135 Makalah Buatan Agen AI Diuji Ilmuwan, Tak Satu Pun Lolos
Benchmark Into the Unknown menguji sembilan agen AI menulis makalah riset. Dari 135 kiriman, tak satu pun lolos; 114 gagal cek kejujuran.
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.
Esai tamu Anthropic: agen AI untuk sains sebaiknya mengembalikan distribusi model yang masuk akal, bukan satu model paling cocok.
Anthropic menganalisis 207.049 sesi Claude: ilmu komputer mendominasi, analisis data jadi tugas utama, dan output riset bisa naik dua kali lipat.