Tech Meridian
← К СУЩНОСТЯМ
КОМПАНИЯ · ENTITY #256
Хронология связанных событий, источники и контекст из новостной базы.
ReuF2F — новый бенчмарк на Lean 4 (arXiv:2610.27046v1) из 244 формализованных открытых задач, взятых из программ Research Experiences for Undergraduates (REU). Бенчмарк упаковывает каждую задачу и её логическое отрицание в проект Lean внутри Docker-контейнера, включает унифицированный тестовый каркас (Leanimum-agent на базе mini-SWE-agent) и показывает, что лучшая модель решает лишь ~40% задач.
В статье на arXiv анализируются сбои при обучении конечных агентов с использованием моделей уровня Claude Opus в роли мета‑агентов для генерации задач и верификаторов; выделены три класса ошибок: недействительность бенчмарка, хрупкость окружения и несогласованность вознаграждения. Авторы показывают, что переработка подсказок и расширение контекста повышают решаемость в 5,6 раза; модель с 9 млрд параметров достигает насыщения на 81,3% mean pass@2 за 20 шагов на задачах, сгенерированных Claude Opus, а добавление тяжёлых задач снижает mean pass@2 до 20,6% при неизменной конфигурации обучения, и делают вывод о необходимости калибровки «полосы решаемости», аудитов верификаторов и учёта ошибок инфраструктуры.
Docker представила спецификацию Sandbox Kit v3 (Apache‑2.0), которая упаковывает ИИ‑агента, его инструменты и типизированный список запрошенных хостов, учётных данных и томов в обычный OCI‑образ, и объявила о передаче спецификации в CNCF. Docker Sandboxes (запуск в микроВМ) — первая соответствующая реализация; контроль исполнения зависит от рантаймов, и в публикациях не уточнено, принята ли спецификация в программу CNCF.
NVIDIA опубликовала руководство по использованию NeMo Relay как единой системы наблюдения за выполнением агентов: Hermes Agent генерирует ATOF-события, ATIF-траектории и OpenTelemetry-спаны, которые можно просматривать в Arize Phoenix; репозиторий содержит примеры, верификаторы и инструкции по настройке. В кейс-стади Hermes ToolPerf сравнивал базовую и исправленную версии harness на повторных запусках и показал, что Qwen Coder 30B восстановил больше задач, но увеличил количество вызовов, объём данных и задержки.
Docker представила Cloud Sandboxes — хостированные среды выполнения на базе аппаратно обеспеченных microVM, которые позволяют запускать AI‑кодирующих агентов на инфраструктуре Docker и перемещать песочницы между локальной машиной и облаком с помощью того же CLI и модели изоляции, что и локальные Docker Sandboxes. Docker также обновила спецификацию Sandbox Kit до Kits v3, упаковав наборы как стандартные OCI‑образы; комментаторы отметили удобство для длительных и параллельных задач агентов, но предупредили о сохраняющейся поверхности атаки при доступе песочниц к внешним сервисам.
Статья на NVIDIA Developer описывает, как с помощью NVIDIA FLARE можно запускать и масштабировать нагрузки федеративного обучения в популярных средах оркестрации — Docker, Kubernetes и Slurm, давая рекомендации по переходу от одиночных серверов и небольшого числа клиентов к более крупным развертываниям.
Allow Google Analytics to measure visits? It stays off until you choose. You can change your choice at any time.