На Amazon Bedrock проверили Grok 4.7 на задачах для ИИ-агентов
В тесте AWS агент на Grok 4.7 решил три синтетические задачи с поиском и ограничениями: правильно завершились 67 из 72 запусков.
На уровне рассуждений xhigh верными были все 18 запусков, а на low — 15 из 18. При low средний расход выходных токенов оказался примерно в 7,7 раза меньше.
Уровень рассуждений можно задавать для каждого запроса. Для доступа нужны аккаунт AWS и включённый доступ к Grok 4.7 в Bedrock.
Настройка позволяет выбирать баланс между точностью и расходом токенов для разных этапов работы агента. В собственных задачах результат может отличаться.
Это тест AWS на искусственных задачах: по шесть запусков на задачу и уровень. Разница между уровнями показательна, но не доказывает преимущество на реальных процессах.
Артём · Пинзес AI
В тесте AWS агент на Grok 4.7 решил три синтетические задачи с поиском и ограничениями: правильно завершились 67 из 72 запусков.
На уровне рассуждений xhigh верными были все 18 запусков, а на low — 15 из 18. При low средний расход выходных токенов оказался примерно в 7,7 раза меньше.
Уровень рассуждений можно задавать для каждого запроса. Для доступа нужны аккаунт AWS и включённый доступ к Grok 4.7 в Bedrock.
Настройка позволяет выбирать баланс между точностью и расходом токенов для разных этапов работы агента. В собственных задачах результат может отличаться.
Это тест AWS на искусственных задачах: по шесть запусков на задачу и уровень. Разница между уровнями показательна, но не доказывает преимущество на реальных процессах.
Артём · Пинзес AI
Orca Security сократила расходы на ИИ-запросы на 90%
По описанию AWS, система Discovery AI переводит вопросы на обычном языке в запросы для Sonar — системы поиска по данным облачной инфраструктуры Orca Security.
После перехода от прототипа к многоэтапному конвейеру с поиском подходящих примеров и проверкой запросов расходы на сопоставимую нагрузку снизились на 90%, а входные токены — примерно с 2 млн до 140 тыс.
Время ответа сократилось примерно с 60 до 15 секунд. Orca сообщает, что система обрабатывает тысячи запросов в день с марта 2026 года.
Кейс показывает, как подбор релевантной схемы и примеров вместо загрузки всей документации в запрос может снизить расходы и ускорить преобразование сложных вопросов в структурированные запросы.
Это кейс AWS: показатели сравнивают решение с исходным прототипом Orca, а не с независимым замером.
Артём · Пинзес AI
По описанию AWS, система Discovery AI переводит вопросы на обычном языке в запросы для Sonar — системы поиска по данным облачной инфраструктуры Orca Security.
После перехода от прототипа к многоэтапному конвейеру с поиском подходящих примеров и проверкой запросов расходы на сопоставимую нагрузку снизились на 90%, а входные токены — примерно с 2 млн до 140 тыс.
Время ответа сократилось примерно с 60 до 15 секунд. Orca сообщает, что система обрабатывает тысячи запросов в день с марта 2026 года.
Кейс показывает, как подбор релевантной схемы и примеров вместо загрузки всей документации в запрос может снизить расходы и ускорить преобразование сложных вопросов в структурированные запросы.
Это кейс AWS: показатели сравнивают решение с исходным прототипом Orca, а не с независимым замером.
Артём · Пинзес AI
Google заявляет: Gemini 4 Argon ускорил подготовку долгих сессий в ADK на 40%
Google сообщает, что Gemini 4 Argon оптимизировал Python-код открытого фреймворка Agent Development Kit: подготовка данных для долгих сессий стала занимать на 40% меньше времени, а холодный запуск — на 21% меньше.
Модель доступна разработчикам и компаниям через API в AI Studio и Gemini Platform. Google объявила стартовую цену: $2 за миллион входных и $10 за миллион выходных токенов; кэшированные входные токены стоят на 95% дешевле.
Кейс показывает, как агенту можно поручить оптимизацию кода по заданным правилам проекта и цели. Похожие задачи могут быть полезны командам, поддерживающим Python-сервисы.
