Найдено записей: 5
Исследователи CMU предложили PPP и UserVille, которые учат LLM агентов задавать полезные уточняющие вопросы и адаптироваться к пользовательским предпочтениям, что заметно повышает все ключевые метрики на бенчмарках.
'Alibaba выпустила Qwen3-Max — MoE-модель класса 1T+ с production-ready thinking mode и сильными стартовыми результатами в кодинге и агентных бенчмарках; доступна через Qwen Chat и Model Studio.'
Детальный обзор бенчмарков и метрик 2025 года для кодинг LLM, с анализом ведущих моделей OpenAI, Gemini и Anthropic в реальных сценариях разработки.
Mistral AI выпустила серию Devstral 2507 с моделями Devstral Small 1.1 и Devstral Medium 2507, оптимизированными для анализа и автоматизации кода с балансом между производительностью и стоимостью.
Новое исследование показывает, что мощные модели с длинным контекстом могут достигать 50.8% точности на бенчмарке SWE-Bench без сложных инструментальных каркасов, упрощая архитектуру LM-агентов.