#LLM
Подборка материалов по теме «LLM»: 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…
33 ИИ-агента на одном образе без правок ядра: где проходит граница между кодом и моделью
GPT-6 Sol Daybreak Blue возглавил Cyber Index: +32 балла и $1,77 за задачу
Harvey LAB-AA v1.1: Grok 4.7 лидирует с 9,4% после проверки на галлюцинации
Агенты Anthropic подали 20 визовых заявок на сайте Госдепа США
Meta выпустила Muse Wonder и Wonder Full: индекс интеллекта вырос с 48 до 56
Muse Wonder и Muse Wonder Full набрали 52 и 56 баллов в Artificial Analysis Intelligence Index против 48 у Muse Spark 1.3. Агентные тесты выросли сильнее всего…
Cloudflare покупает Deno и через год прекратит развитие рантайма
Cloudflare приобретает Deno целиком ради celld, открытой реализации Durable Objects. Сам рантайм получит ещё 12 месяцев ежемесячных релизов, после чего разработку…
Artificial Analysis запустила AA-3D: Claude Sonnet 5.5 лидирует с 1194 Elo
Альтман назвал три финала ИИ-гонки: от общего регулятора до паралича чужих GPU
VentureBeat: 79% компаний держат GPU без дела минимум половину времени
Moonshot AI представила Kimi K3.1 Pro, первую Pro-версию после теста Kibitz
Состояние IT в 2026: агенты писали больше кода, чем люди
В августе 2026 агенты на GitHub открыли больше PR, чем люди. С июля — больше тикетов в Linear. IDE исчезают, каждая компания строит свой харнесс, миграции теперь…
Nvidia ведёт переговоры о покупке Reflection AI — стартапа с оценкой $8 млрд
По данным Financial Times, Nvidia обсуждает приобретение Reflection AI, американского разработчика открытых моделей, которому в 2025 году оценили $8 млрд после…