#LLM
Подборка материалов по теме «LLM»: релизы, исследования, бенчмарки, опенсорс.
PatEx-Gym учит ИИ-агентов искать патентные аналоги: 1 млн патентов и модель на 4B
Исследователи выпустили PatEx-Gym, среду для агентов-патентных экспертов: 1000 задач, 1 млн патентов, 52 тыс. статей и компактный агент на 4 млрд параметров.
LLM-агенты за 20 дней построили ИИ для Hearthstone Battlegrounds сильнее топ-10 игроков
Система AutoTavern не играла сама, а строила: симулятор и RL-агента TavernAgent. Рейтинг вырос с 6000 до 15 000, 80% первых мест против 59% у лучших людей.
Исследователи CMU научили RL-модели не лить воду: FORK поднял win rate с 22% до 74%
Награда FORK добавляет к рубричному RL цель по precision и лечит раздутые, неточные ответы: на HealthBench доля побед над базовой моделью выросла с 22,1% до 74,1%.
Moonshot выпустила Kimi K3.1 Pro: 55 баллов и $2/$10 за миллион токенов
Онлайн-выпуклая оптимизация за 20 лет дошла от теории до Adam и LLM
Открытый визуальный бэкбон учится менять правила обучения на лету: 1000+ звёзд на GitHub
Стэнфордский PhD вывел Transformer с нуля из одной задачи про память
Чжэцзянский и Пекинский университеты предложили SPADER для QA с несколькими ответами
На EMNLP 2026 Main приняли SPADER: метод RL с пошаговым GRPO и наградой за разнообразие, который учит модель находить все ответы, а не только самые частые.
Xiaohongshu и Фуданьский университет строят DR-Rubric для RL на открытых задачах
Команда Xiaohongshu и Фуданьского университета представила на NeurIPS 2026 DR-Rubric — способ строить оценочные критерии для RL там, где у задачи нет эталонного…
PhAI Labs: Claude Opus 5 занял последнее место в тесте научных гипотез — 2,3%
Векторный поиск против Графа знаний: сколько на самом деле стоит построить и удержать GraphRAG
Alibaba DAMO впервые показала дорожную карту автомобильных RISC-V чипов XuanTie
Чжэцзянский университет выпустил первый обзор egocentric-ИИ для умных очков
Tencent Hunyuan и Фудань запустили ExplorationBench для оценки исследования у LLM
Команда Фуданьского университета и Tencent Hunyuan представила ExplorationBench: бенчмарк измеряет, как ИИ-системы исследуют незнакомую среду, а не только отвечают…
WorldMemBench проверяет, помнят ли модели мира комнаты и события
Бенчмарк WorldMemBench оценивает память моделей мира по двум осям: сохраняются ли увиденные сцены и продолжаются ли события, пока камера смотрит в другую сторону.