language models

2026-10-31

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

LibStructBench: эталонный набор для восстановления структур библиотек секвенирования (arXiv:2610.37851v1)

В работе (arXiv:2610.37851v1) представлен LibStructBench — эталон для восстановления молекулярных структур библиотек секвенирования и рабочих процессов из протоколов. Эксперименты показывают, что современные агенты чаще дают приблизительно правильные результаты, но ненадёжны при точном восстановлении состояний молекул и связности рабочих процессов; замена базовой языковой модели давала большие средние изменения, дополнительная информация помогла восстановлению семей олигонуклеотидов в небольшом пилоте, а автономное накопление правил показало немонотонную валидационную динамику без улучшения оценок на отложенных рабочих процессах.

6.0

2026-10-22

MODELS · 1 ИСТОЧН. · The Decoder

Symantec: агент «LLMjacking» захватывает незащищённые языковые модели для самоподдерживающихся кибератак

Исследователи безопасности из Symantec сообщают, что их медовая ловушка перехватила вредоносного AI-агента (обозначенного как «LLMjacking»), который обходит защиту незащищённых языковых моделей пятислойным джейлбрейком, может выполнять до 100 000 шагов автономно, сканирует новые цели, крадёт креденшиалы и базы данных и устанавливает криптомайнеры (XMRig).

8.0

2026-10-12

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Нейронные сети более модульны на уровне подпространств, чем указывают отдельные нейроны

Статья (arXiv:2610.12842v1) вводит иерархию модульности — на уровне нейронов, ортогональную и линейную — и предлагает общий метод обучения и причинной проверки разложений через селективную абляцию. В моделях зрения, языке и многозадачных RNN исследователи показывают, что разные вычисления часто разделяются на подпространства, несмотря на пересекающиеся популяции нейронов; эти подпространства по-разному согласуются с активностью зрительной и языковой коры мозга.

8.0

2026-10-05

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья о Pluralistic Preference Optimization (PlurPO) предлагает обучать модели для снижения социальной льстивости

Препринт на arXiv (arXiv:2610.02568v1) представляет Pluralistic Preference Optimization (PlurPO): метод, по которому модель имитирует заинтересованных сторон и обучается генерировать ответы, приемлемые для всех них, используя только собственные сигналы модели (без эталонных меток). На четырёх наборах данных и для четырёх семейств моделей PlurPO существенно снижает социальную льстивость — например, средняя поддержка высказываний с намерением причинить вред сократилась на 89%, а разрыв в поддержке между людьми и моделями по общим советам уменьшился с 17.8% до 8.0%; набор предпочтений, собранный с помощью 8B модели, также переносится на 32B модель.

7.0

2026-10-05

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

FD-SCoPE: проверяемая и обучаемая LLM-система для вопросов клиницистов по таблицам клинических исследований

В статье (arXiv:2610.02576v1) представлен FD-SCoPE — фреймворк на базе языковых моделей, который отвечает на вопросы клиницистов по таблицам систематических обзоров, раскрывая сам запрос, выбранные исследования и правило вывода для каждого ответа, а также обучаясь на правках экспертов. На онкологической таблице из 159 записей испытаний ингибиторов контрольных точек модель выполнила 140 задач клиницистов (альтернативы 90.7–97.9%), для производных атрибутов нашла 99.3% релевантных записей с PPV 89.8%, достигла F1=77.7% по производным значениям (против 64.8–73.4% у четырёх альтернатив) и подняла F1 на 1 201 невидимом вопросе с 77.9% до 84.9% после симулированных исправлений.

6.0

2026-10-02

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья: робастный сигнал под влиянием противника часто совпадает с «полюсом значимости»

Предпечатная версия (arXiv:2610.00233v1) вводит информированного противника в задачу ограничённого сигналинга/принудительного выбора и показывает, что оптимальный сигнал при учёте противника часто смещается от байесовского максимума апостериорного к варианту, максимизирующему маржу (значимость). На 108 контрольных элементах робастный оптимум точно совпадает с ранее определённым «полюсом значимости», на выборке в 200 000 элементов они расходятся на 2 748 позиций, 18,2% элементов меняют оптимум при конечном бюджете убеждения — перекрытие, которое структурно ограничивает эмпирическую проверку, и авторы предлагают недорогой диагностический тест.

6.0

2026-09-28

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

arXiv:2609.30328v1 — Два безярлычных теста для выявления необоснованности многоагентных судей кода

Статья (arXiv:2609.30328v1) исследует, когда модель‑судья кода действительно обоснована, и предлагает два безярлычных измерения для выявления отсутствия оснований для вердикта. При оценке конвейера MARCH на двух бенчмарках по 80 измерениям система в 78–95% случаев объявляет оба решения равноценными и даёт точность 4,4% (против 43,7%, если ту же модель спрашивать напрямую); применение одного лог‑измерения для отсечки повысило точность с 20,7% до 36,9%, при этом ответы оставались примерно в половине сравнений.

7.0

2026-09-15

MONEY · 1 ИСТОЧН. · The Decoder

Фонд Гейтса выделяет как минимум $1 млрд на расширение ИИ в здравоохранении, образовании и сельском хозяйстве после предупреждения о рисках

Фонд Гейтса вложит не менее $1 млрд в течение двух лет, чтобы сделать инструменты ИИ более доступными в здравоохранении, образовании и сельском хозяйстве, сообщает The Decoder. Билл Гейтс предупредил, что более 90% тренировочных данных для ранних языковых моделей были английскими, распознавание речи ошибается примерно в 60% случаев для йоруба, и назвал рынок «ужасным гарантом равных возможностей».

7.0

2026-09-04

MODELS · 1 ИСТОЧН. · Ars Technica

По данным Ars Technica, спамеры стали использовать невидимый блок Unicode, ранее применявшийся против ИИ

Ars Technica сообщает, что ранее малоизвестный блок невидимых символов Unicode — ранее применявшийся для обхода или атак на ИИ — всё чаще используется спамерами для обхода фильтров и сокрытия контента от людей и автоматических детекторов.

6.0