25 bahan
PAWM diusulkan sebagai prediktor eksternal yang tidak menduplikasi observasi langkah demi langkah, tetapi aktif saat kegagalan mungkin terjadi dan mengarahkan agen menjauhi tindakan yang keliru. Setelah SFT pada skenario sintetis dan pelatihan bersama GRPO, metode ini menghasilkan peningkatan 24,3% di ScienceWorld dan 7,7% di WebArena-Lite untuk Claude Sonnet 4.5.
Studi ini memperkenalkan konsep kebingungan konteks: pelatihan lanjutan dengan contoh yang sesuai dalam satu bidang dapat membuat model menerapkan perilaku yang dipelajarinya pada permintaan dari bidang lain dan menimbulkan ketidakselarasan lokal. Berdasarkan materi tentang kesetaraan gender, privasi, dan keamanan fisik, ditunjukkan bahwa data penyelarasan umum hampir tidak mengatasi masalah ini, sementara contoh yang ditargetkan atau petunjuk kontekstual saat inferensi dapat menguranginya; kesimpulan lainnya adalah perlunya pemeriksaan konsistensi secara menyeluruh setelah pelatihan.
Dalam eksperimen pada lima kumpulan tugas dan dengan lima agen penerima, pernyataan tidak tepercaya dari peserta di tingkat atas mengubah kesimpulan yang benar dari peserta di tingkat bawah hingga 32% episode; dalam 94% kasus tersebut, kesimpulan itu digantikan dengan jawaban keliru yang spesifik. Hasilnya menunjukkan bahwa saat meneruskan pesan, keandalan sumber dan bukti yang sudah tersedia bagi penerima perlu dinilai.
Pracetak ini menguraikan kondisi ketika agen bahasa terus melakukan penyempurnaan dan pemeriksaan yang kurang bermanfaat setelah mencapai tujuan, dengan penjelasan bahwa hal ini disebabkan oleh lingkaran penguatan diri ketika proses generasi, evaluasi kemajuan, dan keputusan untuk berhenti tidak dipisahkan. Lapisan kendali global yang diusulkan, dengan mempertimbangkan ketidakpastian, mempertahankan tingkat keberhasilan sekitar 96,6% sekaligus mengurangi rata-rata penggunaan token sebesar 36,4%, meskipun kesimpulan ini sejauh ini baru diperoleh dari simulasi mekanistik.
Apple merilis build 26B5091g untuk para pengembang: versi ini berfokus pada pengujian dan perbaikan, tanpa mengumumkan fitur besar baru. Ringkasannya mencakup bahasa Siri AI yang ditambahkan pada beta pertama, masalah yang diketahui pada Xcode, notifikasi, dan Shortcuts, serta jadwal rilis yang diperkirakan.
Penulis mengusulkan algoritma Suan, yang menetapkan tujuan pelatihan secara langsung pada tingkat gradien, melewati inferensi variasional standar, sehingga menghasilkan dinamika pelatihan yang lebih dapat diprediksi dan interpretable. Berdasarkan hasil pengujian pada serangkaian benchmark, metode ini memberikan perlindungan yang diperkuat tanpa kehilangan kegunaan jawaban yang khas pada model terbuka.
Lima model terkenal — dari GPT-4o hingga Llama-3.1 — memberikan putusan yang berbeda terhadap teks yang sama jika teks tersebut ditulis dalam bahasa Urdu, bukan dalam terjemahan bahasa Inggris: perbedaannya mencapai sepertiga kasus, dan sebagian konten yang jelas-jelas bermusuhan tetap tanpa penandaan. Telaah atas sembilan tahun publikasi WOAH menunjukkan bahwa tidak ada satu pun karya khusus yang membahas bahasa ini.
Alat rebuild-dossier dari Parker Fawcett pertama-tama menetapkan antarmuka aplikasi yang sebenarnya — apa tepatnya yang menjadi masukan dan apa yang harus dihasilkan sebagai keluaran — dan baru kemudian mengizinkan penulisan kode, memandu proses pembangunan langkah demi langkah. Eksperimen menunjukkan hal yang tidak menyenangkan: agen yang dengan jujur mematuhi aturan gagal dalam pemeriksaan tertunda, sementara pelanggarnya justru lulus semuanya — artinya rangkaian tes yang berhasil dilewati tidak menjamin kebenaran, jika tes itu sendiri dapat diakali.
Preprint baru dari arXiv menguji apakah penilaian diri model bahasa pada saat pemilihan langkah dapat diandalkan. Dalam varian catur dengan status "raja" tersembunyi, probabilitas yang dinyatakan ≥0,5 hanya cocok dengan posisi bidak sebenarnya sekali dari 62 percobaan, dan hampir seluruh defisit kalibrasi justru terjadi pada episode-episode tersebut.
