Лента

83 материалов

Сортировка
Новости13 ноября 2026

CyberArena: парные матчи ИИ-агентов выявляют пределы статичных кибербенчмарков

Бенчмарк помещает двух агентов в песочницы с непрерывно меняющимися сервисами и по итогам серии раундов сводит их действия к многомерным оценкам наступательных и оборонительных навыков. На 466 матчах с 12 современными моделями он различил возможности там, где односторонние тесты упираются в потолок, включая планирование на несколько ходов и создание бэкдоров.

CyberArena: парные матчи ИИ-агентов выявляют пределы статичных кибербенчмарков
Читать
Новости11 ноября 2026

OpenCollab: программируемая координация агентов, контролируемая среда исполнения и метрика соблюдения регламента

Фреймворк сводит воедино задание структуры взаимодействия агентов, общее окружение для экспериментов и подробную трассировку событий, а вводимый показатель Adherence отражает, насколько реальное выполнение соответствует заявленной схеме. В бенчмарках конфигурация Duo выходит на новый уровень SOTA, тогда как одноагентный вариант отличается наименьшим расходом токенов.

OpenCollab: программируемая координация агентов, контролируемая среда исполнения и метрика соблюдения регламента
Читать
Новости10 ноября 2026

Память резервуара Черна — Саймонса: самостоятельная динамика связности и перенос плотности

В статье разбирается, как резервуар сохраняет историю входных сигналов одновременно в распределении плотности и геометрических степенях свободы. Сравнение четырёх механизмов показывает, что ток создаёт отдельную компоненту связности, меняющую последующий отклик плотности, а учёт всех измеренных признаков даёт небольшой прирост в декодировании порядка импульсов.

Память резервуара Черна — Саймонса: самостоятельная динамика связности и перенос плотности
Читать
Новости8 ноября 2026

Разнообразие на входе, а не в рассуждении: сравнение методов тестовой аугментации для LLM

Работа сопоставляет источники вариативности при инференсе LLM — перефразирование запроса, изменение написания и преобразования изображений — при равном числе вызовов. На шести бенчмарках сохранение смысла давало лучший прирост точности, тогда как посимвольный шум и одновременные возмущения двух модальностей оказывались менее полезными.

Разнообразие на входе, а не в рассуждении: сравнение методов тестовой аугментации для LLM
Читать
Сравнения6 ноября 2026

Neptuna: сравнение ML-архитектур на сжимаемых многофазных течениях с разрывами

Представлен Neptuna — крупный бенчмарк на 3 ТБ расчётов для задач о схлопывании пузырьков и распаде капель под действием ударных волн, где проверяются свёрточные, спектральные, трансформерные и предобученные PDE-модели. Вывод: универсального лидера нет, а составные функции потерь и SoftAdapt помогают лучше удерживать межфазные границы и точнее воспроизводить спектр.

Neptuna: сравнение ML-архитектур на сжимаемых многофазных течениях с разрывами
Читать
Сравнения4 ноября 2026

Классификационная надстройка над SpeechLLM: где она обходит генерацию меток при распознавании эмоций

На материале IEMOCAP и MELD сопоставлены генеративный вывод эмоциональной метки и линейный классификатор поверх скрытых представлений компактной SpeechLLM. Прирост качества от классификатора не универсален: он зависит от корпуса и от того, используются эталонные транскрипты или результаты ASR.

Классификационная надстройка над SpeechLLM: где она обходит генерацию меток при распознавании эмоций
Читать
Новости4 ноября 2026

От индивидуальных оценок к допустимым наборам: глобальное декодирование при ограничениях DDI

Статья сопоставляет точный глобальный подбор совместимого набора препаратов, реализованный через mixed-integer linear programming, с несколькими схемами локального устранения конфликтов DDI при фиксированных оценках FLAME на MIMIC-III. На тестовой выборке глобальный вариант даёт небольшой, но устойчивый выигрыш по Jaccard, который растёт при ужесточении ограничений и достигает +0.0064 относительно сильнейшего локального базового метода.

От индивидуальных оценок к допустимым наборам: глобальное декодирование при ограничениях DDI
Читать
Новости27 октября 2026

CARAT: проверяют, выводят ли материаловедческие LLM структуру или пересказывают подсказку

В работе предлагается протокол, который фиксирует вопрос и эталон при восьми способах подачи структуры и отдельно помечает связи в GraphSpace. Эксперименты с парным дообучением, маскированием целевых полей и добавлением свидетельств показывают, что модель способна освоить и применение отношения, и следование ссылке, однако удаление ссылки снижает точность ниже уровня эвристических обходов.

CARAT: проверяют, выводят ли материаловедческие LLM структуру или пересказывают подсказку
Читать
Новости15 октября 2026

Старт Muse оказался сильнее дебюта ChatGPT в мобильных магазинах

По оценкам Apptopia, за первые 12 дней на iOS в США и Канаде Muse получила 1,8 млн загрузок против 1,3 млн у ChatGPT; в США у неё также было больше ежедневных пользователей. Сравнение основано на внешних оценках и охватывает разные условия запуска: ChatGPT сразу вышел на международный рынок, а Muse — только в США и Канаде.

Старт Muse оказался сильнее дебюта ChatGPT в мобильных магазинах
Читать