Just links

Ask HN: Has anyone replaced Claude/GPT with a local model for daily coding? (🔥 Score: 165+ in 3 hours) Link: https://readhacker.news/c/6WqZe Has anyone here fully swapped Claude/GPT for a local model as their main coding tool, not just for side experiments? If so, please share your setup and performance (e.g tok/s)

Updated set of interesting(ish) benchmarks DiscoverPhysics https://sampsonml.github.io/DiscoverPhysicsLeaderboard/ KernelBench https://kernelbench.com/hard BullshitBench v2 https://github.com/petergpt/bullshit-benchmark GTO Wizard Benchmark https://gtowizard.com/benchmark Legal Agent Benchmark https://github.com/harveyai/harvey-labs Blueprint-Bench 2 https://andonlabs.com/evals/blueprint-bench-2 GBA Eval https://gbaeval.com/leaderboard/ APEX-Agents https://www.mercor.com/apex/apex-agents-leaderboard/ AutomationBench https://zapier.com/benchmarks ProgramBench https://programbench.com/ BioMysteryBench https://huggingface.co/datasets/Anthropic/BioMysteryBench-full Chess Puzzles https://epoch.ai/benchmarks/chess-puzzles?view=graph&tab=release-date

Oasis 3 The Interactive World Model for Physical AI https://decart.ai/oasis?trk=feed_main-feed-card-text

First Proof Second Batch https://1stproof.org/assets/docs/report.pdf

Handbook of Error-Correcting Codes https://arxiv.org/abs/2606.11484

The Invisible Hand of Physics: When Video Diffusion Models Know More Than They Show https://arxiv.org/abs/2606.05328

SWE-Marathon https://www.swe-marathon.org/

Oxygen-centred planar orbitals in the electronic structure and spin-density-wave reconstruction of multilayer nickelates https://www.nature.com/articles/s41567-026-03286-4

Efficiently Reconstructing Dynamic Scenes One D4RT at a Time https://arxiv.org/abs/2512.08924

NitroGen: An Open Foundation Model for Generalist Gaming Agents https://arxiv.org/abs/2601.02427

Agents' Last Exam https://agenthle.org/leaderboard

Engineering Quantum Criticality in the Integer Quantum Hall Regime through a Screening Layer https://arxiv.org/abs/2605.30129

LEAP: Supercharging LLMs for Formal Mathematics with Agentic Frameworks https://arxiv.org/abs/2606.03303

Прочитал интересную (и применимую) статью Rethinking Early Stopping: Refine, Then Calibrate. Часто в курсах по машинному обучению говорят, что ошибку системы можно разложить на bias, variance, noise. На некоторых редких курсах даже учат, как это считать и что с этим делать дальше. Попробуем посмотреть на эту проблему с другой стороны. В задачах вероятностной классификации loss для proper scoring rules можно разложить на: calibration и refinement. Калибровка — мы сказали, что вероятность 80%. Сколько из взятых образцов будут принадлежать к классу 1? (Считать это можно через ECE — Expected Calibration Error). Refinement — насколько хорошо модель разделяет классы. Допустим, модель выдала скор 0.9, все образцы оказались класса 1, а все, что ниже — класса 0. Модель откалибрована так себе, но разделяет классно. Собственно, если бы модель была откалибрована, мы могли бы выбирать отсечку вероятностно через саму вероятность. Легко представить и обратную ситуацию: модель прекрасно откалибрована, но разделяет плохо. Например, модель, которая всегда предсказывает вероятность 50% для честной монетки, идеально откалибрована, но её разделяющая способность минимальна. Из чего делаем вывод, что в какой-то момент улучшение функции потерь, из тех что относятся к семейству proper scoring functions, может происходить лишь за счет улучшения калибровки или даже ухудшать разделение, но за счет большого по величине улучшения калибровки выдавать лучший скор. Это плохо. Калибровку часто можно существенно поправить потом post-hoc методами, поэтому остановка обучения по лоссу на валидации может привести к ситуации, что мы взяли далеко не лучший чекпойнт. Что делать? Сохранить несколько чекпойнтов модели. Откалибровать каждый из них одинаковым методом. Только после этого сравнивать их по loss. В таком случае для каждого чекпойнта мы отдельно минимизируем доступную calibration error выбранным post-hoc методом (ссылка на запись вебинара), а разница в loss начинает лучше отражать именно качество разделения классов. Соответственно, мы выбираем модель с лучшей разделяющей способностью, а не ту, которая случайно оказалась лучше откалибрована на данном этапе обучения. Проверили на датасетах для computer vision и 196 табличных датасетах — так и оказалось, победа. Может ли это хотя бы частично объяснять эффекты вроде grokking или double descent? Там мы тоже наблюдаем нетривиальную динамику loss во времени. Возможно, на ранних этапах обучения модель в основном улучшает калибровку, затем временно жертвует ей ради построения более качественной разделяющей поверхности, а потом начинает улучшать уже обе составляющие одновременно. #ArticleReview

Scalable Concurrent Queues for GPU https://arxiv.org/abs/2606.01693

EUDAIMONIA: Evaluating Undesirable Dynamics in AI https://arxiv.org/abs/2605.30654

Ideogram 4: Open image model at the forefront of design https://github.com/ideogram-oss/ideogram4

20 Second Parity Lifetime in an InAs–Pb Tetron Device https://quantum.scene7.com/is/content/quantum/Majorana-2-Tech-Paperpdf