#LLM
Подборка материалов по теме «LLM»: релизы, исследования, бенчмарки, опенсорс.
Mistral выпустила Timestral: модель на 209M параметров лидирует в трёх бенчмарках
Первое семейство моделей Mistral для временных рядов занимает первое место в GIFT-Eval, TIME и fev-bench при 209M параметров и работает на обычном серверном CPU.
Anthropic пустила в офис шестерых аудиторов METR с правом публиковать отчёты без вето
Шесть сотрудников METR получили корпоративное железо, офис и внутренние инструменты Anthropic. Вето на публикацию у компании нет, только редактура узких категорий…
Claude за полчаса раскрыл происхождение seed-параметров кривых NIST ECDSA
Внутренняя модель Anthropic выяснила: seed пяти кривых NIST породил lrand48 с Unix-временем, а не хеш шуточной фразы. На разгадку ушло меньше 30 минут.
Anthropic: агентов в компании в 6 раз больше, чем сотрудников, а джуниоров нанимают реже
LILIE учит генерацию картинок через язык и снижает gFD с 66,84 до 53,01
Компетентность вместо точности: почему GPT и Qwen теряют логику в вариациях
Теорема no-hair для трансформеров: промпт забывается как t^-α, α≈0,55–0,7
Huginn обошёл Ouro на всех 10 бенчмарках: дизайн циклических LLM
Циклические языковые модели переиспользуют блоки Трансформера, но правильная архитектура — дефицитный ресурс. Исследователи из Institute of Foundation Models…
MOSS-Image: открытая 5B-модель рисует длинный текст с покрытием 96,3%
Открытая диффузионная модель MOSS-Image на 5 млрд параметров показала 96,3% покрытия текста на LLTB и обещает опубликовать веса, рецепт обучения и фреймворк оценки.
«Wait» в reasoning-моделях оказался наследством данных, а не открытием RL
Vercel Shop вышел в GA: витрины на Shopify научили продавать ИИ-агентам
Основатель интерпретируемости в OpenAI заявил: у 90% нейронов одна функция
Kunlun Wanwei запустила Matrix-Game 4.0: видеомодель играет в 480p при 60 FPS на одной GPU
StopLoss прерывает обречённые запуски кодинг-агентов и экономит до 48% затрат
Малый внешний монитор StopLoss предсказывает провал агента по последним шагам и останавливает запуск: минус 4,5% стоимости на Verified и до 31% на SWE-bench Pro.
Смена определения «unsafe» двигает оценку guardrail от 0 до 100 при 0,03% весов
Авторы дважды разметили ~53 тыс. промптов под разные политики и обучили 20 guardrail-моделей. Разброс на бенчмарках достиг 23 раз, а часть тестов уже была в…