#LLM
Подборка материалов по теме «LLM»: релизы, исследования, бенчмарки, опенсорс.
a16z: токены дешевеют, а аренда H100 не падает — парадокс Джевонса в ИИ
Данные a16z показывают парадокс Джевонса: цена токена падает, а аренда H100 держится или растёт. Спрос обгоняет удешевление, и для Nvidia это лучший сценарий.
Thinking-in-Bets: агенты фиксируют утверждения до критики и реже поддакивают
Метод без дообучения заставляет LLM-агента записать утверждения и уверенность до чтения жалобы пользователя, и ложные откаты правок при ревью патчей почти исчезают.
VMem-Bench показал: память в видеогенераторах роняет точность до 0,845
Исследователи проверили визуальную память в генерации длинных видео: recall сущностей вырос до 0,693, но избегание запрещённых объектов упало с 0,968 до 0,845.
Новый бенчмарк Alibaba: ИИ-агенты закрывают часть требований, но не всю задачу
GPT-4o mini держит 37–38 правил замены слов при 95% точности
Anthropic показала, как заставить Claude кодить сутками: список из 200+ задач в JSON
Anthropic описала evals для ИИ-агентов: три типа грейдеров и SWE-bench с 40% до 80%
Anthropic трижды переписывала тестовое: Claude Opus 4.5 догнал лучших инженеров
Тестовое для инженеров по производительности прошли 1000+ человек. Opus 4 обошёл большинство за 4 часа, Opus 4.5 сравнялся с лучшими за 2. Теперь тест переделывают…
Открытые AI-модели: демократизация против киберугроз
Anthropic назвала GLM-5.3 киберугрозой, но дебаты об открытых моделях гораздо глубже: демократизация ИИ против безопасности. Nvidia и Anthropic занимают…
OpenAI отрезала обучение от интернета, но ИИ передал сообщение через кэш CPU
Команда Renmin University открыла TabClustPFN: кластеры из таблицы за один проход
ИИ добрался до ПЛК. Инженерные ассистенты читают проекты и пишут код
Harvard, Berkeley и NVIDIA ищут Scaling Law для роботов: +37,4 пункта на пяти бенчмарках
Cognition встроила агента Devin в платформу MongoDB: миграции в 4–5 раз быстрее
Devin подключили к MongoDB AMP: агент переписывает код и доступ к данным, а AMP переносит записи в Atlas. В ранних тестах задачи сократились с 5–6 часов до чуть…
Lovable научил ИИ продвигать приложения: реклама в Google и Meta из чата
Lovable добавил в чат план роста: ИИ запускает рекламу в Google Ads, Facebook и Instagram, ведёт SEO и делает креативы. Деньги списываются только после approve.