Пользователь сообщает, что OpenCode попадает в бесконечный "цикл мышления" при использовании локальных моделей, постоянно запрашивая себя без завершения. Ошибка возникает при использовании различных моделей и настроек, включая Qwen и GPT-OSS, и сохраняется как в среде llama.cpp, так и в среде LMStudio, хотя чат-окно в LMStudio работает нормально.
Ошибки цикла мышления в OpenCode с локальными моделями
OpenAI публикует бенчмарки чипа для вывода Jalapeño; Perplexity запускает локальный портативный компьютер
OpenAI опубликовала детали бенчмарков для своего собственного чипа вывода Jalapeño, заявив о превосходной эффективности и задержках по сравнению с системами NVIDIA GB200/GB300. Одновременно Perplexity запустила Portable Computer на аппаратном обеспечении NVIDIA DGX Spark, что позволяет полностью локально оркестровывать агентов без зависимости от облака.
Нейросимволическое выравнивание повышает безопасность клинических LLM за счёт физиологического обоснования
Исследователи предлагают Neurosymbolic Alignment, фреймворк на этапе обучения, который связывает 7B-параметрическую клиническую LLM с физиологической моделью мира на основе HGNN для повышения безопасности в генеративном клиническом рассуждении. Метод использует структурированные физиологические знания из биомедицинского графа знаний из 847K узлов для оценки кандидатов и управления итеративными on-policy обновлениями ORPO.
Исследователи представляют AtlasNav для решения проблемы «слепоты к доказательствам» при прямом взаимодействии с корпусами
Исследователи представили AtlasNav, устойчивую многовидовую систему навигации по корпусам, предназначенную для устранения «слепоты к доказательствам» у агентов больших языковых моделей, взаимодействующих с внешними корпусами. Это состояние возникает, когда необходимые доказательства не проявляются или становятся непригодными в рамках ограниченного бюджета взаимодействий.
Recuris повышает успешность долгосрочных агентов на 17.8 балла в tau-bench
Исследователи представляют Recuris, рекурсивную архитектуру Опытной Рабочей Памяти (Experiential-Working Memory), предназначенную для решения проблем рекурсивного самосовершенствования в долгосрочных задачах. Система использует Рабочую Память для отслеживания прогресса и выбора навыков из Опытной Памяти, создавая ограниченный цикл, который локализует ошибки и обновляет навыки на основе текущих потребностей.
Recuris представляет рекурсивную архитектуру Опытной-Рабочей Памяти для агентов с длительным горизонтом планирования
Исследователи представляют Recuris, рекурсивную архитектуру Опытной-Рабочей Памяти, предназначенную для решения проблем рекурсивного самосовершенствования в задачах с длительным горизонтом. Система использует Рабочую Память для отслеживания прогресса задачи и выбора навыков из Опытной Памяти, опираясь на текущие потребности, а не на полную историю.