RU

Период полураспада бенчмарка ИИ сократился вдвое: 19 месяцев вместо 38

В мае я подал OenoBench, винный бенчмарк для языковых моделей, на NeurIPS. В дискуссии с ревьюерами всплыл вопрос, на который ни у меня, ни у них не…

бенчмаркllmevaluationанализ выживаемостиKaplan-Meierнасыщение бенчмарковдатасетвоспроизводимостьOenoBench
Habr
RU

Как я собрал винный бенчмарк на 3 266 вопросов руками LLM и где они меня подвели

Полгода назад я решил измерить, сколько языковые модели на самом деле знают про вино. Вышел бенчмарк OenoBench: 38 104 факта из открытых источников,…

LLMбенчмаркдатасетevaluationмультиагентные-системыClaude-CodeвиноскрапингOpenRouterвоспроизводимость
Habr
RU

GuardRate: метрики, бенчмарки и инсайты из первого аудита (часть 2)

В первой части мы верхнеуровнево рассмотрели результаты оценки 37 моделей, обсудили проблему оценки и сравнения guardrail моделей, рассказали, как л…

open-sourceleaderboardbenchmarkingevaluationllmguardrail metricsai safetyguardrailsprompt-injectionguardrail areana
Habr
RU

GuardRate: метрики, бенчмарки и инсайты из первого аудита (часть 2)

В первой части мы верхнеуровнево рассмотрели результаты оценки 37 моделей, обсудили проблему оценки и сравнения guardrail моделей, рассказали, как л…

open-sourceleaderboardbenchmarkingevaluationllmguardrail metricsai safetyguardrailsprompt-injectionguardrail areana
Habr
RU

GuardRate: как мы построили независимую арену для guardrail-моделей (часть 1)

Всем привет, на связи команда  HiveTrace! Мы уделяем много времени разработке собственных моделей и часто задаемся вопросом: "какой из двух гар…

llmguardrailsguardrail metricsleaderboardevaluationguardrail areanaai safetyprompt-injectionbenchmarkingopen-source
Habr
RU

502 на ingress, 302 в приложении: как я учил инфраструктурного LLM-агента не врать

Я делаю внутреннего read-only LLM-агента для инфраструктурных расследований. Инженер задаёт вопрос обычным языком, а агент собирает доказательства и…

LLM-агентыSREDevOpsMCPGoQwenDeepSeekKubernetesevaluationobservability
Habr