Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-11
01
testagentscapability unlock

Memperkenalkan AlphaProof Code: terobosan dalam verifikasi perangkat lunak kompleks secara mendalam

Peneliti Google DeepMind menggunakan AlphaProof Code, kerangka agentik, untuk memverifikasi secara formal properti keamanan kunci dari kode aktual protokol Signal, dengan agen menghasilkan lebih dari enam juta baris Lean.

  • AlphaProof Code adalah kerangka agentik multi-LLM di mana pakar manusia bersama AI menentukan apa yang harus dibuktikan dan sekelompok agen AI mengerjakan pembuktiannya.
  • Agen menghasilkan lebih dari enam juta baris Lean untuk membuktikan properti keamanan implementasi protokol kriptografi Signal.
  • Tinjauan manusia hanya mencakup satu persen basis kode, sementara Lean memeriksa sisanya secara otomatis.
  • Proses verifikasi memakan waktu empat minggu, tugas yang secara historis memerlukan waktu bertahun-tahun bagi tim pakar.

Bagi pembangun AI, ini menunjukkan bahwa pembuktian multi-agen ditambah pemeriksaan otomatis Lean dapat memperluas verifikasi formal dari tingkat desain ke kode terkompilasi nyata, sambil memusatkan tinjauan manusia pada sebagian kecil basi...

Google DeepMind
02
testresearchbenchmark jump

Peluncuran benchmark Multimodal Knowledge Agent

Google memperkenalkan benchmark Multimodal Knowledge Agent untuk mengukur performa model pada tugas tertentu.

  • Benchmark ini bernama Multimodal Knowledge Agent benchmark.
  • Sumbernya adalah blog.google.
  • Abstrak makalah menyatakan bahwa ini mengusulkan atau menggunakan evaluasi benchmark baru untuk mengukur performa model pada tugas tertentu.

Pengembang AI dapat memakai benchmark ini untuk mengevaluasi agen pengetahuan multimodal pada tugas tertentu.

blog.google
03
watchinferenceincremental

OpenRouter menghadirkan Baidu ERNIE-Light-DT-1.0

ERNIE-Light-DT-1.0 berbasis model GLM open source dan menyertakan temuan riset model besar Lightning dari Baidu Search, memakai Baidu Sparse Attention (BSA) serta kompresi riwayat berbasis umpan balik untuk menekan penyimpanan cache KV dan biaya komputasi.

  • Jendela konteksnya 1.024.000 token dengan dukungan hingga 131.072 token penyelesaian.
  • Harganya $1.13 per 1 juta token input dan $3.94 per 1 juta token output, dengan pembacaan cache $0.113 per 1 juta token.
  • Dihosting oleh satu penyedia, Baidu Qianfan, dengan throughput 83 tok/s, latensi 1,05 s, dan uptime 100,00% selama 3 hari.
  • Mendukung pemanggilan fungsi melalui tools dan tool_choice, serta output terstruktur melalui skema JSON di response_format.

Bagi pengembang yang memakai konteks sejuta token, BSA dan kompresi riwayat adalah mekanisme yang perlu diuji pada beban kerja dokumen dan sesi panjang nyata, tempat biaya cache KV mendominasi.

OpenRouter Models
04
testmodelscapability unlock

Model baru OpenRouter: Thinking Machines Inkling 2 Small (gratis)

Inkling 2 Small adalah model penalaran multimodal mixture-of-experts dari Thinking Machines Lab dengan 17B parameter aktif dari total 594B, dan model pertama dalam generasi Inkling kedua. Model ini dilatih dengan reinforcement learning pada tugas coding berjangka panjang di banyak agent harness, menerima input teks dan...

  • 17B parameter aktif dari total 594B.
  • Jendela konteks 1.048.576 token dengan hingga 131.072 token penyelesaian.
  • Menerima input teks dan gambar serta mengembalikan teks; tidak ada dukungan audio.
  • Endpoint gratis hanya tersedia untuk digunakan dengan agentic harness, dan prompt serta output dicatat dan digunakan untuk meningkatkan model Thinking Machines Lab.

Pengembang mendapat cara tanpa biaya untuk menguji model coding agentic berkonteks 1M, tetapi ketentuan pencatatan endpoint gratis berarti data rahasia atau pribadi tidak boleh dikirim ke sana.

OpenRouter Models
05
testresearchcapability unlock

RL-ATTACK: Serangan Adversarial Black-Box Tergeneralisasi pada Model Bahasa melalui Reinforcement Learning

Makalah ini mengusulkan kerangka reinforcement learning black-box yang dapat dilatih dan belajar dari model target untuk menghasilkan transformasi adversarial yang disesuaikan, bukan menebak transformasi dari pengetahuan eksternal. Makalah melaporkan akurasi pasca-serangan yang lebih rendah, efisiensi kueri yang lebih ...

  • Pada natural language inference, makalah melaporkan menurunkan akurasi pasca-serangan menjadi 2% dalam 20 kueri.
  • Terhadap model bahasa generatif, penyerang yang dilatih secara konsisten mencapai akurasi pasca-serangan lebih rendah daripada penyerang yang tidak dilatih.
  • Dibandingkan dengan baseline kuat berbasis optimisasi, makalah melaporkan menang pada 4 dari 6 pengaturan.
  • Makalah menguji berbagai desain reward dan pengaturan pelatihan dan menemukan tidak ada desain atau pengaturan yang secara konsisten dominan.

Bagi pembangun AI, ini menunjukkan penyerang black-box dapat dilatih dari sinyal model target sendiri untuk mengungkap kerentanan dengan lebih sedikit kueri dalam evaluasi keamanan.

arXiv cs.CL
06
watchagentsnew architecture

Obsidian Security meluncurkan mesin kebijakan runtime untuk mengendalikan tindakan agen AI

Obsidian Security meluncurkan mesin kebijakan runtime untuk mengendalikan tindakan agen AI. Peluncuran ini dilaporkan oleh Unite.AI.

  • Obsidian Security meluncurkan mesin kebijakan runtime untuk mengendalikan tindakan agen AI.
  • Peluncuran ini dilaporkan oleh Unite.AI.

Bagi pengembang agen AI, penegakan kebijakan saat runtime berarti tindakan agen dapat dibatasi pada waktu eksekusi, bukan hanya mengandalkan konfigurasi statis sebelum penerapan.

Unite.AI