#LLM
Подборка материалов по теме «LLM»: релизы, исследования, бенчмарки, опенсорс.

LM2LM: Qwen3.8-27B обгоняет GPT-6-sol в идеях улучшения LLM и на 33% дешевле
Исследователи обучили LLM с помощью RL предлагать улучшения для языковых моделей: Qwen3.8-27B обошёл GPT-6-sol на отложенных задачах и сэкономил 33% затрат на…

RoboHarness: кодинг-агент на Qwen3.8-Flash-Next обошёл VLA-модели в BEHAVIOR
Исследователи из Zhejiang University открыли RoboHarness: визуально-геометрическую панель управления, с которой LLM-агент обходит VLA-модели на задачах BEHAVIOR…

ABF-Bench: ИИ-агентов учат искать украденную крипту, но они сдаются рано
Исследователи из Imperial College London сделали тест, где ИИ-агент идёт по следу отмытых криптоактивов, а каждый его вывод проверяется по записям блокчейна. Агенты…

Lovable запустила Deploy on AWS: приложения и данные уйдут в VPC клиента

SentinelOne: модели OpenAI делают за 8 часов реверс-инжиниринг на 4–6 недель

ByteDance Seed создаёт отдельную команду безопасности и ищет 10 топ-специалистов

Artificial Analysis запустил AA-Robotics и проверил GPT, Claude и Gemini как мозг робота

SpecTr-GBV на EMNLP 2026 объединяет мульти-драфт и блочную верификацию для ускорения LLM
Работа с EMNLP 2026 предлагает метод SpecTr-GBV: он сводит в одну схему проверку нескольких черновиков и блочную верификацию, чтобы снизить задержку инференса LLM.

AIPOCH открыла код Open-Science: журнал «vibe Research» для ИИ-исследований
AIPOCH выложила в open source Open-Science. Проект обещает сделать исследования с участием ИИ прослеживаемыми, передаваемыми и воспроизводимыми. Подробности…

ARC-SORT набрал 81,82 HOTA на SportsMOT и работает на 50 fps

Бенчмарк SciΠvot: лучшая LLM выбирает верный план в 63,5% случаев против 73,4% у людей

GlobeBench: лучшая LLM предсказывает отклик среды лишь в 49,57% задач

Замороженный словарь на 16 МБ сравнялся с обучаемым в малых LLM

LLM-Attacker сравнивает атаки на split-LLM: градиенты подняли утечку до 37,77%
Фреймворк LLM-Attacker унифицирует проверку приватности split-LLM. На GPT-2 градиенты с сервера подняли точное восстановление документов с 13,71% до 37,77%.

Переписывание данных обошло DP-SGD по балансу приватности и качества
Контролируемое сравнение на синтетических медкартах с «канарейками»: файнтюнинг утекает больше всех, DP-SGD бьёт по качеству, а приватное переписывание даёт лучший…









