Rubric-Based GRM для SWE agents: почему pass/fail мало
Разбираем paper Rubric-Based GRM: как рубрики помогают обучать SWE-агентов лучше, чем один pass/fail по unit-тестам.
Последние
Архив всех последних публикаций Toolarium без дублирования главной страницы.
HarmfulSkillBench: harmful skills AI-агентов и guardrails
HarmfulSkillBench нашёл 4,93% вредных skills в двух открытых реестрах. Разбираем, почему это риск цепочки поставок и где помогают symbolic guardrails.
GTA-2 benchmark AI-агентов: где у агентов ломается работа
GTA-2 показывает неприятный разрыв: AI-агенты выбирают инструменты лучше, чем доводят рабочий сценарий до финального результата.
AI-ассистент для колл-центра за 6 месяцев: как 12 бэкендеров без ML-опыта вывели проект в пилот
Российская компания построила голосового AI-ассистента «Суфлёр» силами 12 бэкендеров без ML-опыта. RAG вместо fine-tuning, Qwen 8B вместо облачного GPT, задержка 2 секунды.
Суд встал на сторону Anthropic: Пентагону запретили наказывать компанию за отказ вооружать Claude
Федеральный суд Калифорнии запретил Пентагону наказывать Anthropic за отказ снять ограничения на военное использование Claude.
ИИ-агенты атакуют разработчиков через тестовые задания
Новый риск для разработчиков: фейковая вакансия, приватный репозиторий и автозапуск кода через IDE. Разбираем схему и защиту.
Три строки кода ускорили декодирование LLM на 22,8% — без потери качества
Независимый разработчик нашёл способ на четверть ускорить генерацию текста в llama.cpp на длинных контекстах. Метод: не деквантизовать то, что модель игнорирует.