СкуфозаврEN
Меню
← Все новости

Technology Radar

85%

Главный сигнал — Terminal-Bench 2.1. Если сравниваете агентов, проверьте, что их оценки получены на одной версии набора.

Скорость — не главное. Надёжность становится метрикой.

Terminal-Bench 2.1, ядра KOSMOS, предсказание ошибок роботов и защита сенсоров.

Шесть исследований из публичной подборки arXiv за 6 ноября показывают сдвиг от демонстрации возможностей к проверке надёжности и экономики технологий. Аудит Terminal-Bench обнаружил дефекты примерно в 30% заданий и изменил оценки AI-агентов. KOSMOS ускорил коммуникационно-зависимое обучение трансформеров на тестовых GPU AMD. VLA-Tug предложил раннее обнаружение ошибок роботов, а модель управления батареями дата-центров показала более высокую расчётную экономию на закупке энергии. В биотехе BILBY-MD обнаружил разрыв между статической правильностью белковой структуры и её динамической устойчивостью. SensorGuard-RV показал аппаратную защиту показаний датчика с измеримой ценой по энергопотреблению. Рукописи поданы 5 ноября; приведённые результаты принадлежат авторам исследований и требуют независимого воспроизведения.

Технологический радар · 7 ноября 2026
06 сигналов06 первоисточниковAI · COMPUTE · ROBOTICS · ENERGY · BIOTECH · SECURITY

Ключевые сигналы

Контрольные списки и трассы задач автономного AI-агента
ai · 2026-11-05

Terminal-Bench 2.1: дефекты в 30% заданий меняют оценку AI-агентов

Авторы проверили Terminal-Bench 2.0, нашли проблемы примерно в 30% задач и выпустили исправления 2.1. В сравнении авторов некоторые связки выиграли, другие немного потеряли. Самый большой прирост в отчёте о выпуске — 12,1 процентного пункта у Claude Code с Opus 4.6. Это измерение авторов на конкретном наборе, не универсальная ревизия всех бенчмарков.

“Our audit identifies issues in roughly 30% of the benchmark, and we release the resulting repairs as Terminal-Bench 2.1.”Benchmarks as Software: Terminal-Bench and the Case for Continuous Benchmarks
Параллельные потоки обмена данными в кластере ускорителей
compute · 2026-11-05

KOSMOS: обучение трансформеров ускоряется за счёт динамической работы GPU-ядер

Библиотека KOSMOS распределяет исполнение коммуникационных и вычислительных операций по готовности данных. Авторы сообщают об ускорении обучения Megatron-LM на AMD MI350X/MI355X в 1,10–1,28 раза (BF16), а для прокси-нагрузок DeepSeek-V3 и Qwen3-235B — в 1,29–1,83 раза относительно DeepEP.

“KOSMOS accelerates end-to-end training of DeepSeek-V3 and Qwen3-235B proxies by 1.29-1.83x over DeepEP.”KOSMOS: Self-scheduling Persistent Kernels for Communication-Compute Overlap
Промышленный робот и прогнозируемые траектории движения
robotics · 2026-11-05

VLA-Tug: робот может распознавать риск ошибки до провала действия

Метод VLA-Tug наблюдает внутренние представления vision-language-action модели для раннего обнаружения и классификации ошибок. Авторы сообщают о повышении раннего обнаружения до 30% относительно сильнейшего базового метода; на незнакомых задачах заявленные границы ошибок сохранились до 86% прогонов против максимум 21% у сравнений.

“Under shift to unseen tasks, the bounds on missed-detection and false-alarm rates remain valid in up to 86% of runs”Failure Prediction and Classification in Vision-Language-Action Models Via Calibrated Latent Probing
Аккумуляторное хранилище при вычислительном центре
energy · 2026-11-05

Аккумуляторы дата-центра: прогноз цены и нагрузки повышает экономию в 2,63 раза

Исследователи связали совместный прогноз тарифов и нагрузки ЦОД с динамическим программированием для управления BESS. В протестированных конфигурациях экономия затрат на закупку энергии составила 2,63-кратный результат относительно простого правила диспетчеризации. Это оценка модели, не подтверждённая эксплуатационная экономия.

“Across the evaluated BESS configurations, the proposed approach achieves 2.63 times the cost savings of a rule-based (RB) strategy.”Joint Electricity Price and Load Forecasting for Data Center Battery Dispatch Using Polynomial Diffusion Models
Две белковые конфигурации и молекулярная динамика
biotech · 2026-11-05

BILBY-MD: статически правильный белок не обязательно сохраняет форму в движении

BILBY-PRO расширяет набор испытаний генеративных белковых каркасов до 220 случаев, а BILBY-MD добавляет молекулярную динамику. Из 55 пар «дизайн—задача», ранее прошедших статическую проверку, 31 выдержала критерий с поддержкой молекулярной динамики и только 8 — полный набор проверок.

