1️⃣ EviSkill: агент улучшает свои навыки, принимая правки только после проверки на практике
Replayable Evidence Cards связывают каждую правку с исходными траекториями и позволяют проверять ее повторным запуском; показаны улучшения на 3 интерактивных бенчмарках и 6 LLM.
2️⃣ Recursive Self-Rewrite (Tencent): опыт специализированных harness превращается в обучающие траектории для общего harness
Опыт, добытый в «усиленных» условиях, можно превратить в навык, работающий в стандартной среде; 2 001 успешная траектория преобразована в 11 094 обучающих примера, а pass@3 вырос с 57% до 74,2% на Terminal-Bench 2.
3️⃣ Trace2Env: обучение и тестирование агентов на симуляторе среды, построенной по историческим логам
Схемы, доказательства и поведенческие закономерности восстанавливаются из трейсов, а world-model агент использует их для предсказания наблюдений и долгосрочных последствий действий.
4️⃣ TokenRouter: маршрутизация на уровне токенов ускоряет взаимодействие нескольких LLM.
Генерация асинхронно распределяется между моделями; пропускная способность декодирования в 2–64 раза выше относительно существующих систем.
5️⃣ SafeActBench: правильная оценка действия агента еще не означает его безопасного исполнения
Тест на 656 кейсах в 6 доменах и 10 связках «модель + harness» показал, что на одних и тех же сценариях статическая точность превышает 95%, но интерактивный успех не больше 52%; агенты часто действуют до сбора необходимых свидетельств.
6️⃣Расширяется выбор моделей по качеству и стоимости
Mistral Large 4 — мультимодальная MoE-модель с 1,05T параметров, 52B активных параметров и контекстом 1M токенов; Anthropic заявляет для Haiku 5.5 среднюю стоимость выполнения задач примерно на 75% ниже, чем у Haiku 4.5.
@sb_ai_lab
#ainews