За пределами бинарных верифицируемых наград: поведенческое самонаграждение для SWE-агентов
arXiv:2610.12598v1 Тип объявления: new Abstract: Обучение с подкреплением с верифицируемыми наградами (RLVR) обеспечивает надежный надзор за агентами программной инженерии через исполняемые тесты, но бинарные награды не позволяют различать траектории с существенно разными...
- 01.arXiv:2610.12598v1 Тип объявления: new Abstract: Обучение с подкреплением с верифицируемыми наградами (RLVR) обеспечивает надежный надзор за агентами программной инженерии через исполняемые тесты, но бинарные награды не позволяют различать траектории с существенно разными...
Материал представлен в формате расширенного аналитического дайджеста.
Читать полную версию в первоисточникеСвязанные материалы
Все материалы →GPT-6.1 Terra вдвое снижает цены на API OpenAI и по-прежнему завоевывает позиции на своих более крупных моделях.
OpenAI выпустила GPT-6.1 Terra, модель среднего класса, которая снижает цены на API вдвое по сравнению со своей предшественницей. Аналитики говорят, что это устанавливает новый стандарт интеллекта на доллар, особенно для повседневных вычислительных задач и компьютерного управления с помощью искусственного интеллекта. Статья GPT-6.1 Terra…
Как Салливан и Кромвель создают юридические инструменты с помощью Кодекса | ОпенАИ
В Sullivan & Cromwell LLP Джон Савва использует Кодекс для создания инструментов на основе юридического опыта фирмы. Анализатор соглашений объединяет проект соглашения, избранные прецеденты и руководства, отражающие позиции фирмы и клиента. Он выявляет потенциальные проблемы и возвращает…
Хеббиа об Астре: Лучше исследования, лучше презентации | ОпенАИ
«Мы видим, что Astra на самом деле демонстрирует двузначный прирост по сравнению с любой другой моделью, которую мы тестировали, по двум направлениям». Кавита Ананд из Hebbia называет два из них: выбор правильных источников и создание презентаций PowerPoint. Для банкира или инвестора, работающего через комнату данных с тысячами…