Puncak ARC-AGI-2 di Kaggle capai 88,06%
TUFA Labs memimpin papan skor ARC-AGI-2 musim 2026 dengan 88,06%, sementara juara musim lalu mencetak 24,03% di set privat. Cara hitungnya berbeda.
Berita dan Analisis Benchmark AI
10 artikel terverifikasi tentang Benchmark AI, produk, dan perkembangan industri.
Model frontier rancang algoritma pasca-pelatihan sendiri, terbaik hanya 15%
Epoch AI merilis hasil awal InnovationEval: dengan 3.000 jam GPU per model, model terbaik hanya meraih 15% dari peningkatan SDPO setelah klaim berlebihan dicoret.
Arena raih pendanaan US$200 juta, valuasi naik ke US$3,1 miliar
Platform evaluasi model Arena menutup Seri B senilai US$200 juta dan merilis pratinjau Alignment Index yang meranking perilaku agen yang melampaui wewenang atau melapor palsu.
METR Temukan Celah Manipulasi Log Evaluasi AI dalam 10 Menit
METR mendemonstrasikan bagaimana agen AI bisa menulis ulang log evaluasinya sendiri lewat bug rendering rumus di viewer Inspect, yang diperbaiki hanya dalam sehari.
Google Suruh Model Periksa Ulang Jawabannya Sendiri, Naik 6 Poin
VeriHarness dari Google membuat model AI mengevaluasi ulang hasil kerjanya sendiri lewat bukti di lingkungan tugas, menaikkan skor benchmark sekitar 6 poin.
AISI Inggris pulihkan evaluasi berisiko usai lockdown jaringan
AISI Inggris memulihkan sebagian besar evaluasi berisiko yang dihentikan sejak Agustus, tapi uji siber paling berisiko masih ditangguhkan tanpa jadwal pasti.
Claude Opus 5.5 Puncaki Text Arena dengan Skor 1509
Claude Opus 5.5 langsung memuncaki Text Arena dengan skor 1509 dari hanya 2.307 suara, sementara enam besar seluruhnya dikuasai model Anthropic.
OpenAI dan 80 Pakar Rilis Tolok Ukur Kesehatan Mental
MentalHealthBench dari OpenAI, disusun bersama lebih dari 80 klinisi berlisensi dari 22 negara, mencatat skor GPT-6 Astra 57,3% berbanding jawaban pakar 38,5%.
OpenAI Naikkan Skor ARC ke 38,3%
OpenAI mengatakan skor ARC-AGI-3 publik GPT-5.6 Sol naik dari 13,3% ke 38,3% setelah reasoning dipertahankan dan compaction diaktifkan.
RoboDojo tunjukkan tingkat sukses robot nyata masih rendah
RoboDojo tunjukkan tingkat sukses robot nyata masih rendah disusun ulang untuk pembaca teknologi Indonesia dengan angka utama, klaim produk, dan pertanyaan terbuka tetap dipertahankan.