#Исследования
Подборка материалов по теме «Исследования»: релизы, исследования, бенчмарки, опенсорс.
Dual Exam: GPT 6 Astra набрал 31,3 балла среди мультимодальных агентов
Больше 80 авторов сделали бенчмарк Dual Exam: агентов и модели мира проверяют по отдельности. GPT 6 Astra лидирует с 31,3, а связка из 150 кейсов дала ноль успехов.
DISC учится объединять метрики сходства временных рядов и предсказывать успех переноса
Новая обучаемая схема DISC калибрует и комбинирует метрики сходства датасетов временных рядов, чтобы заранее оценивать, насколько хорошо прогноз перенесётся с…
MMVistaReason: открытый рецепт обучения 4B-модели обходит Qwen3.5-9B на 15 бенчмарках
Авторы MMVistaReason опубликовали открытый рецепт пост-обучения: MVR-4B набрала 72,8 балла на 15 мультимодальных бенчмарках и обогнала Qwen3.5-9B (Instruct).
DecisionPivot проверил 40 моделей-решателей: при равной точности разрыв до 26 п.п.
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%
Video-Point Model прогнозирует видео с нескольких камер и 3D-траектории точек
Рекурсивное самообучение и Fable 5.1: почему гонка ИИ ушла от споров об AGI в прикладную оркестрацию
Пока индустрия спорит о формулировках AGI, ведущие лаборатории замкнули петлю разработки и поставили текущие модели создавать следующее поколение нейросетей.
Зацикливание слоёв сократило обучение диффузионных LLM до 3,3 раза
Повторение ранних слоёв трансформера в каждом шаге денойзинга снизило затраты на обучение равномерных диффузионных языковых моделей до 2,8x на OpenWebText и 3,3x на…
Обзор: роботы учатся улучшать сам процесс обучения, но доказательств пока нет
ToM2Vec учит LLM-агентов моделировать партнёра в латентных токенах
LASAGNA проверила 450 RAG-конфигураций: обещанные +47% дали лишь +17%
LoopRec подбирает глубину вычислений для каждого айтема и обходит базовые модели на 4 бэкбонах
TraceForge учит модели на «своих мыслях»: +7,1 пункта на MBPP+
TraceForge дописывает рассуждения к ответам закрытой модели в стиле семейства студента. На коде HumanEval+ вырос на 3,7 пункта, MBPP+ на 7,1, а судья оценил трассы…
Исследователи предложили рамку PAPAV: только 3 из 64 бенчмарков проверяют верификацию
Новая работа сравнивает компьютерных агентов и роботов через пять функций PAPAV. Из 64 бенчмарков прогноз последствий оценивают 5, проверку результата только 3.