# Artikel Terkait Manipulasi

Pusat Berita HTX menyediakan artikel terbaru dan analisis mendalam mengenai "Manipulasi", mencakup tren pasar, pembaruan proyek, perkembangan teknologi, dan kebijakan regulasi di industri kripto.

Ujian "Gaokao" untuk Kecerdasan Bertubuh Sulit Gila, Manusia 100 Poin, Model Terkuat Hanya 12.8

"Ujian Akhir" Kecerdasan Embodied (Embodied AI) Terlalu Sulit, Manusia 100 Poin, Model Terkuat Hanya 12.8 Kemajuan robotika dengan model AI besar (VLA, model dasar robot) sering tampak mulus dalam demo, namun kemampuan sebenarnya dalam melakukan tugas umum tetap menjadi pertanyaan besar. RoboDojo, tolok ukur evaluasi baru yang dikembangkan oleh tim akademis, memberikan "peta pendakian" yang lebih jelas. Ini adalah benchmark terpadu yang mengevaluasi 30 strategi robot utama di 42 tugas simulasi dan 18 tugas robot fisik nyata. Fokusnya adalah menguji lima kemampuan inti: generalisasi (beradaptasi dengan latar, pencahayaan, dan objek baru), memori, presisi (operasi halus seperti memasang), eksekusi multi-langkah panjang, dan pemahaman semantik terbuka terhadap instruksi baru. Hasilnya menunjukkan jurang yang dalam. Di simulasi, model terbaik (Hy-Embodied-0.5-VLA) hanya mencapai tingkat keberhasilan rata-rata 8.80%. Di dunia nyata, kinerja bahkan lebih menantang: model teratas (π0.5) hanya mencapai 12.8% keberhasilan. Sebagai perbandingan, ahli manusia mencapai 76.03% di simulasi dan 100% di dunia nyata. RoboDojo mengungkap bahwa model robot saat ini belum stabil dan andal. Mereka mungkin pandai dalam satu aspek (misalnya, pengenalan visual atau perencanaan), tetapi gagal dalam aspek lainnya (seperti presisi fisik atau pemahaman semantik terbuka). Penurunan kinerja yang signifikan dari simulasi ke dunia nyata juga menyoroti tantangan ketidakpastian fisik, noise sensor, dan kesalahan kalibrasi. Platform ini, dilengkapi dengan infrastruktur XPolicyLab untuk integrasi model yang terstandarisasi dan sistem evaluasi robot fisik (RoboDojo-RealEval) yang dapat direproduksi, bertujuan untuk menjadi "papan peringkat" komunitas yang obyektif. Dengan demikian, RoboDojo tidak hanya mendiagnosis kelemahan saat ini tetapi juga menyediakan jalur terukur untuk kemajuan menuju robot operasi yang benar-benar serbaguna dan dapat diandalkan.

marsbit07/08 11:53

Ujian "Gaokao" untuk Kecerdasan Bertubuh Sulit Gila, Manusia 100 Poin, Model Terkuat Hanya 12.8

marsbit07/08 11:53

ANSEM Naik 3 Kali Lipat dalam Seminggu: Kebangkitan dan Jebakan Meme Solana

ANSEM, sebuah meme coin di Solana, melonjak hampir 299% dalam seminggu, memicu kebangkitan minat pada meme coin di ekosistem tersebut. Data dari DeFiLlama menunjukkan peningkatan signifikan dalam volume perdagangan mingguan di platform seperti Pump.fun, dengan meme coin kembali menyumbang lebih dari 20% volume perdagangan mingguan Solana untuk pertama kalinya sejak pertengahan Mei. Namun, di balik tren pemulihan ini tersembunyi risiko besar. Lingkungan perdagangan meme coin sangat cepat dan tidak setara. Robot sniper dan dompet canggih seringkali mengakumulasi sejumlah besar token segera setelah peluncuran, hanya untuk menjualnya saat investor retail masuk, menjadikan para pendatang baru sebagai pihak yang menanggung kerugian. Penelitian dari Galaxy menunjukkan rata-rata waktu holding meme coin saat ini hanya 100 detik, jauh lebih cepat dari siklus sebelumnya. Laporan akademis dan data dari platform seperti MemeTrans mengungkapkan bahwa sebagian besar proyek meme coin memiliki tingkat manipulasi yang tinggi, dengan akun terkoordinasi sering mengendalikan persentase supply yang besar, dan banyak token menunjukkan tanda-tanda wash trading atau pump artifisial. Kebangkitan yang dipicu ANSEM menimbulkan pertanyaan: apakah ini tanda awal pemulihan berkelanjutan atau sekadar fenomena sementara? Pemulihan berkelanjutan memerlukan volume perdagangan harian yang konsisten tinggi dan pangsa meme coin yang mendekati 30% di Solana. Jika sebaliknya, perhatian mungkin tersebar ke banyak tiruan (copycat), volume perdagangan turun, dan minat beralih kembali ke aset kripto utama, menjadikan ANSEM sekadar sorotan sesaat. Sementara meme coin di Solana terbukti kuat dalam menarik perhatian dan pengguna baru, industri perlu menemukan cara untuk memutus siklus manipulasi oleh robot dan pemain besar agar tidak terus merugikan investor retail.

