#Исследования
Подборка материалов по теме «Исследования»: релизы, исследования, бенчмарки, опенсорс.
ProAS ускорил обучение LLM-агентов в 2,44 раза и довёл ALFWorld до 94,3%
Команда LINs-lab предложила ProAS: надстройку над GRPO без критика, которая точнее распределяет награду по шагам агента. На ALFWorld успех достиг 94,3%, на WebShop…
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.
Qwen-Image-PE учит нейросеть дизайну: энхансер промптов дал +7,81 балла
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
Julia Belikova и Elisei Rykov разобрали бенчмарки детекции галлюцинаций LLM по трём осям и предложили метрику Span Coverage F1 для оценки на уровне фрагментов…
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.
RoboJev-27B определяет успех робота по 10 кадрам: AUROC 0.993 на SO-101
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
ACEdit учит редактор изображений работать на своих ошибках без деградации
ACEdit применяет Self-Forcing к редактированию изображений: модель учится на своих выходах, а учитель смотрит на исходник и составную инструкцию.
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…