Новости

Keyword Harnesses Fail Open: A Cheap Diagnostic Ladder for Tool-Use Claims in Small Language Models

arXiv cs.AI · Опубликовано 1 октября 2026 г. · 3 мин чтения

За 30 секунд

Что произошло: Keyword-matching benchmarks falsely credit small language models for tool use they cannot actually perform, requiring stricter diagnostics.
Почему это важно: Matters when evaluating tool-use capabilities of small models under 1.2 billion parameters before deployment in production systems.
На что обратить внимание: The proposed diagnostic ladder is cheap but requires careful implementation; seed sensitivity limits generalizability of some findings across different model architectures.

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 1 октября 2026 г. · 3 мин чтения

Что произошло: Keyword-matching benchmarks falsely credit small language models for tool use they cannot actually perform, requiring stricter diagnostics.
Почему это важно: Matters when evaluating tool-use capabilities of small models under 1.2 billion parameters before deployment in production systems.
На что обратить внимание: The proposed diagnostic ladder is cheap but requires careful implementation; seed sensitivity limits generalizability of some findings across different model architectures.

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.