Публикации с тегом воспроизводимость
Шесть LLM‑судей из четырёх лабораторий несут 1,9 независимого голоса из 6 +6
Train и eval в ARC-AGI-2 — это разные распределения +2
Я хотел просто спросить нейросети, где искать квартиру. В итоге собрал исследовательский пайплайн с 1197 тестами +4
Ваш бэктест нейронки врёт на ±10 процентных пунктов +7
2160 раундов симуляции без кнопки «стоп». Исследование MiroFish, часть 3 +3
Жители Валдории живут 147 лет, а страна граничит с Германией и Японией одновременно. Исследование MiroFish. Часть 2 +3
Что будет если загрузить в «симулятор общества» чистый lorem ipsum? Большое исследование MiroFish, часть 1 +3
«Скопируй промпт дважды и получишь +76%». Я решил проверить +13
Внешний бенчмарк причинного recall: проверяем память ИИ-ассистента на YDB Яндекса +3
Мы провели 35 контролируемых экспериментов с «экзотическими алгебрами» в нейросетях +6
Пять проектов, где ИИ-агент проверяет сам себя — итоги хакатона Built with Claude +2
Я устал писать одноразовые скрипты для бенчмарков LLM и собрал харнесс, который сам считает Pareto-front +8
MLE-bench: золото взято, а доказательства остались в /tmp +9
