Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #20072

test-time scaling

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

2

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

TEX: валидация на исполнении для масштабирования агентов во время теста

TEX — совместная схема масштабирования во время теста, которая параллелит агентов для генерации тестов и исправлений и перекрёстно исполняет каждый тест с каждым патчем, формируя K×K матрицу обратной связи для доработки без обмена длинными трассами. В препринте arXiv (2610.27290v1) TEX достигает 86.4% на SWT-Bench Verified (+9.0% по сравнению с одноагентными базами), и даже случайный выбор из выходов TEX (84.4%) превосходит предыдущий SOTA (84.0%).

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья представляет Harness-Delta Attribution (HDA) для анализа прироста от эволюции harness

В arXiv:2610.22466v1 предложен протокол оценки Harness-Delta Attribution (HDA), который разлагает прирост производительности от эволюции harness на артефактное переобучение, масштабирование во время инференса и остаток — верхнюю границу потенциально обобщаемого улучшения. Применённый к 11 исполнителям моделей и трём фреймворкам эволюции harness по задачам математики, программирования, творчества и агентности, анализ показывает, что переобучение и масштабирование при инференсе объясняют большую долю прироста (в среднем 54% и 14%), что приросты часто не переносятся на отложенные задачи и что одних сигналов валидации недостаточно для предотвращения переобучения.

7.0