LLM-дайджест: 19 августа 2026

🆕 Новые модели

• Qwen 3.8 27B набирает 52 в Artificial Analysis Intelligence Index — столько же, сколько GPT-5.6 Luna (max), и всего на балл ниже GLM-5.2 (max) и DeepSeek V4 Pro 0813 (max). Сильный результат для модели такого размера.

📊 Бенчмарки и тесты

• TokEval — набор для оценки токенизаторов. Выбор токенизатора обычно делают почти без тестирования, хотя он напрямую влияет на способности модели; авторы предлагают инструментарий, связывающий свойства токенизатора с метриками downstream-задач.
• IOL-AI Challenge — открытое соревнование по лингвистическому рассуждению. Лингвистические головоломки инвертируют привычную схему: модель должна сначала вывести саму систему правил, а потом рассуждать внутри неё — в отличие от математики и кода.

✨ Новые возможности

• Multi-Vector (Late Interaction) эмбеддинги в Sentence Transformers. Поддержка late-interaction моделей для более точного поиска и ретривала по сравнению с одновекторными эмбеддингами.
• Сколько памяти реально нужно агенту? Разбор от IBM Research: как оценивать и оптимизировать объём памяти LLM-агента без потери качества.

📌 Прочее важное

• Mojo стал open source. Язык Modular, обещавший открытие исходников с мая 2023 года, наконец выложен в открытый доступ — важно для инфраструктуры высокопроизводительного ML/LLM-кода.
• Chain-of-Experience: непрерывное самоулучшение LLM. Исследование того, как модели учатся на итеративном опыте прямо во время инференса (test-time), без дообучения весов.
• О хрупкости самоулучшающихся агентов. Агенты с текстовым банком памяти обещают многое, но их надёжность страдает от дисперсии, порядка задач и недоспецифицированности — критический разбор reliability.
• Judge, Retrieve или Abstain: LLM-судья с гарантиями риска. Метод, при котором LLM-судья на объективных задачах либо выносит вердикт, либо обращается к ретривалу, либо воздерживается — с доказуемыми гарантиями по ошибкам.
• Мультиагентная система для структурирования радиологических отчётов. Локально развёрнутая система из нескольких агентов для структурирования и контроля качества отчётов КТ с независимой оценкой рентгенологами (638 отчётов).