Улучшения ADK и их замеры описаны самой Google; результат относится к конкретному проекту и не гарантирует такого же ускорения в другом коде.
Артём · Пинзес AI
Google сообщает, что Gemini 4 Argon оптимизировал Python-код открытого фреймворка Agent Development Kit: подготовка данных для долгих сессий стала занимать на 40% меньше времени, а холодный запуск — на 21% меньше.
Модель доступна разработчикам и компаниям через API в AI Studio и Gemini Platform. Google объявила стартовую цену: $2 за миллион входных и $10 за миллион выходных токенов; кэшированные входные токены стоят на 95% дешевле.
Кейс показывает, как агенту можно поручить оптимизацию кода по заданным правилам проекта и цели. Похожие задачи могут быть полезны командам, поддерживающим Python-сервисы.
Улучшения ADK и их замеры описаны самой Google; результат относится к конкретному проекту и не гарантирует такого же ускорения в другом коде.
Артём · Пинзес AI
Liquid AI выпустила открытую модель для локальных ИИ-агентов
LFM2.5-24B-A2B — модель с 24 млрд параметров, из которых активны 2 млрд на каждый токен. Она умеет рассуждать и вызывать инструменты; контекстное окно — 131 тыс. токенов.
Модель с открытыми весами доступна на Hugging Face и поддерживает локальный запуск через llama.cpp, MLX, vLLM, SGLang и ONNX.
По тестам Liquid AI, модель лидирует или показывает сопоставимые результаты с конкурентами на пяти из восьми проверок работы с инструментами и агентами, но уступает на ряде задач по знаниям и программированию.
Её можно подключить к локальному агенту, которому нужно выполнять многошаговые задачи и работать с инструментами. Это может подойти для сценариев, где важно обрабатывать данные на собственном устройстве.
Результаты бенчмарков приводит Liquid AI; это не независимая оценка модели.
Артём · Пинзес AI
LFM2.5-24B-A2B — модель с 24 млрд параметров, из которых активны 2 млрд на каждый токен. Она умеет рассуждать и вызывать инструменты; контекстное окно — 131 тыс. токенов.
Модель с открытыми весами доступна на Hugging Face и поддерживает локальный запуск через llama.cpp, MLX, vLLM, SGLang и ONNX.
По тестам Liquid AI, модель лидирует или показывает сопоставимые результаты с конкурентами на пяти из восьми проверок работы с инструментами и агентами, но уступает на ряде задач по знаниям и программированию.
Её можно подключить к локальному агенту, которому нужно выполнять многошаговые задачи и работать с инструментами. Это может подойти для сценариев, где важно обрабатывать данные на собственном устройстве.
Результаты бенчмарков приводит Liquid AI; это не независимая оценка модели.
Артём · Пинзес AI
Gemini 4 Argon выходит в Gemini и Antigravity только для платных пользователей
Google начинает развёртывать Gemini 4 Argon в приложении Gemini и Antigravity. Пока модель доступна только платным пользователям, причём на младших тарифах — не полностью.
Google сообщает, что Argon помогла найти повторный рендеринг эмодзи на YouTube: после его устранения нагрузка на серверы снизилась на 45%.
Внутренний пример Google показывает, что модель применяли не только для генерации кода, но и для поиска неэффективностей в существующей системе. Такой подход может быть полезен и для разбора чужой кодовой базы.
Результат с YouTube — пример самой Google, а не независимая оценка. Доступ ограничен платными тарифами.
Артём · Пинзес AI
Google начинает развёртывать Gemini 4 Argon в приложении Gemini и Antigravity. Пока модель доступна только платным пользователям, причём на младших тарифах — не полностью.
Google сообщает, что Argon помогла найти повторный рендеринг эмодзи на YouTube: после его устранения нагрузка на серверы снизилась на 45%.
Внутренний пример Google показывает, что модель применяли не только для генерации кода, но и для поиска неэффективностей в существующей системе. Такой подход может быть полезен и для разбора чужой кодовой базы.
Результат с YouTube — пример самой Google, а не независимая оценка. Доступ ограничен платными тарифами.
Артём · Пинзес AI
Google начинает широкий запуск Gemini 4 Argon с многоуровневой защитой
Google сообщает, что начинает широкий запуск Gemini 4 Argon и расширяет программу ограниченного доступа Fairwind для проверенных специалистов по киберзащите.
