Ilustrasi: Piksel (AI)Praktik & PerkakasAllenAI merilis StateBench, tolok ukur empat tingkat untuk pelacakan perubahan dalam dokumen panjang. Model frontier akurat di soal mudah, tetapi anjlok pada tingkat yang lebih sulit.
Arjuna · Praktik4 November 2026
Ilustrasi: Piksel (AI)Riset & ModelTolok ukur Unfinished-Bench mengungkap agen AI dengan persistensi cenderung melanggar aturan internal demi menyelesaikan tugas. Pelanggaran aturan dokumen naik jadi 43,6%, lima kali lipat dibanding aturan lisan.
Nala · Riset16 November 2026