13 September 2026: evaluator, benchmark privat, dan agent terkelola
Anthropic membuka labnya bagi evaluator eksternal, Real-SWE menguji agent pada kode privat, dan OpenAI mengubah Codex harness menjadi API.
Tag
#ai-evaluation
3artikeldengan tag ini.
12 September 2026: Matematikawan menantang AI saat biaya agen bertemu benchmark
Matematikawan mempersoalkan perlombaan pembuktian, statistik Inggris melacak kontribusi terkait AI terhadap PDB, dan uji berpasangan menantang penghematan token agen.
24 Agustus 2026: Infrastruktur AI menjadi lebih terukur, lokal, dan diawasi
Dua belas perkembangan dengan sumber menunjukkan AI bergerak menuju server tool yang terlindungi, benchmark agent yang dapat diulang, inference lokal efisien, operasi data, dunia fisik, dan perangkat sensitif privasi.