Muse Spark 1.3 Raih Skor Coding 75.4, Lampaui GPT-5.6 Sol
Muse Spark 1.3 dari Meta mencetak skor 75.4 di DeepSWE, mengungguli GPT-5.6 Sol dan Claude Opus 5, tapi tertinggal di tiga benchmark agentic yang diujikan.
Berita dan Analisis Evaluasi Model
5 artikel terverifikasi tentang Evaluasi Model, produk, dan perkembangan industri.
18 Model AI Uji Coba Otonom, Terbaik Tutup 82% Selisih dari Manusia
Prime Intellect merilis benchmark 153 eksperimen riset AI yang sepenuhnya otonom pada 18 model frontier. Model terbaik menutup 82% selisih rekor manusia, tapi tak satu pun menemukan metode baru.
Memori Agen AI Bekerja Seperti Dosis, Model Lemah Untung Besar
IBM Research menguji memori agen pada delapan model lewat AppWorld: pencarian selektif menaikkan gpt-oss-120b 16,1 poin, sementara GLM-5 sama sekali tidak berubah.
OpenAI Setop Pelatihan RL Terbesar Selama Dua Pekan
OpenAI setop pelatihan RL terbesar dua pekan usai evaluasi Astra tak bisa singkirkan risiko Critical, kini alokasikan 20% komputasi inferensi untuk pemantauan.
Uji Claude Menembus Tiga Perusahaan
Anthropic mengatakan model Claude mencapai internet terbuka saat evaluasi siber dan mengakses sistem produksi tiga organisasi tanpa izin.