Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #8436

AppWorld

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

4

RESEARCH · 1 ИСТОЧН. · Hugging Face

Агент‑хarness CUGA от IBM повышает согласованность выполнения задач AppWorld с GLM-5.3-flash по сравнению с Hermes и Deep Agents

Исследователи прогнали один и тот же открытый модельный вес (GLM-5.3-flash) через три агентных harness — CUGA от IBM, Hermes (Nous Research) и Deep Agents (LangChain) — на 90 задачах AppWorld; успешность выполнения варьировала примерно от 30% до 81%, а показатель согласованности сценариев (SGC) был выше у CUGA (20 сценариев) против Hermes (8) и Deep Agents (2). CUGA — open-source решение для корпоративного деплоя (включая суверенные и air-gapped среды) с рантайм-слоем политик (описан в статье ACM CAIS 2026), который принудительно выполняет одобрения и ToolGuards вместо полагания на подсказки; авторы отмечают ограничения эксперимента: один бенчмарк, разные настройки и отсутствие прогонов с включёнными политиками в 90‑задачной части.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Agentic World Modeling (AWM) позволяет масштабировать агентов в тесте без копирования среды (arXiv:2610.40927v1)

В новом препринте представлена методика Agentic World Modeling (AWM), которая переводит предсказание следующего наблюдения в многотуровую задачу сбора доказательств: для каждого гипотетического действия симулятор адаптивно делает только-читаемые запросы к реальной среде, анализирует полученные данные и с помощью исполняемых вычислений формирует наблюдения без изменения общего состояния. В сочетании с траекторным тестовым масштабированием AWM позволяет параллельное исследование одной общей ненастраиваемой среды и, по данным авторов, опережает одношотовую симуляцию в среднем на 40,07% и обученную модель мира на 12,36% по τ-bench, AppWorld и OfficeBench.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья предлагает использовать небольшие локальные модели как интерпретаторы для программ агентов, сгенерированных в облаке

Препринт на arXiv (arXiv:2610.14209v1) рассматривает гибридную архитектуру, в которой облачно сгенерированная программа передаёт ограниченные вопросы о приватных данных пользователю локальной небольшой модели через вызовы функций. На наборе AppWorld в шести сочетаниях базовой модели и разбиения теста такой подход повысил процент успешных выполнений код-агента во всех случаях — до 14,9 процентного пункта — существенно сократив разрыв с облачным ReAct-петлёй при сохранении данных на устройстве.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Privileged Self-Practice (PSP) для многошаговых LLM-агентов (arXiv:2609.29051v1)

В препринте на arXiv показан дефект на-политики самоструктурации (OPSD) для многошаговых агентов — модель становится уверенной, но без реальной информации, — и предложен метод Privileged Self-Practice (PSP). PSP сохраняет привилегированную информацию (PI) в подсказке/семплере: при неудачных откатах анализатор добавляет короткую инструкцию в контекст, задачу пересэмплируют и обучают по тому же GRPO-объективу; на AppWorld и SWE-bench Verified (с тремя студент-моделями) PSP стабильно опережает OPSD и обычный GRPO, повышая достижение целей задач до 65% на AppWorld и долю решённых задач до 61% на SWE-bench Verified.

7.0