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

Когнитивные термометры: нейросети предлагают мерить сложность смысла
Обзор на arXiv предлагает использовать модели машинного обучения как «когнитивные термометры» и измерять с их помощью, какие значения языки выбирают чаще и почему.

LLM пишут планы дорожных работ для WisDOT: 14B почти не лучше 7B
Учёные дообучили открытые модели на архиве WisTMP и запустили их локально. Качество выросло, но 14B дала мало выигрыша над 7B/8B, а сметы остаются слабым местом.

Wieszcz-XIX: польский корпус до 1918 года на 3,1 млрд слов обучил модели с нуля
Исследователи собрали 294 369 документов польской печати 1800–1918 годов и обучили с нуля модели от 47M до 349M параметров, которые плохо знают лексику после…

GUISE показал: нарративная обёртка пробивает Qwen3-1.7B в 89–96% случаев

LLM учит планировщик обходиться полиномиальной памятью и решает 1709 из 1890 задач

StoreBench: LLM-агенты управляют интернет-магазином и проигрывают скрипту — 49% против 97%

LLM-агенты не выучивают нормы сообщества из взаимодействия, показало исследование

Агенты на Qwen3.6-27B и Qwen3-4B не укладываются в тайм-бюджет без подсказок harness
Тесты на MLE-Bench Lite и Zork I: малые агенты игнорируют лимит времени из промпта, а RL с GRPO почти идеально держит бюджет, но продуктивнее не становится.

Plan-and-Patch: диффузионная LLM вдвое чаще чинит планы агентов, чем Qwen3-8B
Диффузионная DreamReasoner-8B чинит планы агентов с успехом 53,7% против 27,0% у Qwen3-8B, а после дообучения генерирует планы на 39–46% быстрее.

TGIT переводит короткие команды для дронов и поднимает успех навигации с 11% до 33%

Агент сам вычёркивает старые ответы инструментов и режет входные токены вдвое

Кредитный ИИ-агент меняет только обвязку: гейт пропустил 144 из 7449 правок

Авторы arXiv-работы ограничили самоулучшение агентов классом верификации

Аналитик Bloomberg: пересмотр выручки OpenAI не остановит спрос на ИИ-инфраструктуру
Mandeep Singh из Bloomberg Intelligence считает: вопросы к учёту выручки OpenAI не отменяют бурный рост токенов, а он остаётся главным индикатором спроса на…

Anthropic запустила бесплатный сервис OSS Scanner для поиска уязвимостей в open source
Anthropic запустила OSS Scanner — бесплатный сервис для автоматического поиска уязвимостей в open source. Использует Claude Mythos и другие мощные модели. Отчёты…









