Rabbit mengalihkan fokus dari gadget ke agen untuk layar yang sudah dikenal
OS3 mengintegrasikan pekerjaan melalui browser, aplikasi pesan, dan komputer: agen dapat melakukan tindakan di aplikasi dan web, tanpa memerlukan perangkat R1. Alih-alih biaya langganan, sistem menggunakan kunci API pengguna atau model lokal yang terhubung.
Akses di Berbagai Layar
Rabbit mengalihkan fokus dari perangkat khusus ke platform perangkat lunak untuk perangkat yang sudah dimiliki pengguna. Perusahaan mengumumkan OS3 — sistem operasi agen mandiri untuk berbagai layar.
Rabbit R1 tidak diperlukan untuk menggunakannya. OS3 tersedia di browser komputer, Telegram di ponsel, dan iMessage.
Pemilik R1 juga akan mendapatkan OS3 sebagai pembaruan perangkat lunak. Perangkat ini dapat berfungsi sebagai sarana input dan output.
Kriteria praktis: OS3 dirancang untuk digunakan melalui komputer dan ponsel, bukan hanya melalui perangkat Rabbit khusus.
Cara OS3 Bekerja dengan Komputer
OS3 berjalan di cloud dan terhubung ke program, file, serta halaman web di komputer melalui agen lokal. Agen ini dapat diinstal di Windows, Mac, atau Linux.
- Sistem ini menggunakan teknologi DLAM — Direct Large Action Model.
- Sistem ini menjalankan tugas di aplikasi lokal, serta menulis dan men-debug kode.
- Satu akun menghubungkan hingga lima komputer; OS3 memilih sendiri komputer mana yang akan digunakan untuk menjalankan tugas.
Kriteria praktis: skema ini cocok untuk tugas yang memerlukan akses ke program dan file di komputer.
Obrolan dan Keterampilan Pihak Ketiga
Antarmuka OS3 berupa satu obrolan berkelanjutan tanpa cabang percakapan terpisah. Pengguna dapat menempelkan tautan publik ke keterampilan agen pihak ketiga di sana.
Setelah itu, OS3 akan memasang keterampilan tersebut secara otomatis. Interaksi tetap berlangsung di obrolan yang sama, bukan berpindah ke cabang terpisah.
Kriteria praktis: perbedaan utama antarmuka ini adalah satu percakapan terpadu dan pemasangan keterampilan melalui tautan publik.
Kunci dan Pembayaran
OS3 menggunakan model Bring Your Own Key (BYOK): tidak ada biaya berlangganan bulanan. Untuk menggunakannya, pengguna menyediakan kunci API mereka sendiri, misalnya dari OpenAI atau Anthropic.
Sebagai pengganti kunci API, pengguna dapat menghubungkan model lokal sumber terbuka. Dalam kedua kasus, pengguna menyediakan sendiri metode akses ke model yang dipilih.
Kriteria praktis: model ini memerlukan kunci API milik pengguna sendiri atau koneksi ke model lokal; tidak ada biaya berlangganan bulanan.
Rencana Rabbit untuk Perangkat
Rabbit tidak lagi memproduksi Rabbit R1, dan persediaan perangkat tersebut semakin menipis. Perusahaan tidak berencana merilis Rabbit R2.
Rabbit menyebut Cyberdeck sebagai perangkat keras berikutnya — mesin khusus untuk vibe coding yang menjalankan OS3. Jesse Lyu mengatakan perangkat itu akan hadir dalam «beberapa bulan».
Kriteria praktis: Rabbit mengalihkan fokus ke platform perangkat lunak; untuk perangkat berikutnya, perusahaan mengumumkan Cyberdeck, bukan versi baru R1.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
Pengujian agen pemrograman dalam pengembangan XR interaktif: hasil GenXR-Bench
GenXR-Bench telah dirilis—seperangkat 112 tugas ahli untuk mengevaluasi agen coding secara menyeluruh dalam pengembangan XR interaktif: mulai dari menyempurnakan fitur dan memperbaiki bug hingga membuat aplikasi dengan pengujian perilaku pada perangkat konsumen. Dari sepuluh model yang diuji, hasil terbaik adalah 50,9% Pass@1; kegagalan yang berulang meliputi penanganan peristiwa sensor asinkron, penempatan objek di ruang nyata, dan pemahaman interaksi dalam konteks fisik.
5 November 2026
Anotasi gambar hibrida: otomatisasi mempercepat pelatihan model visi komputer
Artikel ini menjelaskan bagaimana praanotasi oleh algoritme mengurangi pekerjaan manual dan meningkatkan kebersihan kumpulan data pelatihan, serta mengapa verifikasi secara sampling oleh manusia tetap diperlukan. Artikel ini juga membahas keterbatasan metode tersebut dalam kondisi pengambilan gambar yang sulit dan pada jenis objek yang jarang ditemui.
5 November 2026
Dari Imbalan Skalar ke Front Pareto: Sintesis RTL LLM dengan Pembelajaran Penguatan Multikriteria
Diusulkan metode untuk melatih model bahasa agar menghasilkan bukan hanya satu skema, melainkan serangkaian kandidat RTL dengan kompromi berbeda antara luas area, latensi, dan konsumsi daya; reward dihitung berdasarkan kontribusi kandidat terhadap hypervolume front Pareto. Pada RTLLM v2, hypervolume relatif meningkat 13,3 poin persentase dibandingkan versi dasar tanpa optimasi PPA dan 14,4 poin persentase dibandingkan pelatihan penguatan dengan satu tujuan.
5 November 2026