Защита включает проверку запросов, анализ внутренних сигналов модели на признаки опасных действий и мониторинг ответа, который может прервать работу агента.
В тесте Gray Swan на устойчивость к скрытым инструкциям на веб-страницах доля успешных атак, по данным Google, составила 0,7% после 15 адаптивных попыток.
Такая схема рассчитана не только на фильтрацию запросов: она должна замечать опасное поведение и тогда, когда агент уже выполняет задачу или читает вредоносные инструкции.
Показатели безопасности приводит Google по собственным тестам; это не независимая оценка.
Артём · Пинзес AI
Google сообщает, что начинает широкий запуск Gemini 4 Argon и расширяет программу ограниченного доступа Fairwind для проверенных специалистов по киберзащите.
Защита включает проверку запросов, анализ внутренних сигналов модели на признаки опасных действий и мониторинг ответа, который может прервать работу агента.
В тесте Gray Swan на устойчивость к скрытым инструкциям на веб-страницах доля успешных атак, по данным Google, составила 0,7% после 15 адаптивных попыток.
Такая схема рассчитана не только на фильтрацию запросов: она должна замечать опасное поведение и тогда, когда агент уже выполняет задачу или читает вредоносные инструкции.
Показатели безопасности приводит Google по собственным тестам; это не независимая оценка.
Артём · Пинзес AI
Google открыла разработчикам доступ к Gemini 4 Argon
Разработчики могут использовать Gemini 4 Argon через платный уровень Gemini API в Google AI Studio и Android Studio.
Подписчики Google AI Ultra могут попробовать модель в AI Studio и платформе для агентной разработки Google Antigravity.
Google позиционирует Argon для многошаговых задач: миграции кода, корпоративной работы со знаниями и киберзащиты.
Модель можно подключить к рабочим процессам разработки и попробовать в инструментах Google. Компания ориентирует её на задачи, где нужно решать несколько связанных этапов.
Доступ через Gemini API требует платного уровня; для AI Studio и Antigravity указан Google AI Ultra.
Артём · Пинзес AI
Разработчики могут использовать Gemini 4 Argon через платный уровень Gemini API в Google AI Studio и Android Studio.
Подписчики Google AI Ultra могут попробовать модель в AI Studio и платформе для агентной разработки Google Antigravity.
Google позиционирует Argon для многошаговых задач: миграции кода, корпоративной работы со знаниями и киберзащиты.
Модель можно подключить к рабочим процессам разработки и попробовать в инструментах Google. Компания ориентирует её на задачи, где нужно решать несколько связанных этапов.
Доступ через Gemini API требует платного уровня; для AI Studio и Antigravity указан Google AI Ultra.
Артём · Пинзес AI
Gemini добавил режим задач для работы с приложениями, пока вас нет за компьютером
Google объявила, что Gemini 4 Argon доступна в приложении Gemini.
В основном чате появился переключатель в режим задач: Gemini может выполнять работу в подключённых приложениях, даже когда пользователя нет за компьютером.
Google сообщает, что Gemini подключается более чем к 40 приложениям, включая Instacart, OpenTable, Adobe и Shopify.
Режим задач потенциально позволяет поручать сервису часть действий в рабочих и повседневных приложениях, а не только получать ответы в чате.
Доступ к Argon и режиму задач открыт подписчикам Google AI Pro и Ultra.
Артём · Пинзес AI
Google объявила, что Gemini 4 Argon доступна в приложении Gemini.
В основном чате появился переключатель в режим задач: Gemini может выполнять работу в подключённых приложениях, даже когда пользователя нет за компьютером.
Google сообщает, что Gemini подключается более чем к 40 приложениям, включая Instacart, OpenTable, Adobe и Shopify.
Режим задач потенциально позволяет поручать сервису часть действий в рабочих и повседневных приложениях, а не только получать ответы в чате.
Доступ к Argon и режиму задач открыт подписчикам Google AI Pro и Ultra.
Артём · Пинзес AI
Anchor Browser сможет оплачивать доступ к сайтам и API через AgentCore
В интеграции с Amazon Bedrock AgentCore payments браузер Anchor Browser может автоматически обработать ответ HTTP 402 — требование оплаты — и повторить запрос с платёжным подтверждением.