Foresight News07/08 11:11

ANSEM Naik 3 Kali Lipat dalam Seminggu: Kebangkitan dan Jebakan Meme Solana

Foresight News07/08 11:11

Robot Belajar Operasi dari Video, UC Berkeley Pertama Kali Menghubungkan Video Internet dengan Penerapan pada Robot Tangan Lincah di Dunia Nyata

**Ringkasan: Robot Belajar dari Video untuk Operasi Manual, Peneliti UC Berkeley Pertama Kali Menerapkan Jaringan dari Video Internet ke Penerapan Aktual pada Tangan Robot Lincah** Peneliti UC Berkeley memperkenalkan metode "Do as I Do," sebuah alur kerja yang pertama kali berhasil mengubah video RGB monokular sehari-hari manusia menjadi lintasan gerak yang dapat dieksekusi oleh tangan robot lincah Sharpa Wave. Penelitian ini mengatasi tantangan utama: mengubah data video yang berisik menjadi instruksi yang dapat dijalankan robot. Prosesnya terdiri dari dua tahap: 1. **Pelacakan 4D Tangan-Benda yang Stabil:** Menggunakan model difusi terpandu untuk merekonstruksi interaksi tangan-benda dari video, mempertahankan kontinuitas dan mengurangi kesalahan. 2. **Pengalihan Aksi yang Tangguh:** Memodifikasi metode pengalihan aksi (seperti SPIDER) dengan penyesuaian agar dapat memproses lintasan referensi yang berisik dari video, meningkatkan tingkat keberhasilan dari 25% menjadi 71%. Sistem ini telah menghasilkan 500 lintasan gerak yang divalidasi untuk 20 jenis operasi seperti menulis, menuang, mengaduk, dan memalu. Lintasan ini telah berhasil dijalankan pada platform robot nyata dengan lengan UR3e ganda dan sepasang tangan Sharpa Wave (22 derajat kebebasan). Penelitian ini juga menyoroti bahwa tidak semua video internet dapat langsung digunakan. Analisis menunjukkan bahwa hanya sekitar 5% dari klip video yang disaring untuk interaksi tangan-benda yang benar-benar dapat diproses menjadi data robot yang andal, menekankan pentingnya penyaringan data yang cermat. Pada intinya, "Do as I Do" mengubah video manusia menjadi kumpulan data operasi berskala besar untuk robot, membuka jalur baru bagi robot untuk belajar dari banyaknya video yang ada di internet.

marsbit07/06 07:22

Robot Belajar Operasi dari Video, UC Berkeley Pertama Kali Menghubungkan Video Internet dengan Penerapan pada Robot Tangan Lincah di Dunia Nyata

marsbit07/06 07:22

Memecore Rebut Kembali ke Level $1, Namun Faktor-Faktor Ini Mungkin Membatasi Rally

