Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

МОДЕЛЬ · ENTITY #11642

Llama-3.1-8B

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

3

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Ухудшение при длинной генерации — проблема сэмплинга; top-nsigma предотвращает коллапс при высокой температуре

Статья на arXiv (arXiv:2611.22148v1) протестировала 29 открытых моделей (1B–122B) на десяти бенчмарках для длинного контекста, включая поиск до миллиона токенов, и показала, что сэмплеры, сохраняющие небольшой пул кандидатов при росте температуры (особенно top-nsigma), сохраняют точность, тогда как сэмплеры, допускающие множество маловероятных токенов (top-p, top-k, Top-H), разрушаются при высокой температуре. Авторы отмечают, что размер пула предсказывает качество (Spearman −0.77), приводят примеры на Llama-3.1-8B и Qwen3.5 и публикуют код и данные.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

«Не выбирайте победителя» (arXiv:2610.36169v1) — приоритеты лучше фиксированных правил для конфликтов RAG

Авторы дают решение в терминах теории решений и показывают на экспериментах, что фиксированные правила разрешения расхождений между контекстом из поиска и моделью обычно уступают: для решения конфликта нужны отдельные доказательства в пользу каждого источника и априорная вероятность корректности контекста. На бенчмарке GRACE они реализуют заметки с откалиброванной уверенностью, «двухголосого» читателя и селектор с априорой π; при π, равной доле правильных контекстов, общие показатели поднимаются до 45.3 (Qwen3.5-35B-A3B) и 35.0 (Llama-3.1-8B) против лучших базовых 29.4 и 27.5, превосходя CK-PLUG и TCR на preregistered ClashEval на 12 и 26 пунктов, при этом выгоды исчезают, когда модель не знает ответа.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

NAQD-Env: бенчмарк для селективного прерывания в языковых агентах

Статья (arXiv:2609.38460v1) представляет NAQD-Env — синтетический детерминированный бенчмарк для оценки решений языковых агентов о приостановке, сохранении и возобновлении действий по 11 семействам зависимостей и явным входным данным о доказательствах/разрешениях. Оценка трёх открытых моделей (Qwen2.5-7B, Qwen2.5-3B, Llama-3.1-8B) в трёх условиях подсказки на 350 сценариях (3 150 эпизодов) показала очень низкую полноту отзыва (≤0,06), отсутствие корректных возобновлений и лишь один эпизод, полностью совпавший с эталонной политикой; дообучение повысило точность решений Qwen2.5-3B, но привело к другим проблемам.

6.0