Gemini 3.5 Flash

2026-10-16

RESEARCH · 1 ИСТОЧН. · InfoQ AI, ML & Data Engineering

Google опубликовала EnvHarness: адаптация сред обучения для самоэволюционирующих агентов

Исследователи Google открыли исходный код EnvHarness — фреймворка, который оборачивает статические среды через стандартные reset()/step() и применяет составные изменения (setup, rule, link), чтобы среда адаптировалась к слабостям агента без изменения базовой среды или верификаторов. В комплект входит EnvRigger — автоматический цикл, анализирующий роллауты агента для генерации и проверки целевых правок среды; по данным Google, это даёт стабильный прирост производительности (~2,9–3,7 процентных пункта) на WebArena, SWE-bench Verified и ALFWorld для моделей вроде Gemini, Qwen и Claude Sonnet.

7.0

2026-10-15

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Harness^2: двухуровневая рекурсивная система для эволюции харднесов LLM-агентов

Harness^2 — это «plug-and-play» рекурсивная система для харднесинга агентов: двухуровневая схема использует рекурсию на уровне задач (контрастный Propose‑Probe‑Compose для редактирования харднеса без эталонных проверяющих) и рекурсию на уровне харднесинга для накопления опыта и обновления непрерывного механизма улучшения. На трёх профессиональных бенчмарках и в четырёх конфигурациях модели+харднес единичные шаги улучшения повысили показатели GLM-5 и Gemini 3.5 Flash — до 11.5 пунктов на WorkBuddy-Bench, 4.5 на JobBench и 11.8 процентных пункта на LAB.

7.0

2026-10-04

RESEARCH · 1 ИСТОЧН. · The Decoder

Исследователи Google предлагают RRSI, чтобы агенты не запоминали тесты

Исследователи Google Cloud AI Research совместно с вузами предложили RRSI (Regularized Recursive Self-Improvement) — подход, который ограничивает автоматические правки «harness», чтобы агенты не переобучались на тестах. При замороженной модели Claude Opus 4.8 на восьми бенчмарках (включая JobBench и ARC-AGI-3) RRSI дал до +14,1 пункта на тренировочных задачах, до +4,7 пункта на невидимых тестах и сократил потребление токенов примерно на 30%; код опубликован на GitHub.

7.0

2026-10-02

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Бенчмарк автоматической оптимизации подсказок на шахматах (arXiv:2610.00416v1)

В работе предложен бенчмарк на основе 1 118 задач с Lichess для оценки автоматической оптимизации подсказок (APO) на «замороженных» LLM: точная проверка совпадений, оценка ходов шахматным движком, возможность обновления задач и низкая стоимость (исследование обошлось примерно в $800). Авторы протестировали шесть алгоритмов APO на восьми моделях (Gemini 3.5 Flash решает около 55% задач) и опубликовали задачи, код и скрипты на GitHub.

6.0

2026-09-26

RESEARCH · 1 ИСТОЧН. · The Decoder

Исследование: доступ к ИИ почти полностью устраняет ответы «не знаю»

Исследователи провели пять экспериментов с 3 132 участниками и обнаружили, что доступ к языковой модели (Step 3.5 Flash) резко снижает готовность воздержаться от суждения — ответы «не знаю» упали примерно с 36–44% до 3–6% — при том, что модель часто ошибалась в тестовых вопросах по кинодеталям. Доступ к ИИ повысил уверенность при снижении точности (доля правильных ответов упала с ≈27,5% до ≈9,2%); автоматическое показание ответов ИИ дало похожий эффект, а небольшие финансовые стимулы лишь частично его смягчали.

7.0

2026-06-24

MODELS · 1 ИСТОЧН. · Google DeepMind

Google DeepMind представляет функцию использования компьютера в Gemini 3.5 Flash

Google DeepMind опубликовал материал под заголовком «Представляем использование компьютера в Gemini 3.5 Flash». В предоставленном тексте источника отсутствуют детали, поэтому сообщение, по-видимому, сообщает о новой возможности «использования компьютера» в модели Gemini 3.5 Flash, но дополнительных сведений в предоставленном материале нет.

6.0