AI FRONTIER
Signals worth understanding before they become obvious.
Mage-VL-Cowork: Resep Pelatihan Lengkap untuk Mempelajari Penggunaan Komputer Hibrida dari Harness yang Berevolusi
Makalah ini memperkenalkan Mage-VL-Cowork, agen penggunaan komputer hibrida 4B yang dilatih dari checkpoint umum yang selaras secara multimodal melalui kurikulum progresif lima tahap end-to-end yang mencakup midtraining, SFT, dan RL. Mage-CUA-Forge menyintesis 293.806 tugas desktop dan web di 6.915 skill menggunakan al...
- Mage-VL-Cowork adalah CUA hibrida 4B yang dilatih dari checkpoint umum yang selaras secara multimodal.
- Pelatihan menggunakan kurikulum progresif lima tahap end-to-end yang mencakup midtraining, SFT, dan RL.
- Mage-CUA-Forge menyintesis 293.806 tugas desktop dan web di 6.915 skill.
- Makalah melaporkan Mage-VL-Cowork-4B mencapai 66,0% pada OSWorld-Verified dan menyatakan meraih performa tercanggih pada ukuran parameternya.
Bagi tim yang membangun agen on-device, resep ini menunjukkan bahwa sintesis tugas yang dapat digunakan ulang dan dikondisikan pada skill, bersama harness guru yang berevolusi, dapat menyatukan interaksi GUI dengan eksekusi kode dan termina...
mistralai/Mistral-Large-4-1T-A52B: MoE multimodal native 1 triliun parameter dirilis
Mistral merilis Mistral Large 4, model Mixture-of-Experts multimodal native dengan 1 triliun parameter dan 52 miliar parameter aktif per token, panjang konteks 1M, serta dukungan lebih dari 160 bahasa di bawah Mistral Ecosystem Open-Weight License.
- ~1T parameter total / ~52B aktif, dengan 128 expert terarah (4 aktif per token) dan 1 expert bersama
- Mendukung panjang konteks 1M dan input multimodal native teks serta gambar dengan encoder visi bergaya Pixtral
- Dilatih dari awal pada 3.800 GPU NVIDIA Grace Blackwell di pusat data milik Mistral sendiri di Eropa
- Melaporkan 48% pada Artificial Analysis Coding Agent Index, praktis setara dengan model open-weight terdepan GLM-5.3, sambil menggunakan rata-rata 47% lebih sedikit token per tugas
Bagi pengembang alur kerja multimodal dan agentik, model ini menawarkan konteks 1M dan pemanggilan fungsi native dalam bobot terbuka, tetapi skala 1T parameter memerlukan penerapan tensor-parallel multi-GPU dan penggunaan komersial MaaS mem...
AutoHebb: Jaringan Neural yang Memodifikasi Diri, Menalar Zero-Shot, dan Belajar Terus-Menerus
Makalah ini memperkenalkan autonomous Hebbian networks (AutoHebb), kelas jaringan neural feedforward pembelajaran online yang menggabungkan umpan balik eksternal dengan aktivitas yang dihasilkan secara internal untuk menghasilkan sinyal pembelajaran global (neuromodulator), yang menggerbangi aturan pembelajaran lokal H...
- Makalah melaporkan bahwa jaringan AutoHebb berhasil pada tugas zero-shot inference (ZI).
- Makalah melaporkan kemampuan ZI dan continual learning (CL) yang muncul (tanpa pelatihan).
- Makalah melaporkan bahwa AutoHebb dapat direkayasa balik menjadi algoritma eksplisit.
Bagi pembangun AI, mencari bobot tetap lewat meta-learning sambil memperbarui bobot plastis dengan aturan Hebbian tiga faktor menawarkan jalur alternatif yang dapat dianalisis untuk continual learning online dan zero-shot inference.
DyCraft: Sistem Agentik untuk Generasi Adegan 4D Horizon Panjang
DyCraft memecah pembuatan animasi menjadi beberapa langkah: pertama memperluas prompt pengguna menjadi rencana terperinci dan membangun adegan statis, lalu membuat storyboard 3D dari pose animasi kunci agar agen coding dapat menulis gerakan lokal di antara keadaan awal dan akhir yang telah diverifikasi.
- Makalah ini mengevaluasi DyCraft pada 24 tugas animasi horizon panjang multi-shot yang mencakup robot humanoid, karakter manusia dan hewan, serta mekanisme fisik.
- Makalah ini melaporkan bahwa agen coding terdepan yang dilengkapi harness serbaguna sering menghasilkan objek yang saling menembus, tidak memiliki penopang fisik, atau bergerak secara tidak wajar.
- DyCraft menggunakan storyboard 3D untuk memecah masalah menjadi pasangan keadaan awal dan akhir yang terverifikasi, disertai kumpulan alat penulisan gerakan.
- Makalah ini dikirim ke arXiv pada 29 Oktober 2026 (arXiv:2610.40754, cs.CV).
Bagi pengembang pipeline 3D dan animasi, DyCraft menunjukkan bahwa memecah generasi horizon panjang menjadi keadaan awal dan akhir yang dapat diverifikasi secara independen lebih menekan pelanggaran fisik daripada membiarkan agen menulis se...
OpenAI memperkenalkan LifeVal, tolok ukur AI untuk tugas sehari-hari
OpenAI memperkenalkan LifeVal, tolok ukur yang mengukur seberapa baik AI membantu orang menyelesaikan tugas sehari-hari, mulai dari mencari pengasuhan anak hingga mengelola keuangan dan urusan dokumen pemerintah.
- LifeVal adalah tolok ukur yang diperkenalkan oleh OpenAI.
- Tolok ukur ini mengukur seberapa baik AI membantu orang menyelesaikan tugas sehari-hari.
- Contoh tugas mencakup mencari pengasuhan anak, mengelola keuangan, dan urusan dokumen pemerintah.
Bagi pembangun AI, LifeVal menggeser evaluasi ke tugas nyata seperti pengasuhan anak, keuangan, dan dokumen pemerintah, menandakan di mana model perlu peningkatan yang terarah.
Qodo membangun konteks ke tinjauan kode AI dengan Codex
Qodo membawa pengetahuan perusahaan dan standar pengkodean ke Codex, membantu pengembang menangkap masalah P0 di seluruh repositori sebelum membuka pull request.
- Qodo membawa pengetahuan perusahaan dan standar pengkodean ke Codex.
- Integrasi ini membantu pengembang menangkap masalah P0 di seluruh repositori sebelum membuka pull request.
Bagi pembangun AI, menyuntikkan konteks khusus organisasi ke agen tinjauan kode menggeser tinjauan dari pemeriksaan generik ke penangkapan masalah berkeparahan tinggi sebelum PR.
Makalah baru Yann LeCun, 66 tahun, menantang Scaling Law: 109 juta parameter mengalahkan 72 miliar
Yann LeCun menerbitkan makalah baru yang melaporkan bahwa model 109 juta parameter mengalahkan model 72 miliar parameter, menantang asumsi Scaling Law bahwa model yang lebih besar belum tentu lebih memahami dunia.
- Makalah melaporkan bahwa model 109 juta parameter mengalahkan model 72 miliar parameter.
- Makalah diterbitkan oleh Yann LeCun yang berusia 66 tahun.
- Makalah menantang Scaling Law, dengan argumen bahwa model yang lebih besar tidak selalu lebih memahami dunia.
Bagi pembangun AI, makalah ini menunjukkan bahwa skala parameter bukan satu-satunya penentu pemahaman dunia, dan arsitektur serta tujuan pelatihan bisa lebih penting.