Concordat batasi agen AI hanya pada langkah yang sah menurut aturan
Pustaka Python Concordat menolak tindakan agen AI yang melanggar alur aturan. Pada uji 50 tugas maskapai, agen standar menabrak syarat konfirmasi pelanggan, Concordat tidak.
#pracetak
7 artikel
Peneliti padukan ontologi medis dan banyak agen AI untuk diagnosis banding
Pracetak arXiv mengusulkan kerangka diagnosis banding multiagen yang dipandu ontologi medis agar penalaran AI lebih terstruktur dan dapat diaudit. Belum ditelaah sejawat.
Pracetak arXiv Klaim Model AI Lebih Besar Tak Otomatis Tahan Gangguan Alat MCP
Pracetak arXiv memperkenalkan MCP-Injector untuk menguji agen AI saat alat MCP gagal. Penulisnya mengklaim model yang lebih besar tidak otomatis lebih tahan gangguan.
Sepertiga keluaran alat pada agen AI terpotong sebelum dibaca model
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.
Studi: Model Bahasa Kerap Tahu Butuh Alat tetapi Tidak Bertindak Sesuai
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.
Studi uji apakah pengalaman agen AI perancang obat bisa dipakai di protein lain
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.
Tolok ukur TraceTrial-Bench menguji keandalan harness agen AI, bukan hanya modelnya
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.