Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #6536

Terminal-Bench 2.0

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

2

RESEARCH · 1 ИСТОЧН. · The Decoder

Sakana AI и UC Berkeley: один LLM самосовершенствуется с помощью MASS, но внутренний оценщик может закреплять слепые зоны

Исследователи из Sakana AI и UC Berkeley представили Multi-Agent Self-Supervision (MASS) — метод, при котором одна языковая модель запускает копии себя в роли субагентов для решения задач, оценки результатов и оптимизации рабочих потоков. На базе Qwen3.6-27B метод повысил выигрышные показатели до ~70% после двух раундов на ряде бенчмарков, но общие слепые зоны самопроверки иногда принимают ошибочные решения и закрепляют ошибки в следующем цикле обучения.

7.0

RESEARCH · 1 ИСТОЧН. · Hugging Face

Британский AISI публикует верифицированные результаты бенчмарков через Evaluation Cards EvalEval

Британский Институт безопасности ИИ (AISI) использует схему Every Eval Ever и платформу Evaluation Cards коалиции EvalEval для открытой публикации верифицированных запусков оценки из экспериментов Terminal-Bench 2.0; релиз сопровождает статью AISI «How Inference Compute Shapes Frontier LLM Evaluation» и включает данные по сериям Claude Opus и версиям GPT-5. Сотрудничество нацелено на повышение воспроизводимости и контекстуализации метаданных оценок и данных запусков.

7.0