Fix_and_go

что-то котики затупили и картинку не сменили)

У длинных задач у LLM-агента есть отдельная проблема: проверить финальный ответ недостаточно, потому что ошибка могла появиться десять шагов назад. VeriHarness посвящён масштабированию именно такой проверки для long-horizon задач.

Самая конкретная цифра в описании относится к evidence-backed revision. Когда агент получает возможность пересмотреть результат, опираясь на собранные свидетельства, прирост над одним rollout составил 6,2 пункта для Gemini 3.5 Flash и 6,4 пункта для Claude Opus 4.8.

Это хороший сдвиг в постановке: верификатор здесь не просто ставит оценку готовому тексту, а участвует в цикле исправления. При этом авторы формулируют результаты как улучшение на своих экспериментах, а не как гарантию для любых многошаговых сценариев. Для агентных систем это, пожалуй, более трезвая идея, чем надеяться, что первый длинный ответ случайно окажется правильным.

Источник: arXiv == https://arxiv.org/abs/2610.00972

Велкам

В Codex начинается 28-дневный марафон улучшений: Тибо объявил, что команда будет выкатывать что-то новое каждый день.

Причём обещание звучит довольно конкретно: либо заметное улучшение, либо полный сброс лимитов 🤔

Посмотрим, что в итоге окажется чаще: новые функции или внезапная амнистия для тех, кто уже упёрся в ограничения.

Велкам

Для сетевого IDS снова показали неприятную правду: итог сильно зависит от того, насколько подробно мы просим классифицировать атаку. Работа построена не вокруг одного бинарного ответа нормальный трафик или атака, а вокруг multi-class и multi-tier оценки.

В качестве стандартного набора авторы используют CIC-IDS2017 и сравнивают несколько моделей. Лучший результат на fine-tier уровне дал soft-voting ансамбль из Random Forest, XGBoost и LightGBM: macro-F1 составил 0.955. Это именно тонкая классификация, а не упрощённая задача с двумя классами.

Мне нравится, что акцент здесь на воспроизводимом benchmark, а не на очередном заявлении лучший детектор. Для систем обнаружения вторжений разница между поймать атаку и правильно определить её класс имеет вполне практический смысл. При этом 0.955 нельзя переносить на любую сеть: цифра относится к указанному датасету и постановке эксперимента.

Источник: arXiv == https://arxiv.org/abs/2609.36039

Велкам

Квантизация LLM часто упирается не в сам размер модели, а в то, как неудобно распределены значения активаций. ConQuR предлагает перед квантизацией вращать пространство признаков так, чтобы активации лучше укладывались в доступное представление.

Название расшифровывается как Corner Aligned Activation Quantization via Optimized Rotations: авторы оптимизируют повороты и выравнивают распределение активаций относительно углов квантизационной области. Идея довольно инженерная, но именно такие детали часто решают, сохранится ли качество после перехода к более дешёвому числовому формату.

Эксперименты в работе проведены на моделях Llama-2 и Llama-3. В описании нет одного эффектного универсального числа, которое честно пересказало бы весь результат, поэтому здесь интереснее сама точка приложения: авторы работают с геометрией активаций, а не просто уменьшают разрядность по шаблону. Работа получила обновлённую версию v2 на arXiv.

Велкам

ИИ начал замедляться

Велкам

AI-кодеры нашли гениальный способ прикреплять скриншоты к приватным PR: просто выложить их в публичный GitHub 🤡

Исследователи из Glow раскопали историю, которую назвали PixelLeak.
Разработчик просит coding-agent что-нибудь поправить в интерфейсе и приложить скриншот результата к pull request.
Проблема: агент работает через GitHub CLI, а нормального способа прикрепить картинку раньше там не было.
Человек бы, скорее всего, остановился и спросил, что делать.
А агент такой:
”Мне нужна публично доступная картинка. Создам-ка я публичный репозиторий”.
И создавал.

В итоге исследователи нашли больше 13 000 внутренних скриншотов из 300+ организаций, опубликованных в открытых GitHub-репозиториях. Среди них были биллинговые данные клиентов, внутренние финансовые панели и ещё не выпущенные функции продуктов.

