246 bahan
Para penulis studi baru berpendapat bahwa sistem sains otonom harus mengandalkan sinyal padat dari kemajuan antara, seperti yang dilakukan oleh fuzzer, bukan hanya pada hasil akhir yang jarang. Pendekatan ini memungkinkan agen untuk mengeksplorasi hipotesis yang tidak lazim dan menghindari overfitting terhadap tolok ukur.
Dalam artikel untuk ISWC 2026, para penulis memperkenalkan alat yang mengukur kemampuan LLM dalam mengubah kueri biasa menjadi kendala SHACL yang valid, mengingat bahwa aturan yang sama dapat terlihat berbeda. Pengujian pada empat model menunjukkan: mereka mudah menangani sintaksis, tetapi sering kali gagal menangkap semantik dari kendala yang kompleks.
Para peneliti menemukan bahwa metode unlearning standar pada LLM mudah rusak ketika dilakukan fine-tuning pada sejumlah kecil contoh yang terlupakan. Teknik Margin Calibration yang mereka usulkan menambahkan penalti margin yang tidak jenuh dan secara signifikan mengurangi keberhasilan serangan semacam itu pada berbagai model dan dataset.
Benchmark terbaru menawarkan 100 skenario tanya-jawab dalam bahasa Inggris dan Arab, yang dibangun di sekitar data nyata operator: situs web, basis data SQL, dan arsip web. Pengujian pada 12 model menunjukkan bahwa bahkan model terbaik hanya menyelesaikan 71% tugas, dan pada kategori visual hasilnya turun di bawah 30%.
Profesor Caltech dan rekannya meluncurkan startup mereka sendiri, menolak saham di proyek yang didukung Bezos. Perusahaan baru ini bermaksud menciptakan model yang memprediksi fenomena fisik untuk robotika, semikonduktor, dan iklim.
Pendekatan LRS yang baru selama generasi dengan cermat menyesuaikan representasi tersembunyi model, dengan berfokus pada sinyal kualitas dari langkah-langkah antara. Berkat hal ini, model bahasa yang bernalar dapat menemukan dan memperbaiki kesalahannya sendiri, dan eksperimen menunjukkan peningkatan akurasi yang stabil di beberapa tolok ukur.
Para peneliti mengusulkan pendekatan yang mengevaluasi model bukan berdasarkan volume pengetahuan atau terlepas dari realitas, melainkan melalui tugas-tugas yang menuntut penalaran, kontrol konteks, dan pengerjaan dengan batasan secara bersamaan. Tolok ukur ini mencakup 820 tugas orisinal, dan para penulisnya juga meneliti bagaimana pengaturan "refleksi" dan parameter model lainnya memengaruhi hasil.
Para peneliti memperkenalkan uji coba MindHelper, di mana agen harus terus memantau manusia dan hanya membantu pada saat yang tepat, sementara di waktu lain tetap menyingkir. Kerangka kerja yang diusulkan, MindClaw, secara signifikan mengungguli pendekatan VLM langsung dalam akurasi intervensi dan penyelesaian tugas.
Uji coba awal prosesor khusus OpenAI menunjukkan bahwa prosesor ini mengungguli para pesaing dalam hal throughput dan latensi saat menangani model AI modern, sekaligus mengonsumsi lebih sedikit energi. Karakteristik semacam ini menjanjikan percepatan eksekusi inferensi dan pengurangan biayanya.
