Новости

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

arXiv cs.AI · Опубликовано 5 ноября 2026 г. · 3 мин чтения

За 30 секунд

Что произошло: Researchers propose treating benchmarks as living software requiring continuous maintenance, releasing Terminal-Bench 2.1 with fixes addressing 30% of prior version issues.
Почему это важно: Engineers evaluating coding agents or LLM systems need this when benchmark scores diverge from actual model capabilities or when infrastructure changes invalidate test assumptions.
На что обратить внимание: Repairs changed accuracy by 10+ points and leaderboard rankings by up to three positions, showing benchmark maintenance directly affects performance claims and model comparisons.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.

Новости

arXiv cs.AI · Опубликовано 5 ноября 2026 г. · 3 мин чтения

Что произошло: Researchers propose treating benchmarks as living software requiring continuous maintenance, releasing Terminal-Bench 2.1 with fixes addressing 30% of prior version issues.
Почему это важно: Engineers evaluating coding agents or LLM systems need this when benchmark scores diverge from actual model capabilities or when infrastructure changes invalidate test assumptions.
На что обратить внимание: Repairs changed accuracy by 10+ points and leaderboard rankings by up to three positions, showing benchmark maintenance directly affects performance claims and model comparisons.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.