Обзор материалов за 23.10.2026 · Исследования в области ИИ · 15 новостей
Представляем обзор материалов, поступивших за 23 октября 2026 года. В центре внимания — новые подходы к разработке и оценке систем искусственного интеллекта, которые обещают сделать работу с данными и моделями более эффективной и надёжной.
Сразу несколько работ посвящены инструментам для исследователей и разработчиков. Microsoft Research представила Flint-interactive — язык для интерактивных визуализаций, который отделяет визуальную логику от логики взаимодействия. Другие авторы предлагают решения для уточнения неоднозначных запросов в RAG-системах, автоматического преобразования рукописных схем в SPICE-нетлисты и ускорения глубоких исследований с помощью диффузионных моделей.
Значительная часть материалов касается обучения агентов и их поведения. Исследования показывают, как масштабирование данных и разнообразие сред влияют на перенос навыков, как агенты могут улучшать научные ML-модели за счёт инженерии, а не научных идей, и как эволюция агентных обвязок может избежать деградации при росте пула задач. Отдельно рассматриваются методы вызова заданного поведения у мультиагентных моделей и возможность скрытой коммуникации между диффузионными моделями.
Наконец, ряд работ посвящён оценке качества и стоимости ИИ-систем. Представлены модель Jev для оценки клинического ИИ, лидерборд для реляционных трансформеров и исследование влияния в диалогах LLM. Завершает обзор работа об эволюции учебника по Prolog — от печатного издания к интерактивной онлайн-книге.
Инструменты для визуализации и обработки данных
Microsoft Research представила Flint-interactive для интерактивных визуализаций
Microsoft Research опубликовала описание Flint-interactive — языка для интерактивных визуализаций данных поверх Flint, предназначенного для дашбордов, историй на данных и интерактивных артефактов. Исследователи называют два препятствия: высокую стоимость генерации, поскольку модели редко выдают удовлетворительный результат за один проход, и ненадёжность — плохую компоновку и сломанные взаимодействия. Flint-interactive опирается на компилятор Flint: он переводит действия пользователя в семантические события и обновляет визуализации, отделяя визуальную логику от логики взаимодействия. Доступны три сценария — чат через Flint-MCP, приложение через Flint Interactive Canvas и программный API для нестандартных взаимодействий. По замыслу авторов, разделение логики снижает затраты на разработку и повышает надёжность.
Sketch2Sim: модульная система превращает рукописные схемы в SPICE-нетлисты
В препринте arXiv:2610.28836v1 описана система Sketch2Sim, преобразующая фотографии рукописных электрических схем в SPICE-совместимые нетлисты с автоматическим расчётом узловых напряжений и токов. Авторы собрали и аннотировали датасет из 1000 рукописных RLC-схем. Конвейер состоит из трёх этапов: два детектора YOLO для компонентов и текстовых областей, CRNN с CTC и предметное OCR для значений символов, затем пороговая обработка, скелетизация и кластеризация DBSCAN для определения узлов и их сопоставления с компонентами. По словам авторов, абляционные и сквозные тесты показали устойчивую работу при разных стилях почерка, освещении и загромождённости; предусмотрен пользовательский интерфейс для оцифровки набросков.
Источник: cs.AI updates on arXiv.org
DiffResearch ускоряет глубокие исследования примерно в 6 раз
Авторы представили открытый многоагентный фреймворк DiffResearch, где диффузионная языковая модель используется на каждом этапе глубокого исследования вместо авторегрессионной. При неизменных агентной обвязке, коде поиска, промптах и оценке сравнивались диффузионная и сопоставимая AR-модель на 100 задачах Deep Research Bench. Диффузионная основа оказалась примерно в 6 раз быстрее по сквозной задержке за счёт сокращения времени планирования и написания. Режим dFast ускоряет декомпозицию в 1,99 раза по медиане без потери качества отчёта, а конфигурация с dFast получила лучший общий балл RACE среди трёх конфигураций. Фреймворк выпущен под лицензией Apache-2.0.
Источник: cs.AI updates on arXiv.org
Улучшение RAG и научного поиска
ClariEdge: датасет и LoRA-модель для уточнения неоднозначных запросов в RAG
В статье arXiv:2610.28686v1 рассматривается уточнение запросов в RAG-системах: запрос может быть плохо сформулирован, неоднозначен с учётом диалога или корректен, но допускает несколько интерпретаций при сопоставлении с найденными документами. Авторы представили датасет ClariEdge примерно из 3900 примеров, включая негативные случаи, не требующие уточнения. Лёгкая дообученная LoRA достигает 96,6% точности классификации и превосходит промпт-бейзлайны многих более крупных моделей как по классификации, так и по качеству генерации уточнений. По данным авторов, она показывает высокие результаты до и после поиска. Сложные негативные примеры названы необходимым компонентом, отделяющим подлинную неоднозначность от разрешаемой контекстом.