“Of 55 statically solved model-problem pairs, 31 satisfy our MD-supported criterion and only 8 pass all checks.”Static Recovery Is Not Dynamic Stability: Dynamics-Aware Benchmarking of Protein Motif Scaffolding
Защищённый микрочип с датчиком и доверенным каналом
security · 2026-11-05

SensorGuard-RV: защита сенсорных показаний переносится из драйвера в аппаратную цепочку

Прототип SensorGuard-RV получает данные акселерометра, аутентифицирует их и передаёт в регистр CPU без доверия к промежуточным драйверам и памяти. На NEORV32/Artix-7 защищённая транзакция занимает 51,9 мкс при 100 МГц; пропускная способность — 19 015 транзакций/с, но оценённая мощность системы выросла со 118 до 368 мВт.

“We implement SensorGuard-RV on the NEORV32 core with an ADXL362 SPI accelerometer on an Artix-7 FPGA.”SensorGuard-RV: Sensor-to-Register Data Protection for Resource-Constrained RISC-V Devices

Почему это важно

Технологические последствия и точки приложения

AI: цена ошибки в самом измерителе

Рейтинги AI-агентов часто воспринимают как точный ответ на вопрос, какая модель лучше решает практические задачи. Новый аудит Terminal-Bench показывает, насколько сильно сам способ проверки может исказить этот ответ. Команда не просто сравнила модели: она повторно изучила условия заданий, проверяющие скрипты, сообщения участников и трассы выполненных действий. Проблемы затронули примерно 30% состава теста. Изменение зависело от конфигурации. У отдельных связок разница превышала десять процентных пунктов. При этом общее сходство ранжирования осталось высоким: корреляция Спирмена составила 0,958.

Практический вывод относится не к одной таблице лидеров. При выборе автономного исполнителя важно требовать версию тестового набора, логи действий, валидность успешного решения и одинаковые ограничения времени. Авторы также показали, что изменение допустимого времени способно существенно сократить разрыв между агентными окружениями. Для команды, которая закупает, внедряет или обучает цифровых агентов, тестовая инфраструктура становится отдельным инженерным продуктом с собственным циклом обновлений. Изменившийся балл после ремонта теста нельзя выдавать за рост интеллекта модели.

Исследование: Benchmarks as Software: Terminal-Bench and the Case for Continuous Benchmarks ↗

Compute: ускорение обучения без новой архитектуры чипа

Стоимость обучения крупных моделей зависит не только от числа ускорителей и их пиковой мощности. При распараллеливании трансформеров GPU регулярно ожидают обмена данными между вычислительными группами. Статические расписания коллективных операций оставляют простаивающие промежутки, даже когда отдельные данные уже готовы к следующему действию. KOSMOS предлагает другой порядок: постоянные GPU-ядра используют очереди по потребности потребителя данных и самостоятельно переключаются между передачей и вычислением.

В испытаниях на AMD Instinct MI350X и MI355X авторы измерили ускорение сквозного обучения в Megatron-LM в 1,10–1,28 раза для BF16; для прокси-нагрузок моделей DeepSeek-V3 и Qwen3-235B указаны 1,29–1,83 раза против DeepEP. Существенна именно сквозная метрика, а не абстрактная производительность одного вызова. Но сравнение по выбранным нагрузкам не гарантирует такую же прибавку для другого состава кластера, графа коммуникации или реальной длительной тренировки. Действовать имеет смысл там, где профилировщик показывает простои на границе коммуникаций и матричных операций. Такая оптимизация потенциально дешевле замены оборудования, однако требует интеграционного теста.

Исследование: KOSMOS: Self-scheduling Persistent Kernels for Communication-Compute Overlap ↗

Robotics: предвидеть сбой до опасного действия

Робот может правильно понимать команду и всё же не завершить манипуляцию из-за неожиданной позы предмета, нового окружения или слабой устойчивости политики к изменению данных. Большинство подходов старается сделать сами действия точнее. VLA-Tug добавляет независимый уровень: компактный анализатор внутренних представлений vision-language-action модели, способный заранее распознать вероятный сбой и классифицировать его тип. Такое предсказание даёт контроллеру шанс остановить действие или выбрать восстановление до столкновения и потери предмета.

По сообщению авторов, обучение на участке траектории до ошибки повысило раннее обнаружение до 30% относительно сильнейшего изученного базового метода при сопоставимом уровне ложных тревог. При переносе на неизвестные задачи заявленные статистические границы ошибок сохранялись до 86% прогонов против максимум 21% у базовых решений. Для новых исследований предложены 3 180 размеченных эпизодов. Здесь важно не смешивать контроль риска с сертифицированной безопасностью. Монитор остаётся исследовательским модулем; его сигнал должен соединяться с аппаратной остановкой, предсказуемым управлением и испытанием на новых предметах. Следующий эксперимент — измерять цену ложной остановки наряду с количеством предотвращённых отказов.