Memecoin Memecore [M] telah meroket 54% dalam 24 jam, mendorong harganya kembali di atas level psikologis $1 dan kapitalisasi pasarnya melampaui $1 miliar. Namun, kenaikan ini diwarnai skeptisisme karena likuiditas perdagangan yang tipis dan tuduhan manipulasi pasar. Koreksi tajam 80% pekan lalu terjadi hanya dengan volume perdagangan $21 juta, tanpa katalis jelas. Analisis teknis pada kerangka waktu 1 hari masih menunjukkan momentum bearish, dengan indikator seperti Awesome Oscillator di bawah nol. Meski kembali ke atas $1, zona resisten $1.20-$1.30 dianggap sebagai hambatan bearish yang signifikan, yang sebelumnya berperan sebagai zona support kunci. Traders disarankan untuk tidak membeli atau tetap menunggu di pinggir karena volatilitas tinggi dan tekanan jual yang berpotensi berlanjut. Zona $1.20-$1.30 dapat menjadi area untuk memantau kembalinya tekanan jual sebelum pergerakan bearish berikutnya dimulai.

ambcrypto07/01 22:34

Memecore Rebut Kembali ke Level $1, Namun Faktor-Faktor Ini Mungkin Membatasi Rally

ambcrypto07/01 22:34

Tim NVIDIA Membuat Agent Pemrograman Mengambil Alih Eksperimen Robot Nyata, Tingkat Keberhasilan Mencapai 99%

Penelitian otomatis telah melampaui sandbox kode dan memasuki dunia fisik nyata. NVIDIA GEAR Lab, dipimpin Jim Fan, memperkenalkan proyek ENPIRE yang memungkinkan **penelitian otomatis pertama kali diimplementasikan pada perangkat keras robot**. Delapan Codex Agent ditempatkan dalam armada robot dengan alokasi daya komputasi GPU dan anggaran token, diberi tujuan sederhana: menyelesaikan tugas secepatnya, menjaga robot tetap sibuk namun aman, serta tidak menyia-nyiakan daya komputasi. Manusia kemudian mundur dari intervensi. Agent secara mandiri menggerakkan siklus tertutup penuh: mereset ulang skenario, menelusuri literatur, mengimplementasikan ide dan membangun infrastruktur, melatih dan menerapkan strategi, memvalidasi diri, menganalisis log serta memperbaiki kode, beriterasi terus hingga tugas ketangkasan presisi tinggi seperti mengikat kabel, merapikan pin dalam kotak, atau memasang GPU dapat diselesaikan andal di perangkat keras nyata dengan **tingkat keberhasilan 99%**. Sistem ENPIRE terdiri dari empat modul inti yang membentuk loop umpan balik fisik: Environment (EN), Policy Improvement (PI), Rollout (R), dan Evolution (E). Penelitian menemukan bahwa **mereset lingkungan sering kali lebih mudah daripada menyelesaikan tugas itu sendiri**. Peningkatan paralelisme robot (dari sedikit menjadi 8 unit) mempercepat penyelesaian tugas secara signifikan, menunjukkan "hukum penskalaan fisik". Tim juga memperkenalkan metrik baru: Mean Robot Utilization (MRU) dan Mean Token Utilization (MTU), yang mengungkapkan bahwa waktu menganggur robot dan efisiensi konversi token menjadi kemajuan penelitian adalah kendala nyata. Beberapa sistem lab telah mampu beriterasi mandiri semalaman tanpa campur tangan manusia. Tujuan masa depan adalah memungkinkan tim berlibur dengan tenang sementara lab terus berjalan secara otonom. Proyek ENPIRE rencananya akan sepenuhnya sumber terbuka.

marsbit06/18 00:37

Tim NVIDIA Membuat Agent Pemrograman Mengambil Alih Eksperimen Robot Nyata, Tingkat Keberhasilan Mencapai 99%

marsbit06/18 00:37

Pertama Kali: Pra-pelatihan VLA Murni dari Video Manusia untuk Operasi Cekatan, Dapat Diterapkan Hanya dengan Sedikit Data untuk Fine-tuning

