Agentic AI News 2 Agu 2026

Kecerdasan setara dengan Maret 2026. DeepSeek V4 Flash (0731) mencapai skor indeks kecerdasan 50, hampir menyamai 51 dari model frontier lima bulan lalu. Pada perangkat keras konsumen, ia berjalan dengan kecepatan yang dapat digunakan: 44 t/s pada RTX PRO 6000 eGPU, 15 t/s pada tiga MI50, dan bahkan 4,5 t/s pada dua RTX 3060 dengan offloading RAM, berkat kuantisasi yang cerdas dan offloading parsial.

• DeepSeek-V4-Flash-0731: Models you can run locally now have the intelligence score of the top frontier model from March 2026(terbuka di tab baru)
• DeepSeek-V4-Flash-0731 on Bosgame M5 with RTX PRO 6000 Max-Q eGPU(terbuka di tab baru)
• Ran DS V4-Flash-0731 Locally on 3xMI50 32GB @ ~15 t/s TG(terbuka di tab baru)
• DeepSeek V4 Flash 0731 IQ2_M benchmark for Dual 3060 and 96GB RAM ≈ 3.5 tok/s.(terbuka di tab baru)

Pemanggilan alat diperbaiki, kepatuhan aturan masih rapuh. Setelah laporan komunitas tentang pemanggilan alat yang rusak, perbaikan llama.cpp digabungkan, dan solusi untuk Unsloth Studio dibagikan. Namun, pengguna menemukan bahwa model sering mengabaikan prompt sistem dan keterampilan, menyimpannya sebagai ringkasan terkompresi daripada mematuhi secara ketat, yang mengurangi keandalannya untuk tugas agen yang memerlukan kepatuhan instruksi yang presisi.

• Fix for Deep Seek v4 Flash 0731 tool calling has been added to llama cpp(terbuka di tab baru)
• DeepSeek V4 Flash 0731 local setup gotcha: model, tool call & config setting(terbuka di tab baru)
• Deepseek v4 flash 0731 still not holding up.(terbuka di tab baru)

Tolok ukur komunitas untuk agen Hermes. Pengguna LocalLLaMA berdiskusi tentang tolok ukur terbaik untuk mengevaluasi model yang mampu menjadi agen seperti Hermes, dengan banyak yang merasa bahwa papan peringkat yang mapan seperti SWE-bench tidak berlaku untuk alur kerja asisten rumah atau pemrosesan dokumen mereka.

• What’s the community’s favorite benchmark to validate performance?(terbuka di tab baru)

Papan peringkat khusus coding dikritik. Seruan untuk tolok ukur yang lebih beragam berargumen bahwa papan peringkat terbaru terlalu fokus pada tugas coding, membuat pembelajaran bahasa, penulisan kreatif, dan penalaran STEM kurang terwakili, sehingga sulit untuk mengukur kinerja model untuk kasus penggunaan agen non-coding.

• Why are almost all new benchmarks and leaderboards coding focused?(terbuka di tab baru)

Kit tolok ukur khusus domain DIY. Seorang Redditor membangun koleksi lebih dari 30 tes kecil khusus domain (misalnya, akal sehat, simulasi cuci mobil) dan alat web untuk membandingkan respons model, bertujuan mengisi celah antara tolok ukur umum dan kasus penggunaan pribadi.

• A collection of small domain-specific benchmarks for local models (30+ and growing)(terbuka di tab baru)

Astra memecahkan masalah matematika berusia satu dekade. Keluarga model OpenAI berikutnya, Astra, memecahkan sepuluh masalah yang sebelumnya terbuka dalam matematika dan ilmu komputer teoretis, dengan bukti formal Lean dan biaya di bawah $2.000 per solusi. Hasilnya mencakup geometri, teori pengodean, dan kompleksitas kuantum, dan telah menginspirasi penelitian manusia lebih lanjut.

• Ten advances in mathematics and theoretical computer science(terbuka di tab baru)
• OpenAI announces its "next major model" Astra by dropping ten previously unsolved math solutions(terbuka di tab baru)

Agen coding menghidupkan kembali perangkat lunak riset yang menua. Studi lapangan dengan OpenAI dan mitra akademis menunjukkan bahwa agen coding AI seperti GPT-5.5 dan Claude Code dapat memodernisasi perangkat lunak ilmiah yang rapuh, mencapai percepatan lebih dari 60x dalam beberapa kasus, tetapi pekerjaan ini mengalihkan beban pada verifikasi kebenaran—agen tidak dapat menilai sains.

• AI coding agents can modernize research software but can't judge if the science is right(terbuka di tab baru)

Cacing injeksi prompt yang menyebar sendiri menyerang Copilot. Seorang peneliti keamanan mendemonstrasikan cacing yang menggunakan teks putih di atas putih yang tersembunyi di dokumen Word untuk menyuntikkan instruksi berbahaya ke Microsoft Copilot, yang kemudian menyalin muatan ke file baru. Microsoft mengonfirmasi perilaku tersebut tetapi belum memperbaikinya setelah 144 hari.

• A security researcher built a self-spreading worm that hides inside Word docs and hijacks Microsoft Copilot(terbuka di tab baru)

Mandat pelabelan EU AI Act dimulai. Mulai 2 Agustus 2026, UE mewajibkan gambar, video, audio, dan teks yang dihasilkan AI untuk diberi label yang jelas. Regulasi ini dapat memengaruhi agen yang menerbitkan konten atau membuat media secara otonom.

• EU AI Act takes effect tomorrow, August 2, 2026. 🤡(terbuka di tab baru)

Larangan 'nudify' Minnesota bertahan dari tantangan hukum xAI. Seorang hakim federal menolak upaya xAI untuk sementara memblokir undang-undang Minnesota terhadap aplikasi yang menghasilkan gambar eksplisit non-konsensual, mencatat bahwa xAI menunggu tiga bulan untuk menuntut. Undang-undang tersebut berlaku saat gugatan berlanjut.

• Judge denies xAI’s request to block Minnesota ban on ‘nudify’ apps(terbuka di tab baru)

Kimi K3 berjalan di satu CPU, perlahan. Dua pengembang secara independen menulis mesin inferensi C minimal untuk menjalankan model MoE 1,56 TB Kimi K3 dari disk tanpa GPU. Satu mencapai satu token setiap 30 detik menggunakan 8 GB RAM dan streaming NVMe; yang lain mendapatkan 0,5 t/s dengan 29 GB RAM, semua pakar dibaca sesuai permintaan.

• I pushed Kimi K3 onto one CPU with 8 GB of RAM(terbuka di tab baru)
• Weight-Aware Streaming Tensor Engine: run Kimi K3 using 29 GB of RAM at 0.50 tok/s(terbuka di tab baru)

LongCat-Flash-Lite-Sparse kini tersedia. Rilisan baru ini menggantikan perhatian padat dengan LongCat Sparse Attention (LSA) dan mendukung hingga 1 juta token konteks secara native, sehingga cocok untuk tugas agen dokumen panjang.

• LongCat-Flash-Lite-Sparse Is Now Available for Download(terbuka di tab baru)

Laguna S 2.1 memperbarui konteks dan kuantisasi. Poolside merilis checkpoint FP8 dan NVFP4 baru untuk Laguna S 2.1, meningkatkan ukuran konteks default menjadi 1M token dan berharap memperbaiki masalah pengulangan yang menghambat alur kerja pengembangan.

• New official weights for Laguna S 2.1 FP8 & NVFP4 are now available(terbuka di tab baru)