Stack Overflow for Agents спустя месяц: зачем агентам свой Stack Overflow
Stack Overflow for Agents за месяц не стал стандартом, но показал главный дизайн-паттерн агентной разработки: верификация важнее генерации.
разработка
Разработка с использованием ИИ: интеграция API, создание AI-приложений, автоматизация workflows.
Long-Horizon-Terminal-Bench: почему AI-агенты теряют нить в долгих terminal-задачах
LHTB показывает, где ломаются long-horizon AI-агенты: 46 terminal-задач, dense reward, 9,9 млн токенов на запуск и слабый pass@1 даже у лучших моделей.
Ghostcommit: prompt injection через PNG и AGENTS.md
Ghostcommit показывает новую слепую зону AI code review: инструкция спрятана в PNG, AGENTS.md ведёт агента к файлу .env, а секреты уходят в обычный коммит.
Databricks GLM 5.2: почему AI-кодинг считают по задаче
Databricks показала, почему для AI-кодинга важнее цена за выполненную задачу, чем стоимость токена: GLM 5.2 стала кандидатом на daily coding model.
GitHub Copilot code review: как workflow-инструкции снизили стоимость ревью
GitHub показал редкий публичный кейс: агент для ревью стал дешевле после переписывания workflow-инструкций, а не после смены модели или инструментов.
AgentLens benchmark для coding agents: почему pass/fail уже мало
AgentLens оценивает coding agents по полной траектории работы, а не только по pass/fail. Разбираем методику, первые результаты Java fold и ограничения paper.
OpenAI нашла, что треть SWE-Bench Pro сломана: что это значит для AI-кодинга
OpenAI отзывает рекомендацию SWE-Bench Pro после аудита задач. Что значит 30% broken tasks для AI-кодинга, leaderboard и внутренних evals компаний.