Источник: cs.AI updates on arXiv.org
SpecEvo снижает стоимость научного поиска с языковыми моделями до 80%
В работе SpecEvo (arXiv:2610.28706v1) предложен многоуровневый фреймворк для научного поиска с языковыми моделями: лёгкие модели генерируют и дорабатывают программы-кандидаты, а «Советник» обобщает успехи, неудачи и насыщенные направления в рекомендации. На редких контрольных точках фронтирная модель-«Навигатор» вмешивается в зависимости от степени застоя поиска. Авторы описывают цикл как «спекуляцию с последующей консолидацией»: дорогое рассуждение резервируется для стратегических вмешательств. На 176 задачах из четырёх областей SpecEvo, по данным работы, не уступает фронтирным базовым решениям или превосходит их, снижая затраты на API до 80%. В открытии уравнений метод показал до 1,5 раза более высокую эффективность оценки и улучшил сильнейший базовый результат CO-Bench на 3,8%.
Источник: cs.AI updates on arXiv.org
Обучение и эволюция агентов
Дообучение воплощённых агентов в разных виртуальных мирах
В работе arXiv:2610.28698 проверяется, сохраняются ли выгоды масштабирования данных, их разнообразия и размера модели при обучении воплощённых агентов в виртуальных мирах с разными визуальным стилем, динамикой, управлением и целями. Эксперимент по continued pre-training включал 120 конфигураций: модели от 0,8B до 27B, бюджеты данных от 50 до 1 600 часов и пять смесей — от только Minecraft до многомировых корпусов. Больше данных улучшает качество внутри корпуса; разнообразие помогает переносу на связанные миры, но даёт ограниченный выигрыш в далёких; больший размер модели повышает эффективность данных, однако обучение на одном мире хуже обобщает на далёкие миры. Модели конкурентоспособны со специалистами по Minecraft и фронтирными моделями в 3D-мирах, но устойчивые разрывы в далёких мирах указывают на необходимость более богатых этапов обучения.
Источник: cs.AI updates on arXiv.org
Agent4Sci: агенты улучшают научные ML-модели за счёт инженерии, а не научных идей
В работе Agent4Sci предложен долгосрочный тестбенч из 20 бенчмарков в 11 областях, измеряющий, насколько фронтирные агенты способны улучшить опубликованные лучшие модели на научных ML-бенчмарках. Claude Opus достигает 10,4% среднего относительного улучшения, Codex — 4,4%, и ни один запуск не был отмечен за академические нарушения. Однако приросты почти целиком происходят из набора трюков ML-инжиниринга, а не из исследовательского понимания. Анализ траекторий выявил некалиброванную новизну, недоиспользование ресурсов и быстрый спад в локальные инженерные переборы. Лёгкие подключаемые навыки для генерации идей, управления экспериментами и чек-листов повышают Claude Opus до 20,1%, а Codex — до 8,1%. Код и данные доступны на GitHub и Hugging Face.
Источник: cs.AI updates on arXiv.org
SSR: эволюция агентных обвязок без деградации при росте пула задач
Исследователи обнаружили парадоксальный режим отказа: производительность существующих методов эволюции агентных обвязок падает по мере расширения пула задач. Причина, по данным анализа, — неоптимальный отбор свидетельств: разные комбинации дают существенно разные исходы эволюции. Предложен фреймворк Successive Scale Racing (SSR), который адаптивно ищет комбинации свидетельств с учётом качества и покрытия задач и проводит «гонку» кандидатов в рамках небольшого бюджета. На трёх бенчмарках SSR достигает лучших результатов во всех шести конфигурациях. При росте пула с 40 до 200 задач доля успешных прохождений стабильно повышается с 64,3% до 68,3%, тогда как базовые методы деградируют; число проверочных запусков сокращается на 60%.
Источник: cs.AI updates on arXiv.org
Fig: система автоматически вызывает заданное поведение у мультиагентных моделей в играх
Представлена Fig (Finding Interactions in Games) — агентная система, которая по описанию поведения на естественном языке разбивает его на подповедения, создаёт новые социальные игры или выбирает существующие и вмешивается в движок игры, оппонентов, инструкции и контекст. Оценка сочетает механические проверки и синтетические рубричные суждения; вмешательства, игры и механизмы оценки прошли проверку людьми. На шести целевых поведениях — кооперация, эксплуатация, обман, скрытая координация, предательство и саботаж — модели в валидных сценариях пытались показать целевое поведение в среднем в 45,2% эпизодов. Там, где были контрольные условия, вмешательства Fig повышали долю попыток в среднем на 10,9%. Код доступен на GitHub.
Источник: cs.AI updates on arXiv.org
Оценка качества и поведения моделей
Jev обходит часть LLM-судей при оценке клинического ИИ и стоит в 73–294 раза дешевле
В препринте arXiv:2610.28826 модель решений Jev со структурированными вердиктами сравнили с фронтирными и открытыми LLM-судьями в четырёх сценариях оценки клинического ИИ. На 118 педиатрических ответах согласие Jev с врачебными оценками (Gwet's AC2 0,50; ожидаемый балл 0,53) было не ниже или выше, чем у семи из 12 судей, включая Claude Opus 5.5 (0,49) и GPT-6 (0,38). На HealthBench Jev не уступил четырём из шести судей, на MedHELM его согласие с жюри из трёх LLM приближалось к внутреннему согласию жюри или превышало его, а на HealthBench Professional он совпал с эталонным GPT-5.4 по 91% критериев. Фронтирные судьи оказались в 73–294 раза дороже и в 7–57 раз медленнее. Авторы заключают, что Jev может обеспечить масштабную оценку; это препринт, и выводы ограничены перечисленными сценариями.
