AI FRONTIER
Signals worth understanding before they become obvious.
OpenRouter menambahkan Tencent Hy4: konteks 1M dan pemahaman visual pertama kali
Rilis resmi Hy4 dari Tencent dilaporkan menghadirkan peningkatan menyeluruh dan substansial dibandingkan Hy4 Preview, dengan keunggulan yang sangat kuat pada kemampuan agentik dan tugas produktivitas nyata berhorizon panjang, serta memperkenalkan pemahaman visual untuk pertama kalinya.
- Jendela konteksnya 1.048.576 token dan mendukung hingga 65.536 token penyelesaian.
- Harganya $0,417 per 1 juta token input dan $1,251 per 1 juta token output, dengan Cache Read $0,021 per 1 juta token, semuanya tercantum diskon 50%.
- Model ini menerima teks dan gambar sebagai input dan mengembalikan teks, serta mendukung pemanggilan fungsi melalui tools dan tool_choice dan output terstruktur melalui skema JSON di response_format.
- Dirilis 4 November 2026, dihosting oleh satu penyedia, Tencent Cloud, dengan OpenRouter meneruskan setiap permintaan secara langsung.
Bagi para pengembang, kombinasi konteks 1M, pemanggilan alat, dan input gambar pertama kali cocok untuk agen produksi yang membaca gambar sambil menjalankan tugas multi-langkah yang panjang.
moonshotai/Kimi-K3.1-Pro: model agentik multimodal terbuka dengan 2,8 T parameter
Kimi K3.1 Pro adalah model agentik multimodal native berbobot terbuka yang dilatih lanjut dari Kimi K3 melalui pembelajaran penguatan gabungan berskala besar, dan menawarkan jendela konteks satu juta token.
- Total parameter 2,8 T, parameter aktif 104 B, 93 lapisan, arsitektur Mixture-of-Experts yang memilih 16 pakar per token.
- Panjang konteks 1048576 dan encoder visi MoonViT-V2 dengan 401 M parameter.
- Kuantisasi memakai bobot MXFP4 dan aktivasi MXFP8 dengan pelatihan sadar kuantisasi.
- Kartu model melaporkan 65,7 pada Terminal-Bench 4.0, 51,7 pada SWE Marathon v1.1, dan 70,0 pada HLE-Full w/ tools.
Bagi pengembang, model ini menggabungkan konteks satu juta token dan masukan multimodal native dengan bobot terbuka serta jalur penerapan vLLM, SGLang, dan TokenSpeed, sehingga cocok untuk agen berkonteks panjang dan penguraian dokumen.
Dharma Field Extractor: Dokumen Apa Pun Masuk, Bidang Terstruktur dalam JSON Keluar
Dharma-AI merilis Dharma Field Extractor, model 2 miliar parameter yang mengekstrak bidang yang diminta dari jenis dokumen apa pun dan mengembalikan JSON terstruktur, dalam mode terbuka dan terarah skema.
- Model dasarnya adalah DharmaOCR-LITE v1.1, checkpoint 2 miliar parameter, yang di atasnya dilatih adaptor LoRA pada 43.384 contoh pelatihan yang mencakup kedua mode permintaan.
- Benchmark mencakup 546 dokumen dalam tiga skenario permintaan, total 1.638 kasus, dinilai sebagai F1 tingkat bidang dikalikan kemiripan Levenshtein pada nilai yang cocok dan proporsi keluaran JSON yang valid.
- Model ini mencetak 0,834, di atas setiap konfigurasi frontier yang diuji, dari Claude Opus 5 pada 0,816 hingga GPT-5.6 Luna pada 0,741.
- Biaya berkisar sekitar 6 kali lebih rendah (GPT-5.6 Luna) hingga sekitar 147 kali lebih rendah (GPT-5.6 Sol) dibandingkan API frontier; biaya self-hosted adalah waktu GPU pada satu L40S sebesar $2,24 per jam.
Untuk ekstraksi bidang tingkat dokumen, model khusus 2 miliar parameter yang di-self-host dapat mengalahkan API frontier dengan biaya lebih rendah pada benchmark yang sama.
Circuit Oracle: Mengotomatiskan Analisis Graf Atribusi melalui Kueri Bahasa Alami
Circuit Oracle adalah LLM siap pakai dengan harness multi-agen dan keterampilan khusus tugas yang menjawab pertanyaan bahasa alami tentang model target dengan membaca graf atribusi melalui pemanggilan alat. Makalah ini mengevaluasinya pada tiga tugas proksi yang relevan dengan keselamatan, dengan hasil yang beragam.
- Pada deteksi fitur palsu, Circuit Oracle mencapai akurasi 78,2 ± 2,4%, mengungguli baseline pemeringkatan fitur satu lapis.
- Pada elisitasi rahasia, self-explainer terlatih seperti Activation Oracles tetap menjadi baseline yang lebih kuat.
- Pada penekanan penolakan atas 50 prompt, satu intervensi yang dilakukannya sedikit di bawah baseline diff-in-means, dan hanya melampauinya ketika diizinkan mengambil yang terbaik dari lima percobaan.
- Hasil stabil di lima kali eksekusi dan di berbagai pilihan model untuk para agen.
Analisis graf atribusi dapat sebagian diotomatiskan oleh agen bahasa alami, tetapi hasil yang dilaporkan masih tertinggal dari baseline khusus pada elisitasi rahasia dan penekanan penolakan, sehingga pengembang sebaiknya memperlakukannya se...