Исследование: Failure Prediction and Classification in Vision-Language-Action Models Via Calibrated Latent Probing ↗

Energy: батарея дата-центра как экономический диспетчер

Рост вычислительной нагрузки связывает энергетическую повестку с разработкой программного обеспечения всё теснее. Для дата-центра аккумуляторное хранилище может быть не просто резервом на время отключения, но и способом переносить закупку энергии между дорогими и дешёвыми интервалами. Однако решение зависит сразу от двух неопределённостей: будущей цены электричества и профиля потребления вычислительных мощностей. Исследование Van Ham, Liu и Wang соединяет эти прогнозы с динамическим программированием, выбирающим заряд и разряд накопителя.

В протестированных конфигурациях авторы получили в 2,63 раза большую экономию затрат на закупку электричества по сравнению с диспетчеризацией на основе простого правила. Это относительная величина экономии, а не снижение общего счёта ЦОД на 63% или в 2,63 раза. Она также не означает, что батарея окупится при любом тарифе. Для применения метода нужно подставить реальные почасовые тарифы, потери преобразования, допустимые циклы, износ накопителя и сетевые ограничения. Уместный первый шаг — историческое моделирование на собственных данных без вмешательства в эксплуатацию. Если выигрыш сохранится после учёта деградации, алгоритмический диспетчер становится предметом пилота.

Исследование: Joint Electricity Price and Load Forecasting for Data Center Battery Dispatch Using Polynomial Diffusion Models ↗

Biotech: структура белка — не единственное условие успеха

Генеративные методы проектирования белков научились строить каркасы вокруг важных функциональных участков. Но оценка одной устойчивой картинки может скрывать поведение молекулы при движении. Связи между участками, отклонение мотивов и энергетический ландшафт меняются, а значит структурное совпадение после повторного сворачивания ещё не гарантирует сохранение нужного окружения в динамике. Исследование BILBY предлагает разделить проверку на охват задач, разнообразие успешных конструкций и устойчивость при молекулярно-динамическом моделировании.

Авторы собрали BILBY-PRO из 220 случаев, связанных со 174 функциональными мотивами PROSITE, и отдельно применили BILBY-MD к конструкциям, уже прошедшим статический тест. Из 55 пар «конструкция—задача» 31 удовлетворила критерию с поддержкой молекулярной динамики, но все предусмотренные проверки прошли лишь восемь. Это не означает, что остальные конструкции непригодны для любой биологической функции; метод оценивает конкретные вычислительные признаки и выбранные масштабы движения. Для разработчиков protein design результат задаёт более строгую воронку отбора: проверять не один статический скоринг, а несколько независимых характеристик перед дорогостоящими экспериментами.

Исследование: Static Recovery Is Not Dynamic Stability: Dynamics-Aware Benchmarking of Protein Motif Scaffolding ↗

Security: защищать не только команды, но и исходные показания

Безопасность автономных систем обычно обсуждают на уровне доступа к инструментам, программных полномочий и недоверенных инструкций. Но физический контроллер может получить ложные данные ещё до того, как они попадут в алгоритм управления. Промежуточный драйвер, память или шина становятся местом подмены, повторного воспроизведения и перехвата показаний. SensorGuard-RV предлагает аппаратный маршрут от датчика к регистру процессора: после закрепления владельца контроллер шифрует и аутентифицирует образцы, а специальная инструкция RISC-V допускает их использование после проверки подлинности и защиты от повторов.

Прототип реализован на ядре NEORV32, FPGA Artix-7 и акселерометре ADXL362. Одна защищённая передача при частоте 100 МГц занимает 51,9 микросекунды, а измеренная производительность достигает 19 015 транзакций в секунду — на 5,3% выше выбранного программного эталона. При этом авторская оценка энергопотребления повышается со 118 до 368 мВт. Именно такой компромисс стоит проверять при проектировании датчиков для промышленного управления, мобильных роботов и систем высокой ответственности: независимость от драйвера приобретается аппаратной сложностью и энергозатратами. Показан функциональный FPGA-прототип, а не массово доступная архитектура защиты.

Исследование: SensorGuard-RV: Sensor-to-Register Data Protection for Resource-Constrained RISC-V Devices ↗

Первоисточники

  1. Benchmarks as Software: Terminal-Bench and the Case for Continuous BenchmarksarXiv · 2026-11-05
  2. KOSMOS: Self-scheduling Persistent Kernels for Communication-Compute OverlaparXiv · 2026-11-05
  3. Failure Prediction and Classification in Vision-Language-Action Models Via Calibrated Latent ProbingarXiv · 2026-11-05
  4. Joint Electricity Price and Load Forecasting for Data Center Battery Dispatch Using Polynomial Diffusion ModelsarXiv · 2026-11-05
  5. Static Recovery Is Not Dynamic Stability: Dynamics-Aware Benchmarking of Protein Motif ScaffoldingarXiv · 2026-11-05
  6. SensorGuard-RV: Sensor-to-Register Data Protection for Resource-Constrained RISC-V DevicesarXiv · 2026-11-05

Плюс, если помогло