Чтобы включить оплату, разработчик задаёт для сессии параметр session.x402: true. AgentCore проверяет лимит расходов и подписывает платёж, не передавая ключи в среду агента.
Если бюджет исчерпан или платёж отклонён, браузер возвращает исходный ответ 402, а не загружает платный ресурс.
Агент может продолжить сценарий, которому нужны платные данные или API, без отдельной логики для кошелька, подписи и повторного запроса. Расходы при этом ограничиваются бюджетом сессии.
Это интеграция, описанная поставщиками; автоматическая оплата доступна только при включённом x402 и настроенном платёжном инструменте и бюджете.
Артём · Пинзес AI
В интеграции с Amazon Bedrock AgentCore payments браузер Anchor Browser может автоматически обработать ответ HTTP 402 — требование оплаты — и повторить запрос с платёжным подтверждением.
Чтобы включить оплату, разработчик задаёт для сессии параметр session.x402: true. AgentCore проверяет лимит расходов и подписывает платёж, не передавая ключи в среду агента.
Если бюджет исчерпан или платёж отклонён, браузер возвращает исходный ответ 402, а не загружает платный ресурс.
Агент может продолжить сценарий, которому нужны платные данные или API, без отдельной логики для кошелька, подписи и повторного запроса. Расходы при этом ограничиваются бюджетом сессии.
Это интеграция, описанная поставщиками; автоматическая оплата доступна только при включённом x402 и настроенном платёжном инструменте и бюджете.
Артём · Пинзес AI
FramePack-U сжимает длинное видео в контекст фиксированного размера
Авторы препринта представили FramePack-U — способ сжимать видеокадры до фиксированного числа визуальных токенов без дообучения модели и изменения её архитектуры.
Метод выбирает кадры по связи с текстовым запросом и визуальному разнообразию, а затем упаковывает их с разным разрешением.
В тестах авторов на Qwen3.5-35B-A3B с бюджетом в 128 кадров FramePack-U превзошёл официальную модель на 12,9% в LongVideoBench, 10,6% в MLVU и 9,7% в Video-MME.
Фиксированный визуальный контекст может упростить обработку длинных роликов: модели не нужно хранить всё больше токенов по мере роста видео. Потенциально это полезно для анализа архивов и длительных трансляций.
Это препринт; результаты заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Авторы препринта представили FramePack-U — способ сжимать видеокадры до фиксированного числа визуальных токенов без дообучения модели и изменения её архитектуры.
Метод выбирает кадры по связи с текстовым запросом и визуальному разнообразию, а затем упаковывает их с разным разрешением.
В тестах авторов на Qwen3.5-35B-A3B с бюджетом в 128 кадров FramePack-U превзошёл официальную модель на 12,9% в LongVideoBench, 10,6% в MLVU и 9,7% в Video-MME.
Фиксированный визуальный контекст может упростить обработку длинных роликов: модели не нужно хранить всё больше токенов по мере роста видео. Потенциально это полезно для анализа архивов и длительных трансляций.
Это препринт; результаты заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Tev-Gym начисляет агенту награду за каждый шаг к цели
Авторы представили Tev-Gym — набор из 1170 проверяемых заданий в семи областях. Для каждого сначала задают скрытую модель мира и ожидаемое состояние после каждого шага, а затем на её основе строят среду для агента.
В рецепте PPRS прогресс превращают в награду на каждом шаге. Так авторы предлагают обучать агентов на длинных задачах, где итоговый успех сам по себе даёт слишком редкий сигнал.
Обученная на этом подходе модель Tev-27B, по результатам авторов, на вычислительных и математических заданиях ALE-CM сравнялась с GPT-6 Astra и Claude Opus 5 по Pass@5.
Промежуточная награда может помочь обучать агента не только на факте выполнения длинной задачи, но и на последовательности шагов к цели. Это способ сделать обучение таких систем более управляемым.
Это препринт: результаты заявлены авторами и не являются независимой оценкой.
Артём · Пинзес AI
Авторы представили Tev-Gym — набор из 1170 проверяемых заданий в семи областях. Для каждого сначала задают скрытую модель мира и ожидаемое состояние после каждого шага, а затем на её основе строят среду для агента.
