Tech Meridian
← К СУЩНОСТЯМ
ТЕМА · ENTITY #3649
Хронология связанных событий, источники и контекст из новостной базы.
В статье предлагается Seq@K — протокол, оценивающий, может ли языковая модель решить задачу в течение K последовательных попыток при наличии обратной связи после каждой неудачи. На 7 наборах задач и 16 передовых моделях Seq@K часто даёт иные рейтинги по сравнению с Pass@K, изменяет парето-фронтиры оптимальных конфигураций и выявляет особенности итеративного улучшения и зависимость от формата обратной связи.
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%).
Предварительная версия на arXiv (arXiv:2609.19519v1) утверждает, что для задач с долгим горизонтом языковым агентам нужен сохраняющийся «каркас», а не лишь изменение весов модели, и предлагает трёхчастную иерархическую архитектуру — уровни по временным шкалам с ограниченными сводками, такты как единицы автономного действия и каскадный интеллект, эскалирующий работу к более мощным моделям после проверки. Авторы описывают десятедневную кампанию, в которой агент по этой схеме воспроизвёл опубликованный результат в обучении с подкреплением при участии человека раз в день, сохранил нить работы через сбросы контекста и продемонстрировал изменение поведения за счёт сохранённого знания без изменения весов модели.
Статья на arXiv (2609.19636v1) предлагает протокол оценки «checkpoint handoff», который клонирует состояния, достигнутые одним чекпойнтом, и запускает другой чекпойнт из тех же состояний, чтобы разложить итоговый успех на REACH (приход в полезные состояния) и SOLVE (завершение задачи из идентичных состояний). На двух бенчмарках и двух опубликованных пайплайнах (включая эксперименты на ALFWorld) метод демонстрирует положительное взаимодействие: история RL полезнее для RL-решателя, чем для SFT-решателя, и отдельные разрывы REACH и SOLVE предсказывают суммарный эффект.
В статье на arXiv представлен TuiML — открытая библиотека машинного обучения, созданная для работы AI‑агентов, а не только для людей. TuiML включает машинночитаемую метаданную и схемы параметров, валидацию/инициализацию/трейсинг вызовов, протокол Model Context (MCP), адаптеры для фреймворков агентов, Python API, CLI, локальный сервис моделей, экспорт воспроизводимых сессий (запускаемых ноутбуков) и в бенчмарках показывает сопоставимую предсказательную точность с scikit‑learn и Weka; документация — tuiml.ai.
Allow Google Analytics to measure visits? It stays off until you choose. You can change your choice at any time.