RISC-V в CPython, честные LLM-бенчмарки и агенты для баз данных

В сегодняшней сводке — важное обновление для Python на RISC-V, проблемы воспроизводимости LLM-бенчмарков и практические способы подключать модели к сложным базам данных.

🔥 Hot:

🔹 CPython получила официальную поддержку архитектуры RISC-V — Поддержка получила третий уровень: сборка и сопровождение есть, но без гарантированных сроков обработки проблем. 🔹 Исследование показало, что результаты LLM-лидербордов зависят от настроек тестового harness — Порядок вариантов, формулировка промпта и способ считывания ответа могут заметно менять итоговый балл.

➡️ Полезные материалы:

🔹 SchemaRouter предлагает выбирать инструменты агента по полям данных — Подход предназначен для heterogeneous RAG, где одновременно используются API, базы, vector stores и графовые хранилища. 🔹 AIREP описывает подписанный протокол аудита решений AI-runtime — Для каждого ответа фиксируется, был ли он выпущен, заблокирован, отложен, отредактирован или передан на эскалацию. 🔹 Обзор разбирает model collapse и способы снизить его риск — Фокус — на последствиях обучения следующих моделей на синтетических данных и доступных контрмерах. 🔹 CoreSec предлагает системе RCA для дата-центров чаще воздерживаться от догадок — Вместо нестабильного объединения оценок подход использует abstention algebra для работы с шумной и неполной телеметрией.

➡️ Обсуждения и кейсы:

🔹 LLM подключили к базе на 253 таблицы и сравнили три подхода — Бенчмарк на 29 реальных вопросах оценивал точность, стоимость и задержку; эксперимент показал, что ошибки возникали не только из-за моделей. 🔹 Пользователь LocalLLaMA сообщил о первом feature branch, полностью написанном локальной моделью — Автор запускал Qwen 3.8 27B на GeForce RTX 4060 Ti 16GB и использовал её как помощника для разработки и управления базой знаний.

📝 Если хотите дополнить список другими новостями и материалами, пишите в комментариях.