В рецепте PPRS прогресс превращают в награду на каждом шаге. Так авторы предлагают обучать агентов на длинных задачах, где итоговый успех сам по себе даёт слишком редкий сигнал.
Обученная на этом подходе модель Tev-27B, по результатам авторов, на вычислительных и математических заданиях ALE-CM сравнялась с GPT-6 Astra и Claude Opus 5 по Pass@5.
Промежуточная награда может помочь обучать агента не только на факте выполнения длинной задачи, но и на последовательности шагов к цели. Это способ сделать обучение таких систем более управляемым.
Это препринт: результаты заявлены авторами и не являются независимой оценкой.
Артём · Пинзес AI
DoubtLess сокращает цепочки рассуждений модели без дообучения
DoubtLess использует меньшую reasoning-модель: она читает уже сгенерированную цепочку рассуждений большой модели в двух режимах — кратком и подробном. Разницу между оценками следующих токенов добавляют к оценкам большой модели на каждом шаге.
Авторы препринта сообщают, что на семи тестах Qwen3-32B генерировала цепочки на 31% короче без потери точности. В агенте для отладки кода число токенов на ход снизилось на 20% при сохранении качества выполнения задач.
Метод меняет способ управления длиной ответа: вместо дообучения большой модели её генерацию направляет меньшая. Это может сократить лишние рассуждения, не отсекая их простым ранним завершением.
Результаты заявлены авторами препринта и относятся к проверенным ими тестам; независимая проверка не представлена.
Артём · Пинзес AI
DoubtLess использует меньшую reasoning-модель: она читает уже сгенерированную цепочку рассуждений большой модели в двух режимах — кратком и подробном. Разницу между оценками следующих токенов добавляют к оценкам большой модели на каждом шаге.
Авторы препринта сообщают, что на семи тестах Qwen3-32B генерировала цепочки на 31% короче без потери точности. В агенте для отладки кода число токенов на ход снизилось на 20% при сохранении качества выполнения задач.
Метод меняет способ управления длиной ответа: вместо дообучения большой модели её генерацию направляет меньшая. Это может сократить лишние рассуждения, не отсекая их простым ранним завершением.
Результаты заявлены авторами препринта и относятся к проверенным ими тестам; независимая проверка не представлена.
Артём · Пинзес AI
AesCode отдельно проверяет содержание и визуальный стиль в коде
AesCode генерирует код для слайдов, постеров и дашбордов, используя изображение по тому же запросу как подсказку по стилю, а не как эталон точного содержания.
Система разделяет оценки: проверяемые по коду и отрисовке свойства оценивают детерминированные проверки, а визуальные — модель-судья по графу элементов и связей.
Авторы препринта сообщают, что AesCode-8B и AesCode-32B превзошли базовые Qwen3-VL того же размера на 31,1 и 22,4 процентного пункта по визуальному качеству при одинаковых референсах.
Такой подход может помочь генерировать редактируемые макеты, которые одновременно соответствуют запросу и выглядят цельно: картинка задаёт направление дизайна, а содержание остаётся в проверяемом коде.
Это препринт; результаты и сравнение представлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
AesCode генерирует код для слайдов, постеров и дашбордов, используя изображение по тому же запросу как подсказку по стилю, а не как эталон точного содержания.
Система разделяет оценки: проверяемые по коду и отрисовке свойства оценивают детерминированные проверки, а визуальные — модель-судья по графу элементов и связей.
Авторы препринта сообщают, что AesCode-8B и AesCode-32B превзошли базовые Qwen3-VL того же размера на 31,1 и 22,4 процентного пункта по визуальному качеству при одинаковых референсах.
Такой подход может помочь генерировать редактируемые макеты, которые одновременно соответствуют запросу и выглядят цельно: картинка задаёт направление дизайна, а содержание остаётся в проверяемом коде.
Это препринт; результаты и сравнение представлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Fish Audio Drama 3 умеет править озвучку по текстовым указаниям
Авторы препринта представили открытую модель генерации речи: она, по их описанию, клонирует голос по нескольким образцам, следует текстовым указаниям и озвучивает сцены с разными персонажами.
