#бенчмарки

'AgentFlow предлагает модульную архитектуру и Flow-GRPO для обучения только Планировщика, демонстрируя значительные улучшения на десяти бенчмарках и доступный MIT-репозиторий.'

'Исследование объясняет галлюцинации LLM как следствие статистики предобучения и показывает, что бинарные бенчмарки поощряют угадывание; изменение схем оценивания может снизить уверенные ошибки.'

'Qwen3-Max-Preview — первая триллионная модель Alibaba с окном контекста в 262K токенов и конкурентной производительностью; доступна только через API и по ступенчатой оплате.'

'AI2 представил OLMoASR — открытую систему распознавания речи с моделями, набором данных и рецептами обучения, сопоставимую по качеству с OpenAI Whisper.'

'Команда Alibaba представила GUI-Owl и Mobile-Agent-v3 — мультимодальную модель и мультиагентный фреймворк для надежной автоматизации интерфейсов на мобильных и десктопных платформах.'

'Короткое руководство по AI-агентам в 2025: что это, где они работают надёжно, основные риски и как выстраивать продакшен.'

Узнайте, как Modin ускоряет pandas-воркфлоу с помощью параллельных вычислений в Google Colab. Сравнение производительности на сложных задачах и рекомендации по эффективному использованию.

VERINA представляет комплексный бенчмарк для оценки LLM в генерации проверяемого кода, объединяя код, формальные спецификации и доказательства с разным уровнем сложности.

LifelongAgentBench представляет новый бенчмарк для оценки непрерывного обучения агентов на базе LLM, фокусируясь на сохранении и адаптации знаний в последовательных задачах.

Salesforce AI Research представила новые бенчмарки, модели безопасности и архитектуры для создания более надежных и эффективных AI-агентов для корпоративных задач.