Claude Opus

2026-10-23

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Тестовая платформа Agent4Sci (arXiv:2610.28763v1) оценивает продвинутых кодирующих агентов на 20 бенчмарках ML для науки

Статья представляет Agent4Sci — тестовую платформу длительного горизонта для оценки того, насколько современные кодирующие агенты способны улучшать опубликованные лучшие модели по 20 бенчмаркам ML в 11 областях. Автор(ы) показывают, что продвинутые агенты (например, Claude Opus) улучшают базовые результаты (Claude Opus: 10,4% среднее относительное улучшение), причём улучшения в основном связаны с инженерными приёмами; лёгкие плагины для генерации идей и управления экспериментами повышают показатели Claude Opus до 20,1% и Codex до 8,1%. Код и данные опубликованы на GitHub и Hugging Face.

7.0

2026-10-05

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Когда обучение конечного агента застревает — arXiv:2610.02405v1

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.

7.0

2026-09-30

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

Агенты CodeScene рефакторят 300K строк кода Street Fighter III за три недели

CodeScene опубликовал кейс, где агенты рефакторили 300‑тысячную C‑базу (декампилированный Street Fighter III: 3rd Strike) за три недели при примерно $4,000 в токен‑затратах — 2,903 коммита в 726 файлах, 252,055 изменённых строк и рост Code Health с 5.6 до 10.0. Проект использовал детерминированный счёт CodeHealth MCP Server и replay‑trace‑хёрнесс для проверки корректности, в основном работал с Claude Opus (Claude Code), составил набор из 22 рецептов рефакторинга и вызвал споры практиков о применимости к production‑кодам и побочных эффектах.

7.0

2026-09-18

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

DoorDash использует мульти‑агентные LLM для автоматической очистки 60 000 feature‑флагов

DoorDash создала рабочий процесс с мульти‑агентными LLM (на базе Google Agent Development Kit и моделей Claude) для поиска и удаления устаревших feature‑флагов в ~623 репозиториях и около 60 000 флагов. В тесте из 50 флагов система сгенерировала полезные pull‑request для 45 флагов (в среднем 13,8 минуты и $4,79 на очистку), запуская агентов в изолированных git‑worktree, проверяя сборку/тесты/покрытие и интегрируясь с Jira и MCP.

7.0