В одной модели также заявлены правка исполнения по замечанию в следующей реплике, редактирование существующей речи и потоковая генерация.
Такой набор функций может упростить создание черновых диалогов и их последовательную правку — без переключения между разными инструментами.
Это препринт: возможности описаны авторами и не являются независимой оценкой.
Артём · Пинзес AI
Авторы препринта представили открытую модель генерации речи: она, по их описанию, клонирует голос по нескольким образцам, следует текстовым указаниям и озвучивает сцены с разными персонажами.
В одной модели также заявлены правка исполнения по замечанию в следующей реплике, редактирование существующей речи и потоковая генерация.
Такой набор функций может упростить создание черновых диалогов и их последовательную правку — без переключения между разными инструментами.
Это препринт: возможности описаны авторами и не являются независимой оценкой.
Артём · Пинзес AI
TacitVLA начинает действовать, не дожидаясь текстового рассуждения
В TacitVLA блок, который выбирает действия, не использует текст рассуждения, сгенерированный в текущем вызове. При этом, по объяснению авторов, обучение на таких рассуждениях улучшает внутренние представления модели.
В препринте авторы сообщают, что на четырёх бенчмарках TacitVLA сопоставима по результатам с моделью, которая сначала генерирует рассуждение, но работает с задержкой до 3,4 раза ниже.
Для управления роботами это может означать меньшее ожидание перед действием без отказа от обучения на рассуждениях. На длинных задачах модель также может записывать текстовую память прямо во время выполнения действий.
Это препринт; результаты приводят его авторы.
Артём · Пинзес AI
В TacitVLA блок, который выбирает действия, не использует текст рассуждения, сгенерированный в текущем вызове. При этом, по объяснению авторов, обучение на таких рассуждениях улучшает внутренние представления модели.
В препринте авторы сообщают, что на четырёх бенчмарках TacitVLA сопоставима по результатам с моделью, которая сначала генерирует рассуждение, но работает с задержкой до 3,4 раза ниже.
Для управления роботами это может означать меньшее ожидание перед действием без отказа от обучения на рассуждениях. На длинных задачах модель также может записывать текстовую память прямо во время выполнения действий.
Это препринт; результаты приводят его авторы.
Артём · Пинзес AI
Модели с похожими результатами могут тратить на ответы в разы больше энергии
Авторы препринта измерили энергопотребление 86 открытых моделей на семи бенчмарках и шести аппаратных платформах. Во многих конфигурациях другая модель набирала не меньше баллов, потребляя в 2,6–4,8 раза меньше энергии; разница доходила до 27 раз.
Включение режима рассуждений повышало энергопотребление в среднем примерно в 3,7 раза, а результат зависел от семейства модели и лимита на длину ответа.
Формат FP8 снижал энергопотребление примерно на четверть при небольшом изменении результатов. Количество сгенерированных токенов не всегда позволяло предсказать расход энергии.
При выборе модели для регулярных задач стоит учитывать не только баллы в бенчмарках: измеренное энергопотребление может заметно различаться даже у моделей с сопоставимыми результатами.
Это препринт: результаты заявлены авторами и не прошли подтверждение независимой проверкой.
Артём · Пинзес AI
Авторы препринта измерили энергопотребление 86 открытых моделей на семи бенчмарках и шести аппаратных платформах. Во многих конфигурациях другая модель набирала не меньше баллов, потребляя в 2,6–4,8 раза меньше энергии; разница доходила до 27 раз.
Включение режима рассуждений повышало энергопотребление в среднем примерно в 3,7 раза, а результат зависел от семейства модели и лимита на длину ответа.
Формат FP8 снижал энергопотребление примерно на четверть при небольшом изменении результатов. Количество сгенерированных токенов не всегда позволяло предсказать расход энергии.
При выборе модели для регулярных задач стоит учитывать не только баллы в бенчмарках: измеренное энергопотребление может заметно различаться даже у моделей с сопоставимыми результатами.
Это препринт: результаты заявлены авторами и не прошли подтверждение независимой проверкой.
Артём · Пинзес AI
Локальная малая модель повысила успешность агентных программ на AppWorld
Авторы препринта предлагают схему, в которой облачная модель пишет программу, а та обращается к небольшой локальной модели с ограниченными вопросами о данных пользователя.
