Agen Coding AI Terbaik Cuma Tuntaskan 26,4 Persen Tugas Nyata
GPT-6 Astra, model terbaik di uji Co-Design Bench, hanya menyelesaikan penuh 26,4 persen dari 273 tugas coding nyata.
GPT-6 Astra, model terbaik di uji Co-Design Bench, hanya menyelesaikan penuh 26,4 persen dari 273 tugas coding nyata.
Benchmark Into the Unknown menguji sembilan agen AI menulis makalah riset. Dari 135 kiriman, tak satu pun lolos; 114 gagal cek kejujuran.
Studi Andy Hall: GPT-5 menangkap 98 persen kasus reward hacking di log agen AI, tapi makin ketat pengawasan, makin banyak alarm palsu.
Run-rate pendapatan Anthropic tembus US$80 miliar pada akhir Oktober, tapi tiga investor besar menilai valuasi IPO US$1,5 triliun terlalu tinggi.
Claude Code di Pro, Max, dan Ultra kini menyiapkan sendiri dependensi, akses jaringan, dan API key untuk sesi cloud. Kunci aman, tak terlihat Claude.
Riset Apiiro menemukan 1.122 salinan file settings.local.json Claude Code di GitHub publik berisi kata sandi dan kunci API. Begini cara kebocorannya.
Esai tamu Anthropic: agen AI untuk sains sebaiknya mengembalikan distribusi model yang masuk akal, bukan satu model paling cocok.
DeepSeek V4.1 Flash menyelesaikan 73% tugas peretasan simulasi Vals, dekat dengan GPT-6 Sol Daybreak OpenAI yang 81%, dengan biaya sepersepuluhnya.
Anthropic menganalisis 207.049 sesi Claude: ilmu komputer mendominasi, analisis data jadi tugas utama, dan output riset bisa naik dua kali lipat.
Anthropic mempublikasikan riset memori agen Claude: proses dreaming meninjau catatan lama, memperbaiki kesalahan, dan menyusun wiki pengetahuan.