#LLM
Подборка материалов по теме «LLM»: релизы, исследования, бенчмарки, опенсорс.
LeWorldModel проверили на чувствительность к действиям: оси расходятся на 36–42°
Авторы препринта сравнили, как LeWorldModel и симулятор реагируют на малые изменения действий. Главные оси чувствительности расходятся на 36° в Reacher и 42° в…
Команда UCLA сдвинула границу скорость—качество в speculative diffusion двумя ручками
Авторы из UCLA предлагают крутить сразу два параметра: усилие диффузии и мягкость приёма токенов верификатором. Так они расширяют границу Парето относительно…
PaperFormalizer превращает LaTeX-статьи в проверенный Lean-код с участием автора
Исследователи из Стэнфорда выпустили PaperFormalizer: агентный конвейер в Claude Code или Codex, который ищет дыры в доказательствах и формализует статью в Lean.
Восемь агентов VibeGame собирают 2D-игру из промпта и обгоняют аналоги на GameCraft-Bench
Абляция системного промпта: как я сжал конфиг Claude Code с 19 736 до 3 585 строк без потери качества
Anthropic: Claude за 64 часа спроектировал 318 484 белка, 17 прошли лабораторную проверку
ИПО КАН и Kuaishou создали первый бенчмарк симуляции пользователей LLM
RSIGame: связка моделей 27B сама играет в игры и обходит GPT-5.5
Китайский проект RSIGame заставляет ИИ самому тестировать, чинить и дорабатывать игры. Связка моделей 27B, по заявлению авторов, обошла GPT-5.5 в одноразовой…
DecisionPivot проверил 40 моделей-решателей: при равной точности разрыв до 26 п.п.
Бенчмарк DecisionPivot из 40 033 заданий показал: две модели на 27B с разницей в 2,6 пункта на референсном треке расходятся на 25,9 пункта по контрастным группам.
RiseHarness учит терминальных агентов чинить собственную обвязку без дообучения
Lafa на 8B параметров ускоряет генерацию текста в 2,54 раза без потери качества
Бенчмарк EvaOmni проверил 24 омни-модели: лидер набрал 79,4%, но заземление — 35,1%
Рекурсивное самообучение и Fable 5.1: почему гонка ИИ ушла от споров об AGI в прикладную оркестрацию
FrontierCS 2 проверил 12 ИИ-агентов на задачах R&D: лучший прошёл 58%
Бенчмарк из 48 исследовательских задач вырезает вклад реальных статей и просит агентов восстановить его. Claude Opus 5.5 лидирует с 58%, а на 16 задачах не прошёл…
SplatLab сам пишет статьи по 3D Gaussian Splatting и бьёт бейзлайны до +3,78 дБ
Автономная система воспроизводит статью по 3DGS, придумывает расширение, обучает модели и пишет рукопись. Прирост PSNR над бейзлайнами составил от +0,18 до +3,78 дБ.