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.
NEWCloudflare AI BlogCloudflare снизила стоимость ИИ-ревью кода на 68%: с $2,43 до $0,77
Hugging Face Daily PapersS3AC возвращает критика в RL для LLM: прирост от 1.5B до 397B параметров
Жемал Хамидун · Авторская колонкаОт промптинга к контекст-инжинирингу: 6 рабочих техник, которые экономят часы на доводке ответа
Hugging Face Daily PapersThinking-in-Bets: агенты фиксируют утверждения до критики и реже поддакивают
Anthropic EngineeringAnthropic трижды переписывала тестовое: Claude Opus 4.5 догнал лучших инженеров
Jiqizhixin (机器之心)Harvard, Berkeley и NVIDIA ищут Scaling Law для роботов: +37,4 пункта на пяти бенчмарках
The VergeMaia 300: как Microsoft снижает зависимость от GPU Nvidia своим AI-чипом
Artificial AnalysisMeta выпустила Muse Wonder и Wonder Full: индекс интеллекта вырос с 48 до 56
Anthropic трижды переписывала тестовое: Claude Opus 4.5 догнал лучших инженеров
Тестовое для инженеров по производительности прошли 1000+ человек. Opus 4 обошёл большинство за 4 часа, Opus 4.5 сравнялся с лучшими за 2. Теперь тест переделывают…
Harvard, Berkeley и NVIDIA ищут Scaling Law для роботов: +37,4 пункта на пяти бенчмарках
Команда Harvard, UC Berkeley и NVIDIA исследовала масштабирование для робототехники и в среднем обошла прежние подходы на 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…
Apple и CMU ускорили ИИ-агентов в 10 раз, заменив рассуждение выбором
ECHO: многошаговые прогнозы без пристроек и вдвое дешевле MTP
Moonshot выложила Kimi Vendor Verifier: 6 тестов для проверки провайдеров K2.6
Kimi K3.1 Pro выходит на 4-е место AA Index с 55 баллами и рывком в агентах
Исследование: переобучение и лишний compute съедают 68% прироста от эволюции харнесса
Новый протокол HDA разложил прирост автоматической оптимизации агентов на 11 моделях: в среднем 54% дает переобучение, 14% — test-time scaling, а перенос на новые…
Исследователи проверили 16 видов подсказок для OPSD и нашли метрику отбора
16 конфигураций привилегированной информации, 3 агентных бенчмарка, 3 модели: KL-метрики предсказывают пользу подсказок для OPSD лучше, чем прямая проверка их…
«Wait» в reasoning-моделях оказался наследством данных, а не открытием RL
Cohere Labs проверила ИИ загадками: 100+ авторов из 50 стран нашли культурные дыры
Lafa на 8B параметров ускоряет генерацию текста в 2,54 раза без потери качества
TraceForge учит модели на «своих мыслях»: +7,1 пункта на MBPP+
Что утечка Claude Code показала о будущем AI-агентов Anthropic
Anthropic случайно опубликовала полный исходный код Claude Code версии 2.1.88 из-за ошибки конфигурации npm. В коде обнаружены 44 скрытых флага с автономными…
Meta представила Muse Spark: мультимодальную ИИ-модель с визуальным мышлением
Подразделение Meta Superintelligence Labs представило Muse Spark — первую ИИ-модель нового семейства. Новинка поддерживает визуальную цепочку рассуждений и работу с…