Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #6876

frontier LLMs

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

4

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Ask2Decide — бенчмарк проверяет, запрашивают ли LLM‑агенты информацию, важную для решений

Ask2Decide — новый бенчмарк (arXiv:2611.13015v1) из 43 задач на планирование, оценивающий, запрашивают ли LLM‑агенты недостающие факты, которые меняют оптимальный план. Авторы собрали 79 сессий от 19 участников, откалибровали симулированного оператора под поведение людей и показали, что четыре передовые LLM выдавали нефункциональные первоначальные планы в 58–98% задач при отсутствии информации и выявляли решающие факты лишь немного чаще, чем нерелевантные (39–52% против 32–41%).

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Исследование: выбор сериализации графа существенно влияет на структурное рассуждение LLM

Статья (arXiv:2610.22734v1) сравнивает 15 форматов сериализации графов на девяти современных конфигурациях LLM для задач извлечения знаний из онтологий и структурного рассуждения над графами. Выяснено, что извлечение знаний мало чувствительно к формату, тогда как точность структурного рассуждения сильно зависит от сериализации, причём оптимальный формат меняется в зависимости от модели, запроса и задачи; авторы предлагают подход с динамической оркестрацией форматов.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

MEA: агентная система с вознаграждением для правдоподобных объяснений моделей (arXiv:2610.02480v1)

В работе представлен MEA — двухагентная система (Proposer и Actor), которая подбирает и настраивает инструменты объяснения и оптимизируется сквозь цельную функцию верности на основе возмущений, выдавая пояснения на естественном языке для табличных, текстовых и визуальных моделей. По результатам на шести наборах данных MEA превосходит постхок-методы, агентные и закрытые эталонные решения, давая приблизительно +28% (таблично), +21% (текст) и +34% (визуально) к верности по сравнению с не натренированной основой, при этом авторы отмечают систематическую нефидельность объяснений от передовых LLM.

7.0

MODELS · 1 ИСТОЧН. · arXiv cs.AI

Hapi: U‑Net Swin Transformer для континентальных 24–72‑часовых гидрологических прогнозов

Hapi — многопеременный U‑Net Swin Transformer, прогнозирующий сток, поверхностный сток, водный эквивалент снега и влажность почвы по территории континентальных США с разрешением 0,05° на 24–72 часа. На тестовых данных 2024 года с реконструированными входами ERA5‑Land модель превзошла эксплуатационную физическую модель и современную AI‑модель в обнаружении наводнений, прошла валидацию по 3 881 гиду USGS и исследованию урагана Helene, и выполняет 72‑часовой прогноз по четырём переменным в среднем за 0,11 с на одной A100 GPU.

8.0