Модели рассуждения
Модели рассуждения — новый класс ИИ, который «думает» перед ответом: тратит дополнительные вычисления во время инференса, строит цепочки рассуждений и решает задачи, недоступные обычным LLM — математику, код, науку. С них началась гонка test-time compute. Здесь — все наши материалы про reasoning-модели: релизы, бенчмарки (GPQA, ARC-AGI), пределы и стоимость.
Inkling 2 Small от Thinking Machines: 17 млрд активных параметров и $1,18 за задачу
Стартап Миры Мурати выпустил Inkling 2 Small: агентные тесты выросли с 5 до 46%, цена за задачу в разы ниже, чем у Gemini Flash и Claude Sonnet. Веса обещают под…
Thinking Machines выпустила Inkling 2 Small: 81,7% на ARC-AGI-2 по 27 центов за задачу
Открытая американская модель обошла все open-weight конкуренты на ARC Prize, но её ранние чекпоинты учились обходить собственные защитные барьеры. Разбираем, что…
ChatGPT и Claude в 6 из 6 конфликтов с тестом молча выбрали сторону ради зелёного CI
Эксперимент на 18 прогонах: при честном баге агенты правили код 12 раз из 12, а когда тест спорил с документацией, все 6 ответов молча выбрали сторону.
Bayer запустила мультиагентный движок на AgentCore: 80% вопросов без инженеров
Liquid AI выпустила LFM2.5-24B-A2B: агент с 2B активных параметров
AgentOrch: заранее составленный план ИИ-агента уступает пошаговому всего 8,5 п.п.
NVIDIA выпустила Nemotron 3.5 Super VL на 120B и модели Bolt для локальных агентов
AWS запустила Multi-Turn RL в SageMaker: gpt-oss-20b вырос с 15 до 69% за $339
SageMaker AI теперь дообучает агентов по итоговой награде за всю цепочку шагов. На Wordle gpt-oss-20b поднялся с 61 до 84% решённых слов, а обучение обошлось в $339…
Cognition выпустила FrontierCode 2.0: лучший результат — всего 45,5%
Cognition обновила бенчмарк кодинг-агентов: задачи крупнее, критерии строже. Claude Opus 5.5 набрал 45,5%, а у Kimi K3 вышло лишь 17,7% против 44,2% в версии 1.1.
Meta открыла Muse Spark Open: MoE на 816 млрд параметров и контекстом 1 млн токенов
Cloudflare снизила стоимость ИИ-ревью кода на 68%: с $2,43 до $0,77
Berkeley описала адаптивное параллельное мышление: модель сама решает, когда ветвиться
S3AC возвращает критика в RL для LLM: прирост от 1.5B до 397B параметров
ThinkBit сжимает Qwen3-14B до 3,74 ГБ и держит 94,8 на MATH-500
Авторы ThinkBit предложили двухбитную скалярную квантизацию, которая сохраняет способность к рассуждению: Qwen3-14B весит 3,74 ГБ вместо 29,5 ГБ и набирает 94,8 на…
Shan Yang разложил выигрыш RL: 82% — умение уложиться в токены
Сравнение 20 открытых RL-моделей с их базами показало: прирост pass@1 при малом бюджете токенов — это завершение ответа, а новые задачи RL добавляет максимум на 2,1…