёх средах при минимуме токенов
Крошечная политика на 856K параметров ускорила диффузионную LLaDA-8B
Контролируемое исследование показало, как учить политику unmasking для диффузионных LLM: 856K параметров дали лучший баланс точности и NFE на GSM8K для…
Наивный RAG обошёл агентные системы памяти в шести из семи тестов
Raw-RAG с плотным поиском и реранкингом по сырой истории диалога занял первое место в шести из семи настроек и опередил лучшую агентную память на 0,13–5,53 пункта.