Подкаст от Александра Поломодова, технического директора и Fellow, с обсуждением научных статей из области computer science и engineering. Каждый эпизод подкаста посвящен одной статье и в каждом эпизоде есть приглашенный гость-эксперт, который собаку съел в этой теме. Обычно эпизод длится час-полтора и может сопровождаться схемами из статьи или быть чисто в разговорном жанре.
После добавления AGENTS.md агент чаще запускает тесты и читает больше файлов. Но помогает ли это ему решить больше задач?
В новом выпуске Research Insights Made Simple я разбираю исследование "Evaluating AGENTS.md" ( https://arxiv.org/abs/2602.11988v3 ). На SWE-bench и CTXbench авторы проверили, как файл инструкций влияет на долю решённых задач и стоимость работы агента. Сгенерированные файлы повысили среднюю стоимость прогона на 20–23 %, а статистически значимого прироста доли решённых задач авторы не обнаружили.
• Чем отличается работа агента без файла, с инструкциями команды и с файлом, сгенерированным моделью.
• Почему обзор репозитория в этих экспериментах не помогал быстрее найти нужный файл.
• Какие правила проекта стоит передать агенту и как проверить их пользу на своих задачах.
Что в вашем AGENTS.md реально меняет поведение агента? Поделитесь примером в комментариях.
Слайды уже на сайте (https://polomodov.tech/2026-10-17-agents-md-context-files/).
9 Nov 2026
Сколько обвязки нужно сильной модели?
Чем сильнее модель, тем меньше ей нужна обвязка? Или планирование, инструменты, память и навыки по-прежнему помогают — просто на других задачах?
В этом выпуске разберём исследование "Beyond the Model (https://arxiv.org/abs/2609.32459v1)" и связанную работу (https://arxiv.org/abs/2609.40303v1) о том, сколько обвязки нужно агенту для задач машинного обучения.
Поговорим о том:
Как сравнивали минимальную и более богатую обвязки на разных моделях и задачах;
Какие компоненты NanoHarness проверяли по отдельности;
Когда планирование, инструменты, сжатие контекста, субагенты и навыки помогают, а когда могут мешать;
Что меняется для сильных моделей и задач ML-инженерии;
Почему выводы о компонентах нельзя автоматически переносить на любые модели и бенчмарки.
Какие части обвязки вашего агента вы бы проверили первыми — и что оставили бы, если бы пришлось её упростить?
9 Nov 2026
Модель или обвязка: что сильнее влияет на результат агента?
Что сильнее влияет на результат AI-агента: модель или обвязка, которая даёт ей инструменты и организует работу? Стоит ли менять модель, если агент плохо справляется, или сначала попробовать другую среду?
В этой серии Research Insights Made Simple разберём исследование "Harbor Adapters and Harbor-Index (https://arxiv.org/abs/2609.04298v3)". Авторы сравнили восемь моделей в разных обвязках на 54 бенчмарках — от разработки до научных и математических задач.
Поговорим о том:
Зачем нужен общий формат для запуска разных бенчмарков;
Как авторы разделяют вклад модели и обвязки;
Что происходит с ценой, тайм-аутами и типами ошибок;
Почему сильная модель не всегда выгоднее на каждой задаче;
Что проверяет Harbor-Index — набор из 82 сложных задач;
Как применять эти результаты при выборе собственной конфигурации агента.
Разберём и ограничения исследования: результаты сравнения на 54 бенчмарках и Harbor-Index получены на разных наборах моделей и задач.
Contact Research Insights Made Simple
Guest appearances
Books guests
Based on episode analysis; this does not confirm that the show is currently accepting guests.
Host of Research Insights Made Simple?
Claim your podcast to manage its listing and keep your show details accurate.
Pod Engine is an independent podcast discovery and analytics service and is not affiliated with or endorsed by this podcast. Artwork and show content belong to their owners. Full legal notice.
Explore this show Podcast research with Pod Engine
