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.
Meta выпустила Muse Wonder и Wonder Full: индекс интеллекта вырос с 48 до 56
Muse Wonder и Muse Wonder Full набрали 52 и 56 баллов в Artificial Analysis Intelligence Index против 48 у Muse Spark 1.3. Агентные тесты выросли сильнее всего…
Российских ИИ-агентов для кода уже 18, но «российский» значит три разные вещи
Перепись РуБенча насчитала 18 российских ИИ-агентов для разработки (10 для IDE/CLI и 8 билдеров): от GigaCode, SourceCraft и Kodik до T-Code, Koda и 1С:Напарника.
Alibaba Qwen представила TRACE: Rollout в FP4 ускоряется до 5,4 раза
Команда Qwen предложила метод TRACE для RL больших моделей: веса, активации и KV-кеш в FP4 на этапе Rollout дают ускорение до 5,4 раза против BF16.
Moonshot выложила Kimi Vendor Verifier: 6 тестов для проверки провайдеров K2.6
Kimi K3.1 Pro выходит на 4-е место AA Index с 55 баллами и рывком в агентах
Исследование: переобучение и лишний compute съедают 68% прироста от эволюции харнесса
Исследователи проверили 16 видов подсказок для OPSD и нашли метрику отбора
Компетентность вместо точности: почему GPT и Qwen теряют логику в вариациях
Новая методология CBE (Competence-Based Evaluation) выявила фундаментальный дефект в логическом мышлении LLM: даже сильные GPT и Qwen модели не справляются с одним…
«Wait» в reasoning-моделях оказался наследством данных, а не открытием RL
Разбор обучения OLMo-3 и MiMo показывает: слово «wait» в рассуждениях моделей приходит из данных. RL поднимает MATH-500 и без него, а частота маркера ничего не…
Lafa на 8B параметров ускоряет генерацию текста в 2,54 раза без потери качества
TraceForge учит модели на «своих мыслях»: +7,1 пункта на MBPP+
TenetBench: 11 из 14 LLM-конфигураций нарушают этические кодексы профессий
Cohere научила 7B-модель оценивать уверенность дважды: ошибка калибровки ниже на 52,5%
OpenVLHarness добавил мультимодальным моделям память и инструменты: +9,7–12,6 балла
Обвязка OpenVLHarness с инструментами и постоянной мультимодальной памятью подняла средний балл восьми MLLM на 9,7–12,6 пункта на 22 бенчмарках, потратив до 37%…
Гибридные LLM: рекуррентные слои глушат attention, помогает поэтапное обучение
Исследователи описали Competing Learning: в гибридных моделях рекуррентные слои быстрее учат retrieval и подавляют attention. Поэтапное обучение проверили на…