Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #8498

LLM-based agents

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

3

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

TopoPlanner: топологически согласованное планирование задач для агентов на основе LLM

Статья (arXiv:2610.07004v1) представляет TopoPlanner — фреймворк, который переводит графы зависимостей инструментов в клеточные (cellular) рабочие комплексы и применяет косейф-последовательный (cosheaf-consistent) клеточный поиск и многомерное структурное рассуждение в качестве топологически осведомлённого контекста для генерации последовательностей вызовов инструментов LLM. Эксперименты на четырёх бенчмарках планирования инструментов показывают стабильное улучшение по сравнению с промпт- и граф-усиленными базовыми методами для рабочих процессов с циклами, слияниями и повторно используемыми промежуточными состояниями.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Прежде чем агенты решают: эпистемические действия в системах на базе LLM

Новый препринт на arXiv (arXiv:2610.00511v1) переносит из когнитивной науки идею эпистемических действий в агентные системы на базе LLM, выделяя три режима — получение недостающих данных, преобразование имеющихся данных и зондирование системы для получения показательных ответов — и вводит понятие «эпистемическое лесоразоружение» (epistemic scaffolding) для интерфейсов, инструментов и сред, которые это обеспечивают и делают аудитируемым. Авторы утверждают, что разработка агентов должна явно обеспечивать производство готовых к решению доказательств до этапа принятия решений.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

PFArena: бенчмарк PLM, LLM и агентов для модификации белков (arXiv:2609.28921v1)

PFArena — новый бенчмарк (arXiv:2609.28921v1), предлагающий четыре контролируемых интерфейса задач для модификации белков, включая генерацию одиночных мутантов и ранжирование множественных мутантов при разных уровнях данных о фитнесе. Авторы оценили шесть PLM, шесть LLM и пять LLM‑агентов, отметили, что PLM лучше в открытой генерации одиночных мутантов, а LLM и агенты — в ранжировании множественных мутантов при наличии таргет‑специфичных данных; все семьи моделей испытывают трудности при увеличении пространства поиска и глубины мутаций; код и набор для бенчмарка опубликованы.

7.0