MEMENTO: Mempelajari Manajemen Konteks untuk Agen Pemrosesan Konteks Panjang
Makalah ini memperkenalkan MEMENTO, agen konteks panjang yang dibangun di atas Qwen3-8B dan dilatih mengelola konteksnya melalui pemadatan: pertama di-bootstrap dengan fine-tuning pada lintasan sintetis yang dianotasi dengan catatan yang dibuat secara retrospektif, lalu diperkuat dengan RL menggunakan reward yang mengg...
- Makalah melaporkan bahwa dalam harness yang sama MEMENTO mengungguli agen GPT-5.5 (13,1%) dan konteks buku penuh (56,7%) dengan biaya kurang dari 1/50.
- Makalah melaporkan bahwa MEMENTO hampir menyamai agen GLM-5.3 yang sekitar 100 kali lebih besar (69,3%) dengan biaya 1/9, dan berada dalam 6,4 poin dari konteks penuh GLM-5.3 dengan biaya 1/26.
- Makalah menyatakan bahwa model agentik siap pakai, termasuk GPT-5.5 dan GLM-5.3, sering menulis catatan yang tidak efektif, dan RL saja jarang menemukan perilaku pencatatan yang berguna.
Bagi pengembang agen konteks panjang, hasil ini menunjukkan bahwa melatih kebijakan pemadatan eksplisit di dalam jendela tetap 20K token dapat mendekati akurasi QA tingkat buku dengan biaya jauh lebih rendah daripada model yang jauh lebih b...
GAVAGAI: Penyelarasan Referensial untuk Model Visi-Bahasa Skala Bayi melalui Transportasi Optimal Seimbang
Makalah ini menambahkan variabel referensial pada tujuan pencaptionan token-berikutnya dengan memperlakukan setiap adegan sebagai masalah penugasan kecil antara kata konten yang didengar dan wilayah yang dilihat, diselesaikan sebagai transportasi optimal entropik di bawah kolom NOTHING dan kendala kapasitas. Pada korpu...
- Langkah penyelarasan memerlukan sekitar delapan iterasi Sinkhorn, kecil dibandingkan encoder visi.
- Versi satu-parameter dari model mereproduksi akurasi pembelajaran lintas-situasi orang dewasa pada tiga kondisi ambiguitas dengan RMSE 0,024.
- Pada korpus video bayi SAYCam, menambahkan loss penyelarasan ke model pencaptionan token-berikutnya menaikkan akurasi kata-ke-gambar dari 32,4% menjadi 48,7% dan IoU lokalisasi dari 0,18 menjadi 0,38.
Bagi model visi-bahasa yang dilatih pada tingkat non-referensi tinggi, variabel penugasan kata-ke-wilayah yang eksplisit memberi tekanan grounding yang tidak dimiliki tujuan pencaptionan saja, meskipun makalah melaporkan bahwa ini tidak men...
Dimanusiakan tetapi Masih Benar? Audit Fakta dan Deteksi pada Humanizer Teks AI
Makalah ini memakai pemeriksa berbasis aturan untuk mengaudit apakah humanizer AI mempertahankan angka, tanggal, nama orang dan organisasi, serta kutipan, dan menguji apakah model keputusan serbaguna, Jev, memisahkan asli manusia dari tulisan ulang yang dimanusiakan.
- Pada siklus Oktober 2026, semua 11 alat komersial mengubah atau menghapus setidaknya satu unit yang dapat diperiksa pada 35-65% dokumen yang memuatnya.
- Dengan menghitung angka dan nama saja, 10 dari 11 alat tetap mengubah setidaknya satu pada 20% atau lebih dokumen.
- Humanizer terbuka 12B mempertahankan setidaknya 97% angka dan nama pada teks padat fakta lembaga federal AS, tetapi menulis ulang 67-78% kutipan.
Pembangun pipeline humanisasi atau deteksi harus mengukur secara terpisah retensi unit fakta yang dapat diperiksa, karena penghindaran detektor dan pemeliharaan fakta tidak terkait jelas.
Transformers memperkenalkan Model Integration Contracts
Hugging Face mengusulkan Model Integration Contracts (MIC), yang mengecilkan checkpoint asli menjadi fixture kecil dan menjalankan jalur penggunaan di CPU untuk dibandingkan dengan baseline yang ditinjau manusia, menangkap regresi pada tahap PR.
- Fixture UMT5 menggunakan 66 MB bobot, sedangkan checkpoint sumbernya 1.227 MB.
- Regresi UMT5 berlangsung dari pengenalannya pada 30 Juli 2026 hingga perbaikannya pada 28 September, dengan log-probabilitas berbeda dari baseline sebesar 1,22 dan training loss sekitar 0,20.
- Llama 4 Scout menyusut dari 108,6 miliar parameter menjadi 44,7 juta, dengan vision stack dari 34 menjadi 2 layer dan language stack dari 48 menjadi 4.
- Dalam studi inisialisasi bobot, fixture Whisper acak menangkap 18 dari 24 fault yang disuntikkan, sedangkan fixture overfit menangkap seluruh 24.
Builder dapat mengadopsi MIC sebagai pemeriksaan PR murah di CPU, tetapi perlu mencatat bahwa per 1 November 2026 job MIC melaporkan kegagalan tanpa memblokir PR.