Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

МОДЕЛЬ · ENTITY #4285

Gemini 3.1 Pro Preview

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

2

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Бенчмарк MathVis (arXiv:2610.12954v1) оценивает генерацию математических диаграмм LLM

MathVis — новый бенчмарк (arXiv:2610.12954v1) из 512 задач, проверяющий способность больших языковых моделей визуализировать математические задачи и генерировать исполняемые TikZ/SVG-диаграммы; набор включает эталонные диаграммы, Gold IR, атомарные рубрики и коды ошибок. В начальной оценке GPT-6-Astra, Claude Fable 5 и Gemini 3.1 Pro Preview показали pass@1 31.25%, 26.56% и 22.85% соответственно; авторы отмечают, что выводы моделей чаще содержат формальные языки и программы и выглядят визуально запутанными вместо явного использования диаграмм для рассуждения.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Оценка безопасности LLM для авторизации голосовых команд в автомобилях

В работе (arXiv:2609.19630v1) предложен бенчмарк из 202 сценариев и семиклассовая таксономия для оценки решений об авторизации перед выполнением команд голосовых ассистентов в автомобилях. Оценены две локальные модели и три API-модели LLM: точность решений варьирует от 40.1% (Llama 3.2 3B) до 89.1% (Gemini 3.1 Pro Preview), API-модели показывают 83.2–89.1% без значимых различий, зафиксованы 2–3 ошибочных выполнений среди 161 сценария, требующего отказа, и делается вывод, что одних структурированных решений LLM недостаточно — необходимо независимое средство принудительного контроля разрешений и состояния автомобиля.

7.0