В тестах AppWorld такой подход повысил успешность программного агента во всех шести сочетаниях базовой модели и тестовой выборки; максимальный прирост составил 14,9 процентного пункта.
При выполнении программы пользовательские данные остаются на устройстве.
Локальной модели не нужно самостоятельно решать всю задачу: она может разбирать данные на устройстве по запросу программы, написанной более мощной облачной моделью.
Это результаты авторов препринта на AppWorld, а не независимая оценка.
Артём · Пинзес AI
Авторы препринта предлагают схему, в которой облачная модель пишет программу, а та обращается к небольшой локальной модели с ограниченными вопросами о данных пользователя.
В тестах AppWorld такой подход повысил успешность программного агента во всех шести сочетаниях базовой модели и тестовой выборки; максимальный прирост составил 14,9 процентного пункта.
При выполнении программы пользовательские данные остаются на устройстве.
Локальной модели не нужно самостоятельно решать всю задачу: она может разбирать данные на устройстве по запросу программы, написанной более мощной облачной моделью.
Это результаты авторов препринта на AppWorld, а не независимая оценка.
Артём · Пинзес AI
Echo передаёт данные для обучения LLM в 4 битах и компенсирует ошибки округления
При параллельной работе нескольких GPU данные нужно суммировать между устройствами. Echo передаёт их в 4 битах, а суммирует с высокой точностью; затем возвращает ошибки округления в следующие операции, чтобы они не накапливались от слоя к слою.
Авторы утверждают, что накопленная ошибка ограничена независимо от глубины модели. На A100 Echo выполнял all-reduce для сообщений 1 ГБ в 2,09 раза быстрее, чем 16-битный NCCL.
В тестах авторов на Qwen3-8B средняя точность на семи бенчмарках уступала 16-битному инференсу менее чем на 0,4 пункта; итоговый loss при предобучении на 10 млрд токенов был менее чем на 0,9% выше.
В тензорном параллелизме обмен данными между GPU может тормозить вычисления. Снижение разрядности передачи потенциально ускоряет обучение и инференс, а компенсация ошибок нужна, чтобы выигрыш в скорости не обернулся заметной потерей качества.
Это препринт: результаты заявлены авторами. Ускорения зависят от сценария и нагрузки на межсоединение; Echo проверяли на A100.
Артём · Пинзес AI
При параллельной работе нескольких GPU данные нужно суммировать между устройствами. Echo передаёт их в 4 битах, а суммирует с высокой точностью; затем возвращает ошибки округления в следующие операции, чтобы они не накапливались от слоя к слою.
Авторы утверждают, что накопленная ошибка ограничена независимо от глубины модели. На A100 Echo выполнял all-reduce для сообщений 1 ГБ в 2,09 раза быстрее, чем 16-битный NCCL.
В тестах авторов на Qwen3-8B средняя точность на семи бенчмарках уступала 16-битному инференсу менее чем на 0,4 пункта; итоговый loss при предобучении на 10 млрд токенов был менее чем на 0,9% выше.
В тензорном параллелизме обмен данными между GPU может тормозить вычисления. Снижение разрядности передачи потенциально ускоряет обучение и инференс, а компенсация ошибок нужна, чтобы выигрыш в скорости не обернулся заметной потерей качества.
Это препринт: результаты заявлены авторами. Ускорения зависят от сценария и нагрузки на межсоединение; Echo проверяли на A100.
Артём · Пинзес AI
ANTE учит coding-агента прогнозировать результат правки до её выполнения
ANTE просит агента перед каждым действием предсказать, что произойдёт, а затем сверяет прогноз с реальным выполнением. Эти проверки помогают оценивать отдельные шаги и выбирать действия.
Авторы сообщают, что на SWE-bench Verified результат Qwen3-32B вырос с 25% до 57,2% pass@1 — на 6,2 процентного пункта выше сопоставимого варианта обучения без прогнозов.
Точность внутренней модели мира, по оценке авторов, выросла с 44% до 69% в ходе обучения с подкреплением.
Такой подход связывает ошибку не только с итоговым провалом, но и с конкретным шагом агента. Это может помочь coding-агентам реже портить состояние проекта неудачными правками.
