2026
11 847 материалов · 140 дней · 10 рубрик · в среднем 85 в день
OfficeTown симулирует 23 организации и учит агентов офисной работе на 406 задачах
Исследователи собрали OfficeTown: генеративную симуляцию контор, из которой вырос бенчмарк на 406 задач и 4 836 критериев. На её данных Qwen3.5-9B заметно прибавил…
Reflection выпустила Beam: 501B параметров и 30 баллов в Intelligence Index
Первая модель Reflection стала второй среди американских open weights: 30 баллов в Artificial Analysis Intelligence Index при вдвое меньшем расходе токенов, чем у…
MARS переносит текстовый отказ на видео и картинки без данных: тест на 5 MLLM
Метод MARS берет направление отказа из текстовой основы LLM и добавляет безопасность мультимодальным моделям без обучения и без опасных картинок. Проверка на пяти…
Те же 74 задачи, другие люди: ИИ-агенты в браузере теряют 36% успеха
Stanford выложил лекцию по обучению LLM: 16 глав от предобучения до GRPO
Codex учит сайты команд обновляться по расписанию и подстраиваться под посетителя
OpenAI выпустила GPT-Live-1.1: новые голоса на 6 языках и меньше «checking...»
Tadpole предлагает фундаментальную модель для физики: от прогноза к пониманию
Tadpole переносит логику foundation models в науку: одна модель вместо отдельной сети под погоду, воздушные потоки, деформацию материалов и электромагнетизм.
Stanford Online: ИИ оценит эффект и стоимость, но приоритет выберет человек
Anand Subramani из Стэнфорда и CPO Laurel Jiaona Zhang сводят приоритизацию роадмапа к трём шагам: ИИ помогает с двумя, а третий остаётся за человеком.
Lovable запустила Deploy on AWS: приложения и данные уйдут в VPC клиента
xFusion привезла на OCP 2026 800V HVDC и суперузлы для «фабрик токенов»
SentinelOne: модели OpenAI делают за 8 часов реверс-инжиниринг на 4–6 недель
ByteDance Seed создаёт отдельную команду безопасности и ищет 10 топ-специалистов
Новый обзор систематизирует ИИ в гуманитарной сфере: шесть задач от погоды до беженцев
В обзоре на Hugging Face Daily Papers ИИ описан как инструмент для шести гуманитарных задач: прогноз погоды, энергетика, леса, бедность, ущерб после ЧС и миграция.
ARC-SORT набрал 81,82 HOTA на SportsMOT и работает на 50 fps
Трекер ARC-SORT без обучения показал 81,82 HOTA на SportsMOT с минимумом смен ID среди 69 решений и держит около 50 кадров в секунду на ноутбучной RTX 3060.
Бенчмарк SciΠvot: лучшая LLM выбирает верный план в 63,5% случаев против 73,4% у людей
Бенчмарк из 248 правок старших исследователей показал: лучшая модель выбирает верное решение в 63,5% случаев, свежий исследователь — в 73,4%. Контекст проекта…
Cohere предлагает энергокомпаниям запускать ИИ-агентов North внутри их периметра
LLM-Attacker сравнивает атаки на split-LLM: градиенты подняли утечку до 37,77%
Переписывание данных обошло DP-SGD по балансу приватности и качества
Kolab: 115 часов записей показали, что ИИ-агенты не понимают коллег-людей
DialFork измерил процедурные галлюцинации агентов на 36 278 диалогах
Бенчмарк DialFork ловит агентов, которые говорят гладко и верно, но уходят от сценария. В нём 36 278 диалогов, 24 задачи, 12 доменов и две новые метрики: FlowKL и…
AlphaBet учит LLM-агента прогнозировать события: Brier лучше на 14,4%
Исследователи обучили GLM-4.5-Air искать данные и называть вероятности по нескольким датам. Brier на Forecast-Dojo упал с 0,731 до 0,626, на FutureX с 0,612 до…
CoSTA сжимает речевые токены Step-Audio 2 mini через BPE: 10K–320K добавленных единиц
Инженер OpenAI спрятал «жучок» в туалетной бумаге и попался за 48 часов
OpenAI показала, как ChatGPT делает кейтеринг-презентацию для ресторана в Торонто
Natura-1 учит роботов ловким рукам на миллионе часов человеческого опыта
Tsinghua представил SRHarness и MechBench: ИИ-агенты ищут формулы и механизмы
Лаборатория данных и интеллекта Цинхуа предложила SRHarness для агентной символьной регрессии и бенчмарк MechBench, чтобы ИИ надёжнее находил формулы и механизмы.
Tsinghua представила Jev-LDE: один раз правит ICL-примеры и поднимает 1-shot
Исследователи Tsinghua предложили Jev-LDE: метод однократно редактирует примеры для in-context learning, и средняя точность в режиме 1-shot заметно растёт.
Recursia обошла Nvidia ASPIRE на длинных задачах роботов на 10 пунктов
Метод Recursia в парадигме Embodied RSI решает проблему zero-shot обобщения роботов. На длинных многошаговых задачах он опережает Nvidia ASPIRE на 10 пунктов.
Метод PoS ловит ИИ-агентов в петле ложных убеждений: 36 повторов в ALFWorld
Ego-данные получили «всё тело»: новый путь масштабирования мировых моделей
Google DeepMind и Сингапур выпустили Gemma против мошенников: потери S$4 млрд
