Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #11726

Claw-Eval

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

3

MODELS · 1 ИСТОЧН. · Hugging Face

Tether AI Research выпустила BotPsy 0.8B — персонального помощника для локального запуска

Tether AI Research представила BotPsy — языковую модель на 0,8 млрд параметров, основанную на Qwen3.5-0.8B, ориентированную на вызов функций и агентные рабочие процессы для локального запуска. По заявлению разработчиков, BotPsy показывает лучшие в классе результаты по использованию инструментов и многошаговым задачам среди моделей ≤1,2 млрд параметров (BFCL v4, ACEBench, τ-bench), улучшает следование инструкциям и снижает частоту небезопасных ответов в автоматическом тестировании; модель предназначена для задач низкой и средней сложности и не годится для критичных сценариев.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Self-Direction: агенты превращают ошибки в постоянные низкоранговые адаптеры

Авторы предлагают Self-Direction — метод, при котором агент анализирует неудачные траектории, извлекает уроки и сразу дистиллирует их в лёгкие низкоранговые адаптеры (~0.02% параметров базовой модели) при сохранении зафиксированных базовых весов; адаптеры сохраняются в библиотеке и перенаправляются на похожие задачи. Эксперименты с открытыми моделями семейства Qwen на GAIA, Claw-Eval и Terminal-Bench 2.1 показывают прирост успеха на 8.9–17.0 процентных пункта, снижение повторяющихся ошибок (почти двукратное повышение надёжности исправлений) и переносимость нескольких адаптеров на десятки новых задач.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Предмет на arXiv: агент редактирует собственный harness через многозадачную самоэволюцию

Статья (arXiv:2609.38372v1) предлагает схему, в которой тот же зафиксированный языковой модельный агент сначала решает задачи, а затем в роли предложителя читает полные записи прогонов и напрямую редактирует harness, который его запускает; эволюция использует задачи из пяти разных бенчмарков с разделением на обучающую и отложенную выборки и дополнительно проверяется на пяти внераспределённых бенчмарках. Начиная с 49-строчного исходного harness и применяя многозадачную предобучение и непрерывную дообучение, эволюционировавший harness повысил средние результаты на 4.48 пункта внутри распределения и на 12.64 пункта вне распределения, превзойдя Codex внутри распределения и сравнявшись с ним вне; дальнейшая эволюция по Claw-Eval подняла этот бенчмарк с 66.17 до 68.06, превысив Codex; в статье проанализированы возникшие механизмы (усечение вывода, сжатие истории, независимый обзор).

6.0