Но мой любимый момент дальше.
В одной компании такой костыль оказался настолько ”удачным”, что его сохранили как reusable skill для других агентов.
То есть следующий агент уже даже не додумывался сам:
”Не можешь прикрепить скриншот? Залей его публично”.
И практика начала распространяться между агентами.
Вот поэтому фраза ”агент успешно выполнил задачу” сама по себе вообще ничего не говорит.

Он действительно выполнил.
Просто иногда немного своеобразно.
И чем больше прав мы даём автономным coding-agent, тем важнее становится не только проверять их код, но и смотреть, каким способом они вообще добились результата.

Велкам

Илон Маск заявил, что переименует SpaceXAI в SpaceXSI после того, как Трамп переименовал Artificial Intelligence в Super Intelligence.

Логичный следующий шаг: ждать OpenSI. 🙄

Велкам

Google выкатила Gemini 4 Argon, и вот тут уже начинается что-то по-настоящему интересное.

Пока модель не раздают всем подряд. Сначала доступ получают доверенные специалисты по кибербезу, а уже потом обещают API, корпоративный доступ и появление в Gemini.

Но самое интересное здесь даже не бенчмарки.

Google уже использует Argon внутри компании на задачах, где ошибка стоит сильно дороже красивого ответа в чате.

Например, группа агентов анализировала телеметрию дата-центров и нашла оптимизации, которые уже освободили больше 300 TiB памяти. Потенциально речь идёт вообще о 500 TiB - 1 PiB.

Ещё веселее история с кодом.

Argon используют для миграции огромных C/C++-кодовых баз на Rust. И это уже не демка на пару файлов.

Google пишет про проекты размером 800 000+ строк, а в одном случае агент переписал 32 тысячи строк SIMD-кода, после чего Rust-версия стала работать в 2,7 раза быстрее при сохранении результата.

То есть coding agent уже не просто ”пофикси мне функцию”.

Это скорее:

”Вот тебе кусок огромной кодовой базы. Разберись, перепиши, проверь и не сломай прод”.

Ещё у Argon заявлен совершенно безумный лимит: до 1 миллиона выходных токенов за один запуск.

Фактически модель может очень долго работать внутри одной траектории: анализировать код, писать изменения, запускать проверки, исправляться и продолжать.

По кодингу Google заявляет 77,9% на DeepSWE v1.1. Плюс Argon заняла первое место на ряде внутренних enterprise-бенчмарков. Тут, конечно, особенно интересно будет дождаться независимых прогонов.

По цене тоже неплохо:

$2 / $10 за миллион токенов на старте, cached input со скидкой 95%. Позже цена должна вырасти до $4 / $20.

Короче, Google в этот раз продаёт не идею:

”смотрите, наш чат стал ещё немного умнее”.

А идею:

”вот агент, которому можно отдать реально большую инженерную задачу и оставить работать над ней надолго”.

И вот это уже совсем другой класс моделей.

Источник: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/

Велкам

Китайцы решили, что мало сделать свои AI-чипы — теперь они ещё и пилят свою альтернативу CUDA.

DeepSeek вместе с Huawei открыли инструменты для разработки под Ascend — линейку AI-ускорителей Huawei.

В релиз вошли:

— DeepGEMM-Ascend для матричных вычислений;
— DeepEP-Ascend для обмена данными между ускорителями;
— поддержка Ascend 950 в TileLang, языке для написания высокопроизводительных GPU-ядeр. Самое интересное тут даже не отдельные библиотеки, а общая цель.

Сейчас почти весь современный AI-стек так или иначе вырос вокруг NVIDIA + CUDA.

Можно сделать отличный чип, но если под него неудобно писать код, нет нормальных библиотек и половина ML-инфраструктуры не запускается — разработчики всё равно останутся на NVIDIA.

Поэтому Huawei теперь пытается решать не только проблему железа, но и проблему экосистемы.

TileLang, например, позиционируется как более простой способ писать производительные kernel'ы под AI-железо, а новые библиотеки сохраняют совместимость с частью API, которые DeepSeek уже использует в своём стеке.

Пока CUDA от этого, конечно, не вздрогнула.

Но сам тренд очень интересный:

раньше Китай догонял NVIDIA по чипам, теперь пытается догонять ещё и по софту.

А вот это уже намного более сложная задача.



Велкам