Hugging Face обновил свои страницы моделей, чтобы отображать результаты оценки из инициативы 'Every Eval', обеспечивая комплексный обзор производительности моделей по различным бенчмаркам. Эта интеграция позволяет пользователям получать доступ к широкому спектру стандартизированных метрик непосредственно в интерфейсе модельного хаба.
Проект llama.cpp выпустил версию b9848, которая включает критическое исправление для бэкенда CUDA для устранения проблем с функцией `get_rows_back` на таблицах, превышающих 65535 строк. Это обновление устраняет ошибки ограничения grid-y и шага, которые ранее влияли на операции с большими таблицами.
Исследование изучает, проявляют ли открытые дискуссии больших языковых моделей поведение, подобное аттракторному, анализируя траектории по семи моделям и двадцати спорным темам. Исследование сравнивает дебаты в парах «самоиграющих» и смешанных игроков, чтобы понять, как разговоры стабилизируются в наборах устойчивых паттернов поведения.
В данном исследовании оцениваются алгоритмы принятия решений с учётом неопределённости, основанные на байесовской теории принятия решений и подходах, ориентированных на избегание рисков, для задач LLM, таких как репетиторство и взаимная проверка работ. Авторы используют конформное прогнозирование для обеспечения гарантий относительно стратегий и оценок, обнаруживая, что эти методы могут повысить полезность генерации, но требуют тщательной реализации в условиях высокой неоднозначности.
Исследователи представляют Agents-A1, модель Mixture-of-Experts на 35B параметров, которая достигает производительности, сопоставимой с моделями на триллион параметров, за счет масштабирования горизонта агента, а не количества параметров. Подход сосредоточен на расширении длинногоризонтных траекторий и объединении разнородных способностей агентов с помощью специализированной инфраструктуры обучения.
В статье представлен WorldEvolver — фреймворк, который оснащает долгосрочных агентов LLM надежной способностью к предвидению за счет пересмотра контекста во время развертывания без изменения параметров модели. Он решает проблему ненадежных прогнозов, ухудшающих принятие решений, с помощью самоэволюционирующего подхода, повышающего точность предсказаний и качество планирования.
Автор представляет Trajlens, линтер с открытым исходным кодом для категории LeRobotDataset на Hugging Face Hub, и сообщает о результатах аудита 100 случайных публичных наборов данных с тегом 'lerobot'. Аудит показал, что только 19 наборов данных прошли валидацию, 13 не прошли из-за конкретных ошибок в вышестоящих компонентах, а 47 столкнулись с ошибками загрузки или таймаутами.
Запрос функции предлагает Эпистемологическую состязательную сеть (EAN), архитектуру, предназначенную для трансформации ИИ из системы, отражающей институциональный консенсус, в децентрализованную многоперспективную систему верификации. Этот подход направлен на устранение политических и корпоративных манипуляций путем устранения любой единой «истины».
Тред обсуждения на форумах Hugging Face спрашивает пользователей, какие бесплатные или открытые ИИ-модели они в настоящее время используют для разработки чат-ботов и каковы их причины предпочтения.
Пользователь на форумах Hugging Face ищет рекомендации по моделям ИИ без цензуры, способным рассуждать о сложных темах, указывая предпочтение более ранним версиям GPT-4 перед текущими.
Проект llama.cpp выпустил версию b9847, которая включает исправление для Gemma E4B MTP FlashAttention на CUDA и удаление неиспользуемого объявления шаблона.
Автор делится практической настройкой для использования локальных больших языковых моделей на скромном оборудовании, а именно на ноутбуке с 32 ГБ ОЗУ и NVIDIA RTX 4070 с 8 ГБ видеопамяти. Основная стратегия заключается в запуске модели Qwen3.6-35B-A3B локально в качестве «малого кодингового агента», а сложные задачи планирования перекладываются на облачный экземпляр GLM 5.2.
В статье документируется, как измерения от проприетарных оценщиков LLM могут стать недействительными в течение нескольких недель, и предлагается рамка EPC для обнаружения такой нестабильности. Она применяется в восьми экспериментальных условиях, показывая, что версия-условная нестабильность делает исследования с одним снимком ненадежными.
В данном исследовании оценивается влияние методов ресэмплинга, таких как SMOTE и случайное недосэмплирование, на калибровку вероятностей в ансамблях деревьев; установлено, что хотя стоимость SMOTE невелика, недосэмплирование сильно ухудшает калибровку.
В данном исследовании оценивается производительность больших языковых моделей с открытыми весами, работающих локально для задач преобразования текста в SQL, с использованием воспроизводимого бенчмарка на обучающем наборе данных BIRD. Сравниваются три семейства моделей двух поколений при этом абляционно изучаются конкретные техники повышения точности, чтобы определить их реальную ценность.
В статье представлен EarningsInOne, новый корпус, согласующий новости об отчётах о прибыли, стенограммы конференц-звонков и цены для вселенной компаний SP 1500 за период с 2022 по 2025 год. Этот ресурс сокращает разрыв между финансовыми экономистами и исследователями в области NLP, предоставляя унифицированные торговые конфигурации и метрики оценки как для количественных, так и для качественных сигналов.
В статье представлен новый метод автоматического сопоставления между системами классификации заболеваний, такими как ICD-9-CM и ICD-10-CM, который устраняет ограничения существующих подходов на основе эмбеддингов, часто игнорирующих сложные сценарии «один ко многим». Используя конвейер блокировки и сопоставления, вдохновленный разрешением сущностей (entity resolution), авторы применяют большие языковые модели для выявления допустимых отображений внутри блоков кандидатов.
Исследователи предлагают Mandol, систему агломеративной памяти, предназначенную для консолидации фрагментированных представлений памяти в единую архитектуру для долгосрочных диалоговых агентов. Этот подход решает проблемы высокой задержки и шума, присущие существующим системам, которые полагаются на гетерогенные векторные и графовые базы данных.
В данной позиционной статье утверждается, что у людей существует эволюционно сформированный bias следования инструкциям — врожденный индуктивный bias, сформированный эволюцией для интерпретации и выполнения лингвистических инструкций. Эта когнитивная особенность обеспечивает быстрое обучение задачам по инструкции (RITL) и позволяет быстро обобщать поведение на основе языка.
Авторы предлагают Fund2Persona — фреймворк, который основывает персонажи финансовых советников на раскрытии информации фондами, переходах портфельных активов и комментариях управляющих, чтобы решить проблему масштабирования последовательной экспертизы в системах LLM. Система уточняет эти персонажи с помощью агентного цикла «актор-оценщик-патчер», выходя за рамки простых промптов для персонажей, которые часто уходят в сторону общих рекомендаций.