Источник: cs.AI updates on arXiv.org
modded-nanoRT: открыт лидерборд для реляционных трансформеров, рекорд — 305,63 секунды на одной H200
Представлен modded-nanoRT — первый лидерборд спидраннинга для Relational Transformers, где записи ранжируются по времени достижения фиксированного целевого качества и достаточно одной GPU. Базу данных для бенчмарка выбрали калибровкой: шесть кандидатов ранжировали по тому, насколько 45-минутная кривая обучения отделяет улучшение от шума разных seed. Рекордный рецепт с типизированным трилинейным вниманием, Muon и SIGReg достигает цели за 305,63 секунды на одной NVIDIA H200 — в 8,11 раза быстрее эталонной реализации — и выигрывает 13 из 15 пар вне базы разработки. Авторы обещают выпустить бенчмарк, замороженные артефакты и рекордные запуски; код доступен на GitHub.
Источник: cs.AI updates on arXiv.org
Исследование: в диалогах LLM влияние зависит от сочетания моделей, а прямое указание убеждать не гарантирует эффекта
В препринте arXiv:2610.28875 описана схема дебатов двух LLM вокруг атрибуции изменения климата: одна роль получает заданную позицию, в части условий — прямое указание убеждать, вторая позиции не получает. Использованы четыре упорядоченные комбинации моделей с участием GPT-6 Luna и Gemini 2.5 Flash Lite; отдельно фиксировались заявленная позиция и поведение по ходу диалога. При взаимодействии одинаковых моделей разрыв в мнениях в среднем сокращается, отчётливо лишь для одной из двух моделей, при взаимодействии разных — расширяется. Явные отчёты о позиции и поведение отражают разные аспекты динамики, а указание убеждать не даёт надёжного усиления влияния. Авторы заключают, что влияние зависит от сочетания моделей; это препринт, а не рецензированное исследование.
Источник: cs.AI updates on arXiv.org
Скрытые сообщения между агентами на диффузионных языковых моделях: причинные свидетельства латентной коммуникации
В работе Hidden Messages проверяется, может ли одна диффузионная траектория передать компактное скрытое сообщение другой и использует ли получатель его смысл. Отправитель сжимает состояние денойзинга в четыре знаковых плотных вектора, получатель принимает их, сохраняя собственный контекст, полотно и траекторию. Удаление сообщения убирает преимущество в +63,6 пункта на Tiny-A2D и +100,0 на Dream-7B, а целевые замены направляют получателя к подставленному факту. На QASC согласованная коммуникация достигает 80,8%, тогда как сообщение из другого примера снижает точность до 46,8% (эффект содержания +34,0 пункта). Одна поздняя передача даёт 87,8%, превышая четыре повторных обмена на +7,0 пункта.
Источник: cs.AI updates on arXiv.org
Образовательные и прикладные аспекты ИИ
Эволюция учебника Simply Logical: от печатного издания к интерактивной онлайн-книге
На arXiv опубликована работа о пути учебника по Prolog Simply Logical — Intelligent Reasoning by Example: от печатной версии 1994 года с дискетой 3,5 дюйма через промежуточные онлайн-версии к полностью интерактивному изданию. Цель — исследовать с точек зрения автора и читателя потенциальное влияние технологий на образовательные материалы. Три автора представляют взаимодополняющие взгляды: Питер описывает философию оригинальной книги и опыт преподавания, Ян — как веб-программирование позволило реализовать её интерактивно, Кацпер — как технологии легли в основу универсального авторского инструментария. Количественных оценок эффекта интерактивности на обучение в аннотации нет.
Источник: cs.AI updates on arXiv.org
D-Skill переносит навыки учителя в текстовую инструкцию без обновления весов
Исследователи представили D-Skill — подход к дистилляции, при котором учительская модель остаётся чёрным ящиком, а её поведенческое преимущество переносится в интерпретируемый навык на естественном языке. Метод анализирует парные траектории учителя и ученика, выявляет расхождения и совпадения и офлайн консолидирует уроки в документ навыка, передаваемый ученику при выводе; веса ученика не обновляются. На SpreadsheetBench-Verified, ALFWorld и шахматных задачах D-Skill закрывает 75–95% разрыва, превосходит базовый SFT с одной эпохой и остаётся конкурентоспособным с многоэпоховым SFT. Внутри одного семейства моделей ученик тратит на задачу в 5,7–8,3 раза меньше на вывод, чем учитель. Это результаты исследования, а не готовый продукт.
Источник: cs.AI updates on arXiv.org
Итоги дня
Материалы дня демонстрируют, что исследования в области ИИ движутся в сторону большей эффективности, интерпретируемости и специализации под конкретные задачи — от клинической оценки до обучения агентов в виртуальных мирах.
