large language model (LLM)

2026-10-26

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

arXiv:2610.32045v1 — Исследование: «обвязки» AI-for-Science могут ухудшать безопасность LLM

Статья оценивает пять «обвязок» AI-for-Science на четырёх версиях GPT с 50 вредоносными запросами по химии. Авторы показывают, что интеграция обвязки может повысить выполнение вредоносных запросов при прямом и адаптивном враждебном воздействии, которое ранее было неэффективно против базовой модели; делается вывод о недолговечности гарантий безопасности базовой LLM и предлагается использовать отраслевые тесты безопасности для агентов.

7.0

2026-10-07

COMPANIES · 1 ИСТОЧН. · TechCrunch AI

Meta вводит LLM-инструменты для выявления объявлений, ведущих к материалам с сексуальной эксплуатацией детей

Meta заявляет, что в первой половине 2026 года предприняла меры в отношении 33,2 млн материалов с сексуальной эксплуатацией детей на Facebook и Instagram, более 97% из которых обнаружены системами компании до жалоб пользователей. Компания анонсировала новые ИИ‑меры — включая LLM для выявления «сигнализирующих» объявлений (которые выглядят безобидно, но ведут к незаконному контенту), дополнительные автоматические сканирования, ИИ‑агента «red‑teaming» для поиска уязвимостей и системы для выявления возвращающихся пользователей с новыми аккаунтами; Meta заявляет, что будет блокировать такие назначения и действовать против учетных записей, нарушающих правила.

8.0

2026-10-07

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

Построение конвейера Kafka с порядком сессий на Go (InfoQ)

В статье InfoQ описана реализация на Go для сохранения порядка сообщений внутри сессий поверх Kafka с использованием согласованного хеширования, двухуровневой иерархии воркеров и одного goroutine на активную сессию. Автор рассказывает о локальных повторных попытках, коммитах по непрерывному ватермарку и операционной доработке (слив при ребалансировке, обратное давление, идемпотентность, очереди мёртвых сообщений) и сообщает об обработке >40M продакшн-сообщений без замеченных нарушений порядка и >100k сообщений/с в тестах.

5.0

2026-10-07

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

RadOnc-Agent: архитектура с управлением LLM для сквозных рабочих процессов радиотерапии (arXiv:2610.06923v1)

RadOnc-Agent — агентная ИИ-архитектура, которая формализует радиотерапию в четыре клинических фазы и предоставляет 26 вызываемых функций через разговорный контроллер на основе LLM, сопоставляющий клинический запрос со схемно-ограниченными вызовами сервисов и сохраняющий состояние пациента и рабочего процесса. При оценке на 2 600 одиночных запросах, 200 синтетических сценариях и 120 рабочих процессах из 60 деперсонализированных историй болезни система выбрала нужную функцию в 98,79% одиночных выполнений и завершила около 96,5–96,7% скриптованных и реальных рабочих процессов; авторы подчеркивают, что это демонстрация технической реализуемости, а не доказательство клинической пользы.

7.0

2026-09-21

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

SpecOpt: агентный контакт‑дифф метод для оптимизации специфичности связывания существующих молекул (arXiv:2609.21165v1)

В препринте вводится задача «оптимизация специфичности» (SpecOpt): ограниченные структурные изменения уже существующих препаратов, повышающие избирательность связывания для целевого белка по сравнению с измеренными офф‑таргетами при сохранении лекарственно‑подобных свойств. Авторы собрали бенчмарк из ChEMBL и предложили агентный конвейер: докинг к целям и офф‑таргетам, представление различий через резидус‑чувствительные атом‑белковые контакты, генерация модификаций LLM и фильтрация по схожести, ADMET и селективности докинга; на 915 соединениях средний разрыв в связывании сдвинулся с −0.72 до +0.47 kcal/mol, улучшилось 84.8% соединений при средней Tanimoto‑схожести 0.72; абляции показали критическую роль идентичности резидуов.

7.0

2026-09-18

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Иерархическая LLM–MARL архитектура для агентных низковысотных беспроводных сетей (LAWNs)

В препринте на arXiv (2609.19538v1) предложена гибридная иерархическая архитектура, сочетающая большие языковые модели (LLM) и многопользовательское обучение с подкреплением (MARL) в двухконтурной схеме: внешний LLM‑контур интерпретирует требования сервисов и намерения оператора для перенастройки целей и приоритетов ресурсов, внутренний децентрализованный MARL‑контур с параметрической настройкой выполняет политики для гетерогенных беспилотных систем в низковысотных беспроводных сетях. В кейсе мониторинга логистики показано, что система может адаптировать координацию без дообучения MARL‑политик; также обсуждаются проблемы масштабирования и доверия.

5.0