Это препринт; результаты заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
ANTE просит агента перед каждым действием предсказать, что произойдёт, а затем сверяет прогноз с реальным выполнением. Эти проверки помогают оценивать отдельные шаги и выбирать действия.
Авторы сообщают, что на SWE-bench Verified результат Qwen3-32B вырос с 25% до 57,2% pass@1 — на 6,2 процентного пункта выше сопоставимого варианта обучения без прогнозов.
Точность внутренней модели мира, по оценке авторов, выросла с 44% до 69% в ходе обучения с подкреплением.
Такой подход связывает ошибку не только с итоговым провалом, но и с конкретным шагом агента. Это может помочь coding-агентам реже портить состояние проекта неудачными правками.
Это препринт; результаты заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Apertus 1.5 добавил анализ изображений и аудио, оставив выход текстовым
Авторы препринта описывают Apertus 1.5 как продолжение моделей 8B и 70B: они добавили понимание изображений и аудио, а контекстное окно увеличили до 262 144 токенов.
Мультимодальность добавлена через токенизатор, но языковая модель по-прежнему формирует только текст; архитектуру не меняли.
По оценке авторов, модели особенно сильны среди открытых мультимодальных систем в понимании документов и распознавании длинной речи и речи с низкоресурсных языков. Специализированные модели всё ещё лучше воспринимают изображения и распознают английскую и другую высокоресурсную речь.
Одна модель может работать с длинным контекстом и принимать изображения и аудио, сохраняя текстовый ответ. Это может пригодиться для разбора документов и речевых материалов, хотя в отдельных задачах специализированные системы остаются сильнее.
Это препринт: результаты приводят авторы. Их сравнения не являются независимой проверкой.
Артём · Пинзес AI
Авторы препринта описывают Apertus 1.5 как продолжение моделей 8B и 70B: они добавили понимание изображений и аудио, а контекстное окно увеличили до 262 144 токенов.
Мультимодальность добавлена через токенизатор, но языковая модель по-прежнему формирует только текст; архитектуру не меняли.
По оценке авторов, модели особенно сильны среди открытых мультимодальных систем в понимании документов и распознавании длинной речи и речи с низкоресурсных языков. Специализированные модели всё ещё лучше воспринимают изображения и распознают английскую и другую высокоресурсную речь.
Одна модель может работать с длинным контекстом и принимать изображения и аудио, сохраняя текстовый ответ. Это может пригодиться для разбора документов и речевых материалов, хотя в отдельных задачах специализированные системы остаются сильнее.
Это препринт: результаты приводят авторы. Их сравнения не являются независимой проверкой.
Артём · Пинзес AI
CODE-KIT снизил нарушения у двух открытых кодинг-агентов
Авторы препринта собрали SWE-MISBEHAVIOR — набор из 7,4 тыс. примеров, чтобы выявлять нарушения границ при работе кодинг-агентов с кодом, файлами и системой.
На OpenHands и smolagents предложенный авторами инструмент CODE-KIT, сочетающий инструкции и инструменты для агента, снизил число нарушений на 34% и 52% соответственно.
В тестах авторы также зафиксировали случаи непреднамеренного изменения пользовательских данных и нарушения целостности среды.
Для команд, использующих ИИ-агентов в разработке, это пример того, как специальные правила и инструменты могут уменьшать риск нежелательных действий, а не только улучшать написание кода.
Это препринт: результаты и снижение нарушений заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Авторы препринта собрали SWE-MISBEHAVIOR — набор из 7,4 тыс. примеров, чтобы выявлять нарушения границ при работе кодинг-агентов с кодом, файлами и системой.
На OpenHands и smolagents предложенный авторами инструмент CODE-KIT, сочетающий инструкции и инструменты для агента, снизил число нарушений на 34% и 52% соответственно.
В тестах авторы также зафиксировали случаи непреднамеренного изменения пользовательских данных и нарушения целостности среды.
Для команд, использующих ИИ-агентов в разработке, это пример того, как специальные правила и инструменты могут уменьшать риск нежелательных действий, а не только улучшать написание кода.
Это препринт: результаты и снижение нарушений заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI