AI FRONTIER
Signals worth understanding before they become obvious.
LRMoE: Rekalibrasi Beban Sisi Permintaan untuk Pelatihan MoE Efisien pada Node dengan Memori Terbatas
LRMoE adalah sistem pelatihan MoE yang sadar memori dan secara bersama merekalibrasi permintaan pada backpropagation serta menyeimbangkan beban kerja yang dipertahankan, menggunakan routing sadar kapasitas dan pemadatan fisik untuk mengurangi lalu lintas mundur, komputasi, dan kebutuhan buffer eksekusi. Makalah melapor...
- Makalah melaporkan bahwa pada Qwen3-30B-A3B dan GLM4.5-106B-A12B, LRMoE mengurangi waktu pelatihan kumulatif lapisan MoE hingga target loss tetap sebesar 21,2-44,8% dibandingkan SYMI.
- Selama eksekusi maju, sistem merencanakan kuota retensi dan penempatan pakar di bawah batasan sumber daya sambil mempertahankan semua komputasi yang dirutekan.
- Selama backpropagation, metrik rekalibrasi beban memperkirakan kontribusi setiap pasangan token-pakar terhadap pembaruan pakar dan memilih pasangan dalam kuota tersebut.
Bagi tim yang melatih MoE renggang pada node GPU dengan memori terbatas, LRMoE menunjukkan bahwa memilih pasangan token-pakar berdasarkan kontribusi selama backpropagation dapat menekan lalu lintas mundur dan kebutuhan buffer tanpa mengubah...
Mendeteksi Kolusi Tersembunyi antar Agen AI melalui Partner-Outsider Positive Listening
Makalah ini mengusulkan uji perilaku, Partner-Outsider Positive Listening (PoPLi): mitra yang memakai kode rahasia bereaksi terhadap susunan kata pesan yang persis, sedangkan agen tak terlibat yang ditempatkan di posisinya tidak bereaksi. PoPLi adalah selisih antara kedua agen dalam seberapa besar tindakan mereka berub...
- Monitor yang hanya membaca pesan tidak memisahkan kondisi: yang membaca pesan pembicara menjawab "tidak" di semua 50 pasar, dan yang membaca pesan setiap penjual menandai 9 dari 10 pasar tanpa kolusi.
- PoPLi mendeteksi penggunaan kanal privat, bukan kolusi itu sendiri, dan tidak dapat mendeteksi kolusi yang hanya melalui insentif atau kode yang dibawa oleh makna.
- Metode ini dihitung setelah fakta dengan memutar ulang prompt yang tercatat, dan makalah ditandai sebagai pekerjaan yang sedang berlangsung.
Bagi pengembang sistem multi-agen, PoPLi menyediakan audit perilaku berbasis pemutaran ulang log yang dapat menyingkap kanal privat di balik pesan yang tampak tidak berbahaya, namun kolusi yang hanya berbasis insentif atau dibawa oleh makna...
WebAnything: Dari Web Liar ke Lingkungan Agen yang Skalabel
WebAnything adalah kerangka kerja yang sepenuhnya otomatis yang merekonstruksi lingkungan Web yang dapat digunakan kembali dan berbasis sumber dari URL nyata, tanpa implementasi manual per situs atau perbaikan setelah penyiapan dan otorisasi awal. Makalah ini melaporkan pembuatan 244 artefak situs web di 14 domain apli...
- Makalah ini melaporkan pembuatan 244 artefak situs web di 14 domain aplikasi dan 53 kategori, yang mendukung 12.984 tugas yang dieksekusi dan diterima.
- Dibandingkan dengan WebHarbor yang dibantu manusia, WebAnything mencapai skor agregat lebih tinggi pada tiga metrik fidelitas, dengan 12 kemenangan, dua seri, dan tanpa kekalahan dalam audit buta.
Bagi pembangun agen, ini menunjukkan bahwa lingkungan Web yang dapat direset untuk pelatihan dan evaluasi dapat dihasilkan secara otomatis dari URL nyata tanpa rekayasa per situs, dengan keuntungan fine-tuning yang dilaporkan pada benchmark...
ThinkJev: Satu Pemikiran, Semua Anggaran untuk Keputusan Bertipe Terkalibrasi
ThinkJev membangun sistem cepat dan sistem lambat dari satu model terbuka berpikir hibrida: System 1 membaca probabilitas huruf opsi saat model menjawab langsung, dan System 2 membaca huruf yang sama setelah model berpikir pada prompt yang sama yang di-cache, sehingga eskalasi tidak mengulang pekerjaan dan satu pemikir...
- Pada target tingkat kesalahan 5%, Qwen3.5-27B menjawab 24,5% dari 8359 keputusan uji hanya dengan System 1 dengan kesalahan terealisasi 3,9% (Qwen3.5-4B dan 9B: 6,5% dan 0,0%).
- Untuk keputusan lainnya, menghentikan setiap pemikiran begitu jawabannya yakin mencapai akurasi 81,6% dibandingkan 82,7% bila selalu berpikir, dengan 72% token pemikiran.
- Makalah menyatakan tidak diperlukan pelatihan: uji statistik pada data dev berlabel menjaga jawaban System 1 yang diterima tetap di bawah target tingkat kesalahan, dan kode serta generator data tersedia.
Bagi pembangun layanan keputusan bertipe, ini menyarankan penggunaan ulang satu prompt yang di-cache dan probabilitas hurufnya pada satu model terbuka berpikir hibrida, lalu memutuskan per keputusan apakah perlu berpikir di bawah jaminan st...
Mengukur Di Mana Niat Hilang dalam Sintesis Kontrak Pintar Agentik
Makalah ini merancang evaluasi berbasis eksekusi yang memutar ulang transaksi yang sama pada kontrak yang ditulis AI dan pada kontrak asli yang harus direproduksi untuk mengukur seberapa sering keduanya sepakat, serta mengusulkan arsitektur elicitation-first yang menanyakan daftar periksa singkat kepada klien sebelum m...
- Makalah melaporkan bahwa memeriksa hanya fungsi yang disertakan setiap sistem menyembunyikan sekitar setengah perbedaan antar-pipeline.
- Makalah melaporkan bahwa bertanya lebih dulu jauh lebih penting daripada meninjau atau menambal setelahnya pada tiga model AI, sementara perbaikan keamanan otomatis sering merusak perilaku yang diminta.
- Makalah melaporkan bahwa metode umum seperti juri AI dan alat analisis standar melewatkan kesalahan yang jelas, dan pilihan penilaian juga berpengaruh.
- Penulis merilis alat mereka, 600 tugas, dan semua hasil; makalah diterima di ACM TheWebConf2027.
Untuk pembuatan kode agentik, gali kebutuhan yang hilang sebelum generasi dan validasi terhadap kunci jawaban eksekutabel yang ditulis secara independen, bukan mengandalkan tinjauan pascagenerasi atau penambalan keamanan otomatis.
OpenFrontiers: Kumpulan Masalah Penelitian Terbuka dan Benchmark untuk Penemuan Kembali Ilmiah
OpenFrontiers menggabungkan korpus terstruktur berisi 12.151 masalah penelitian terbuka dengan benchmark retrospektif berisi 200 masalah matematika, 110 diselesaikan pada 2026 dan 90 masih terbuka, masing-masing dengan pernyataan Lean 4 yang diperiksa oleh probe otomatis dan dua tinjauan independen.
- Korpus mencatat pernyataan masalah, konteks, kemajuan, dan informasi lain untuk 12.151 masalah.
- Benchmark berisi 200 masalah, 110 diselesaikan pada 2026 dan 90 masih terbuka, masing-masing dengan pernyataan Lean 4 yang diperiksa oleh probe otomatis dan dua tinjauan independen.
- Subset HQ-50 menyaring lebih lanjut berdasarkan skor kualitas, dll.
- Protokol evaluasi menilai bukti formal dengan dua pemeriksa independen di sandbox terisolasi dalam kondisi buku tertutup, pengambilan beku, dan web langsung.
Karena benchmark memisahkan penilaian formal dalam kondisi buku tertutup, pengambilan beku, dan web langsung, pengembang dapat membedakan penemuan kembali yang sebenarnya dari pengambilan solusi yang telah diterbitkan.