11 июня 2026

Arbor представляет фреймворк для полностью автономного ML-исследования. Координатор на основе LLM управляет персистентным Hypothesis Tree, связывающим гипотезы, экспериментальные артефакты и накопленные знания. Агенты-исполнители проверяют отдельные гипотезы в изолированных песочницах, что позволяет знаниям накапливаться на протяжении многих экспериментальных итераций вместо сброса после каждого запуска. На MLE-Bench Lite Arbor достигает 86.36% по Any Medal score — более чем 2.5× относительного прироста по сравнению с Codex и Claude Code при одинаковом вычислительном бюджете.

DeNovoSWE устраняет пробел в AI-агентах для кода: большинство обучающих данных охватывает исправление ошибок в существующих кодовых базах, а не построение полных репозиториев с нуля. Бенчмарк включает 4818 примеров, в каждом из которых требуется сгенерировать полный репозиторий по документации. Конвейер divide-and-conquer с critic-repair и фильтрацией по сложности формирует высококачественные обучающие траектории. Дообучение Qwen3-30B-A3B на этих данных поднимает метрику BeyondSWE-Doc2Repo с 5.8% до 47.2%.

Z-Reward заменяет одиночные скалярные значения вознаграждения распределениями по рубриковым оценкам для RLHF в генерации изображений. Модель-учитель на 27B явно рассуждает и выдаёт распределения оценок; модель-ученик усваивает это рассуждение во время инференса через Reasoning-Internalized Score Distillation (RISD) без необходимости цепочки рассуждений во время работы. Group-wise Direct Score Optimization (GDSO) объединяет вознаграждения policy-gradient с прямым супервизором по распределениям. Учитель на 27B достигает 89.6% точности по предпочтениям людей; ученик на 9B — 88.6%; как дифференцируемый сигнал вознаграждения во время генерации — 41.3% чистого улучшения по человеческим предпочтениям.