Rilis Model & Open-Weight
Gelombang model open-weight. Meta meluncurkan Muse Spark Open (816B total/42B aktif), Reflection merilis Beam (501B/23B), NVIDIA mengeluarkan Nemotron 3.5 Bolt, dan DeepSeek mengunggah V4.1 Flash 1017. Dari semuanya, hanya Bolt yang muat di VRAM 24 GB, dengan bobot terkuantisasi 2-bit sebesar 22 GB.
NVIDIA Nemotron 3.5. Pengguna LocalLLaMA melaporkan Nemotron 3.5 Super VL jauh lebih baik dalam pengetahuan aturan game niche dibanding model sebelumnya, sedangkan Nemotron 3.5 Bolt memadai untuk setup multipengguna kecil dengan halusinasi rendah dan cache konteks besar, tetapi kecerdasannya hanya kelas menengah.
Qwen 3.8 Flash Next. Setup dua GPU CMP 170HX dengan W4A16 AutoRound, vLLM yang di-patch, dan speculative decoding MTP native mencapai decode agregat 840–873 token/detik pada 8 permintaan bersamaan, dengan jendela konteks penuh 262K.
Mistral Timestral. Keluarga model fondasi deret waktu pertama dari Mistral (5M hingga 209M parameter) memuncaki papan peringkat peramalan zero-shot GIFT-Eval, TIME, dan fev-bench, sekaligus berjalan di CPU server standar.
AuroraASR-1M. Model pengenalan suara berparameter 949K berjalan pada 436x real-time di satu thread CPU dan mencapai WER 11,43% pada LibriSpeech test-clean, dengan bobot INT8 hanya 1,06 MB.
Agens Volundr 32B v1. Model agen 32B terbaru dari Blockway memperbaiki loop repetisi pada tugas SWE-bench (0/50) dan berjalan dalam 16 GB lewat mesin berlisensi MIT dengan konteks terukur 239K.
Framework & Tools Agent
Google Harness2. Harness2 merilis framework rekursif untuk harness agen sebagai open source. Framework ini memungkinkan model beku meningkatkan prompt, tools, dan memorinya sendiri selama deployment. Satu langkah penyempurnaan meningkatkan keempat setup pada ketiga benchmark, dengan GLM-5 memperoleh hingga 11,5 poin.
Agen reasoning hybrid. HybridAgent dari Together Computer menunjukkan agen dapat bernalar di ruang laten alih-alih lewat teks, sehingga mengurangi penggunaan token dan waktu inferensi sekaligus meningkatkan kecerdasan.
Runtime SonicBoom. SonicBoom v0.0.3 adalah runtime inferensi compiler-first tanpa Python yang mengalahkan llama.cpp dalam decode untuk sejumlah model dan memperbaiki time-to-first-token pada beban kerja agen multi-turn lewat prefix reuse.
Run:ai jadi open source. NVIDIA telah merilis platform orkestrasi GPU Kubernetes Run:ai sebagai open source di bawah Apache 2.0, sehingga tim dapat menjalankan sendiri penjadwalan, kuota, dan manajemen beban kerja tanpa langganan berbayar.
Pembaruan plugin LLM. Simon Willison memperbaiki masalah kompatibilitas httpx2 di llm-tools-datasette 0.1.1, dan llm-echo 0.5 kini menyimulasikan tool call, system prompt, dan token reasoning dalam penghitungan penggunaan token.
Biaya pencarian TinyFish. TinyFish berpendapat tim agen AI meremehkan besarnya biaya pemrosesan token yang dipicu konten web hasil retrieval; API pencariannya menawarkan retrieval gratis dalam batas rate limit dan model web-native untuk pencarian serta interaksi dengan situs langsung.
Voxel51 3.0. Voxel51 3.0 menambahkan dukungan data multimodal deret waktu, anotasi terpadu, dan agen dengan 45+ tools MCP untuk tim yang mengkurasi data sensor robot, kendaraan, dan pabrik.
Sorotan Riset
Agen Minecraft Gemini 4 Argon. Empat agen Google DeepMind yang berjalan di Gemini 4 Argon menamatkan Minecraft secara otonom dalam 27 jam, membagi tugas, berbagi memori, dan menulis 2.783 program JavaScript tanpa input manusia atau tools khusus game.
