RAG | Нейросети | ИИ | AI | Агенты | Mistral Large 4 | Claude Haiku 5.5 | GPT-6 Sol | Claude Opus 5.5 | Gemini 4 Argon | DeepSeek V4
IT и технологии · 8 августа 2026 г.
Собрали evaluation-пайплайн для агентов, скормили GPT-5 — все оценки подозрительно высо...
Собрали evaluation-пайплайн для агентов, скормили GPT-5 — все оценки подозрительно высокие? Так и должно быть. OSReward (OS-Copilot): 27 VLM-судей на 1019 траекториях, у всех leniency bias — чем слабее агент, тем щедрее судья. Открытые OS-Shepherd (9B/35B) матчат коммерческих судей на 321К вердиктах, стоят в 30–60× дешевле. Веса и датасет доступны.
44 просмотров