ContractEval: сопоставление выполнения с условием запроса для соответствия процедурным инструкциям
arXiv:2609.09458v1 Тип объявления: новый Аннотация: По мере того, как агенты LLM переходят от ответов на вопросы к выполнению процедур, сбои могут быть скорее необоснованными, чем явно неправильными: окончательный ответ выглядит приемлемым, даже если система пропустила проверку, ветвление, зависимость или…
- 01.arXiv:2609.09458v1 Тип объявления: новый Аннотация: По мере того, как агенты LLM переходят от ответов на вопросы к выполнению процедур, сбои могут быть скорее необоснованными, чем явно неправильными: окончательный ответ выглядит приемлемым, даже если система пропустила проверку, ветвление, зависимость или…
Материал представлен в формате расширенного аналитического дайджеста.
Читать полную версию в первоисточникеСвязанные материалы
Все материалы →Claude и Codex начали ограничивать запросы на взлом и модификацию собственных устройств
🚫 Claude и Codex начали ограничивать запросы на взлом и модификацию собственных устройств Пользователи жалуются, что ИИ-модели OpenAI и Anthropic стали отказывать в задачах по реверс-инжинирингу — анализу и изменению уже существующих программ. Один из пользователей Codex…
Заявка Anthropic на IPO вернула спрос на ИИ-бумаги и подняла индексы США на 0,3–0,8%
Выручка создателя Claude за полгода выросла на 1 304% – до $16,29 млрд
OpenAI представила GPT-6.1 Terra: умеет управлять компьютером и стоит вдвое дешевле
🔄 OpenAI представила GPT-6.1 Terra: умеет управлять компьютером и стоит вдвое дешевле OpenAI выпустила GPT-6.1 Terra — новую ИИ-модель, которая способна понимать содержимое экрана, работать с приложениями, заполнять онлайн-формы, анализировать технические чертежи, обрабатывать…