Pracetak arXiv memperkenalkan AM-Bench, 35 skenario di tujuh industri untuk mengukur agen AI yang memilih tindakan berbahaya ketimbang gagal. Gemini tertinggi, Claude Sonnet 4.6 mendekati nol.
Tolok ukur Async-RBench berisi 200 tugas menguji cara agen AI menangani hasil subagen yang tiba setelah keadaan tugas berubah. Sembilan agen yang diuji meraih skor 19,2–45,1.
Pustaka Python Concordat menolak tindakan agen AI yang melanggar alur aturan. Pada uji 50 tugas maskapai, agen standar menabrak syarat konfirmasi pelanggan, Concordat tidak.
Delaware menyiapkan rancangan badan usaha yang dapat dikelola agen AI. Rep. James Comer menilai aturan itu bisa melindungi pemilik dari tanggung jawab atas tindakan ceroboh AI.
Tolok ukur MBABench-2.0 menguji agen AI membangun spreadsheet keuangan dari nol. Agen terbaik hanya mencapai tingkat lolos 16%, menurut pracetak arXiv.
GitHub menyebut merged pull request naik tiga kali lipat jadi 220 juta per bulan dalam Octoverse 2026. Simon Willison mengaitkan lonjakan ini dengan rekayasa berbasis agen AI.
OpenAI merilis dots, asisten AI yang terus bekerja di latar belakang. Eksekutifnya menyebut produk ini lahir dari alat pemrograman dan mengakui perlunya kontrol privasi lebih rinci.
Tolok ukur OpenGray menilai agen AI perencana radioterapi dari keputusannya mengajukan rencana atau meminta tinjauan. Skor agregat tinggi ternyata menutupi kegagalan spesifik. Masih pracetak.
Pracetak arXiv mengusulkan kerangka diagnosis banding multiagen yang dipandu ontologi medis agar penalaran AI lebih terstruktur dan dapat diaudit. Belum ditelaah sejawat.
Dua penulis Partnership on AI menulis opini di MIT Technology Review: agen AI perlu dipantau saat berjalan, bukan hanya diuji sebelum dirilis, dengan insiden agen OpenAI sebagai pijakan.
Pracetak arXiv memperkenalkan MCP-Injector untuk menguji agen AI saat alat MCP gagal. Penulisnya mengklaim model yang lebih besar tidak otomatis lebih tahan gangguan.
Pracetak arXiv menemukan 3.827 dari 11.189 hasil alat dalam sebuah agen AI terpotong sebelum dibaca model, padahal jendela konteks nyaris kosong. Studi ini belum ditelaah sejawat.
Pracetak arXiv menemukan model bahasa kerap tak selaras antara kebutuhan alat dan panggilannya: 26,5–54,0% pada aritmetika, 30,8–41,8% pada tanya-jawab faktual.
Pracetak di arXiv menguji tujuh LLM dari empat vendor: apakah agen AI bisa membedakan koreksi sah dari manipulasi saat pengguna membantah, dan bukan sekadar mudah mengalah.
Makalah pracetak menguji lima kerangka agen sains pada 50 permintaan kimia berbahaya dan mendapati pengaman model GPT tidak bertahan setelah dipasang ke agen.
Pracetak arXiv menguji apakah pengalaman agen AI di satu kantong protein berguna untuk target baru. Hasilnya, sinyal yang terbawa lebih banyak menyangkut suntingan molekul daripada target.
Pracetak arXiv TraceTrial-Bench menguji keandalan harness agen AI di tujuh komponen; dari 3.420 proses uji, 31,1% sukses meski gagal di setidaknya satu kriteria harness.
Wired melaporkan agen AI seperti Jayden, Sam Ellis, dan Zack Addy mengirim tawaran liputan ke editor. Para editor menolak, dan soal identitas serta verifikasi mencuat.