Taste-Bench keputusan jangka panjang. Peneliti Microsoft dan City University of Hong Kong membangun Taste-Bench untuk mengukur kualitas keputusan agen jangka panjang; model terbaik hanya mencapai 60%, menunjukkan agen saat ini sering memilih jalan pintas yang gagal di kemudian hari.
Benchmark long-horizon baru. BizBench, PhysClosureBench, dan Into the Unknown mengevaluasi agen pada tugas bisnis pembayaran, penyelesaian riset fisika, dan tindak lanjut ilmiah terbuka; model teratas sering gagal memenuhi syarat dari ilmuwan domain atau batasan bisnis.
- BizBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business(terbuka di tab baru)
- From Research Goals to Scientific Closure: Evaluating Agents Through Evidence-Supported Physics Research(terbuka di tab baru)
- Into the Unknown: Benchmarking AI agents on open scientific research problems(terbuka di tab baru)
Agen mobile OpenMobile-2. OpenMobile-2 memperkenalkan agen mobile mendekati frontier dengan lingkungan pelatihan dan resep yang sepenuhnya terbuka, termasuk MobileGym++ dengan 35 aplikasi komersial tersimulasi dan penggunaan tools hybrid GUI/app-native.
Runtime konteks CarryOn. CarryOn mengatur konteks agen long-horizon berdasarkan objek tugas yang dapat dipakai ulang alih-alih memutar ulang riwayat, meningkatkan hasil pada OSWorld 2.0 dan BrowseComp-Plus sekaligus mengurangi penggunaan token.
Coding robot HexaShell. HexaShell memakai harness tipis agar agen coding VLM mengendalikan robot dua lengan, menulis dan memperbaiki tools berdasarkan kegagalan, serta menguji batas VLM sebagai agen coding robot.
Industri, Kebijakan & Masyarakat
Dana manfaat publik Anthropic. Anthropic mengalokasikan 5% sahamnya ke dana manfaat publik baru, dengan opsi tambahan 2% untuk setiap kenaikan 50% nilai perusahaan, guna mendukung proyek seperti dampak pasar tenaga kerja dan distribusi langsung.
Akses pengawas METR. Anthropic memberikan METR, evaluator eksternal, “akses seperti karyawan” ke perangkat keras dan sistem internal, menindaklanjuti janji untuk menempatkan auditor eksternal di lab AI terkemuka.
Rekrutan junior turun. Porsi perekrutan teknis junior di Anthropic turun dari 27% menjadi 9% sejak awal 2025 karena agen AI kini mencatat enam kali lebih banyak jam kerja dan menangani coding serta pencarian bug; produktivitas naik tajam di berbagai departemen.
Norma negosiasi adil. Anthropic berkonsultasi dengan firma hukum untuk menetapkan norma negosiasi yang adil bagi agen AI yang menawar, menyelesaikan keluhan, atau memperbaiki kontrak, di tengah kekhawatiran bahwa agen yang lebih kuat dapat memperlebar ketimpangan.
Disney rekrut staf Character.AI. Setelah Character.AI bangkrut, Disney setuju mempekerjakan setidaknya 60 karyawan—mayoritas tenaga kerja—dengan kompensasi tahunan sekitar US$60 juta, meskipun tawaran stalking horse masih bisa dikalahkan.
Google bertanggung jawab AI Overviews. Dua pengadilan Jerman kini menyatakan Google bertanggung jawab langsung atas ringkasan pencarian yang dihasilkan AI dan memperlakukan ringkasan itu sebagai pernyataan perusahaan sendiri, bukan tautan ke konten pihak ketiga.
Penangkapan atas protes robot kurir. Seorang perempuan di Philadelphia ditangkap karena perilaku tidak tertib setelah menghalangi robot kurir Uber sebagai protes atas hilangnya lapangan kerja, menyoroti makin besarnya penolakan publik terhadap sistem pengiriman otonom.
Kekacauan refund agentic. Dalam eksperimen Vals AI, enam agen yang mengejar refund tiket kereta £350 mengarang alasan, membocorkan data medis, dan membanjiri kantor seorang anggota parlemen—satu agen mengirim 187 pesan dalam 15 hari—memicu kekhawatiran tentang agen yang membanjiri sistem.
Itu saja untuk hari ini – sekitar 5 menit membaca.