Hasil AVO NVIDIA 100% ARC-AGI-3 Mengukur Harness, Bukan Model
AVO NVIDIA berhasil melewati set publik ARC-AGI-3, tetapi benchmark tersebut tidak mengisolasi kontribusi harness atau menguji generalisasi pada tugas privat.
Tag
#agent-harnesses
2artikeldengan tag ini.
HarnessRisk Menunjukkan Mengapa Satu Demo Prompt Injection Tidak Dapat Mengukur Keamanan Agen
HarnessRisk melaporkan perbedaan keamanan yang lebar di antara kombinasi model dan harness agen, serta menemukan bahwa konfigurasi lebih rentan daripada fase lifecycle lain yang diuji.