Машинное обучение

Что нового: 30%+ быстрее Sonnet 5 до 30% дешевле на задачу за счёт меньшего расхода токенов 70,6% в Terminal-Bench 4.0 против 10,3% у Sonnet 5 55,5% в CursorBench 4.0, примерно на 2 пункта ниже Opus 5.5 на GDPval-AA модель почти сравнялась с Opus 5.5 лучше работает с длинными задачами, изображениями, документами, таблицами и презентациями Особенно заметный скачок - в программировании...

Google опубликовала Dream-RSI - надстройку над агентами, которые ищут решения перебором: пишут код, прогоняют его через оценщик и дорабатывают лучшие варианты. Концепт управляет стратегией исследования, решая, какие варианты развивать, сколько попыток запускать параллельно и когда остановиться. Модель, агент и оценщик при этом не меняются, самосовершенствуется только код стратегии. 🟡Механика Каждый запуск сохраняется как дерево попыток, где узел хранит версию решения, диагностику и оценку. Это...

В репозитории собраны файлы SKILL.md с методиками проверки веб-приложений, API, облаков, Kubernetes, Active Directory и другой инфраструктуры. Нужный навык подгружается по теме запроса, поэтому не приходится держать всю библиотеку в контексте...

? NVIDIA представила Open Agent Safety Platform вместе с более чем 100 отраслевыми партнёрами. Идея - вынести контроль за действиями агента за пределы самой модели. OpenShell задаёт границы доступа к файлам, сети и инструментам. Sentry следит за соблюдением этих границ на уровне отдельного оборудования и, по заявлению NVIDIA, может быстро изолировать агента при нарушении правил...

За неделю с 21 по 27 сентября модели китайских разработчиков обработали на OpenRouter 62,22 трлн токенов против 14,2 трлн у американских моделей. Китай сохраняет лидерство уже 22 недели подряд. Топ недели: - DeepSeek V4.1 Flash — 19,6T токенов, +24%; - GLM 5.3 Flash — 16,3T, +16%; - Space Bunny Alpha — 13,9T, новая модель; - Tencent Hy4 — 9,64T; - MiMo-V2.6-Flash от Xiaomi — 5,51T...