Riset kolaboratif dari Microsoft Asia Research dan Universitas Tsinghua memperkenalkan kerangka pra-pelatihan VITRA, yang pertama kali memanfaatkan video aktivitas manusia skala besar untuk pra-pelatihan model Vision-Language-Action (VLA) dalam manipulasi lincah. Inti inovasinya adalah solusi otomatis untuk mengubah video manusia tanpa anotasi menjadi data V-L-A terstruktur. Melalui ekstraksi jejak gerakan 3D tangan, segmentasi aksi atomik berdasarkan kecepatan, dan pembuatan instruksi bahasa dengan GPT-4, dibangun dataset besar berisi 1 juta klip. Model VLA, dengan arsitektur gabungan VLM (PaliGemma-2) dan Diffusion Action Expert, menunjukkan kemampuan prediksi gerakan **zero-shot** yang kuat di lingkungan tak terlihat. Setelah penyetelan halus (**fine-tuning**) hanya dengan sekitar 1.2K data robot nyata, model berhasil diterapkan pada robot lengan lengkap dengan tangan lincah (seperti Realman dengan XHAND1), mencapai tingkat keberhasilan tinggi dalam tugas seperti mengambil, menempatkan, menuang, dan menyapu, serta menunjukkan **kemampuan generalisasi dan ketangguhan** yang luar biasa terhadap objek dan latar belakang baru. Penelitian ini juga mengungkap **hukum penskalaan (_scaling law_)** antara jumlah data pra-pelatihan dan peningkatan kinerja. Dukungan perangkat keras dari tangan lincah XHAND1, dengan model URDF presisi tinggi dan arsitektur penggerak langsung (_direct-drive_), memungkinkan alih ruang gerak manusia-robot dan eksekusi yang responsif. Karya terobosan ini membuka jalan bagi pelatihan model VLA yang lebih efisien dan dapat digeneralisasi, menggunakan data video manusia yang melimpah, mendekatkan pada realisasi kecerdasan berwujud (_embodied AI_) yang lincah dan adaptif.

marsbit06/08 08:57

Pertama Kali: Pra-pelatihan VLA Murni dari Video Manusia untuk Operasi Cekatan, Dapat Diterapkan Hanya dengan Sedikit Data untuk Fine-tuning

marsbit06/08 08:57

Pengering Rambut Bisa Hasilkan $34.000? Mengurai Paradoks Refleksivitas Pasar Prediktif

Penulis: Changan I Biteye Ringkasan: Seorang pria memanipulasi sensor cuaca di Bandara Charles de Gaulle Paris dengan pengering rambut, memengaruhi hasil pasar prediksi Polymarket dan menghasilkan $34.000. Artikel ini membahas paradoks refleksif dalam pasar prediksi: ketika pasar dirancang untuk mencerminkan realitas, ia justru memberi insentif bagi peserta untuk memanipulasi hasil. Tiga poin utama: 1. Jenis pasar yang paling rentan manipulasi (misalnya, pasar cuaca yang bergantung pada satu sumber data fisik). 2. Contoh manipulasi: insider trading (staf MrBeast, militer Israel), manipulasi oleh pelaku utama (Andrew Tate), dan aksi individu (melempar mainan di lapangan WNBA). 3. Perbedaan respons platform: Kalshi menerapkan KYC dan penegakan hukum ketat, sementara Polymarket cenderung toleran terhadap informasi insider. Paradoks inti: Pasar prediksi bertujuan mengungkap kebenaran, tetapi insentif finansialnya justru mendorong partisipan mengubah realitas. Semakin sukses pasar, semakin besar risiko manipulasi.

marsbit04/25 03:26

Pengering Rambut Bisa Hasilkan $34.000? Mengurai Paradoks Refleksivitas Pasar Prediktif

marsbit04/25 03:26

Audit Kontrak Lulus, Termometer Tidak: Momen 'Kerentanan Fisik' Polymarket

Menurut laporan, sensor suhu di Bandara Paris Charles de Gaulle dua kali dimanipulasi pada 6 dan 15 April, menyebabkan lonjakan suhu singkat yang tidak wajar. Pelaku, yang diduga menggunakan alat pemanas portabel seperti hair dryer, sebelumnya telah membeli opsi taruhan dengan probabilitas kecil di Polymarket. Dengan modal hanya puluhan dolar, mereka berhasil mengambil keuntungan sekitar $34.000. Polymarket tidak membatalkan hasil atau mengeluarkan pernyataan resmi, tetapi diam-diam mengganti sumber data penyelesaian pasar dari Bandara Charles de Gaulle (LFPG) ke Bandara Le Bourget (LFPB) — yang juga memiliki kerentanan fisik serupa. Insiden ini menyoroti kelemahan mendasar: kontrak pintar yang teraudit tidak dapat menjamin keaslian data input yang berasal dari sensor fisik yang tidak terlindungi.

marsbit04/23 04:42

Audit Kontrak Lulus, Termometer Tidak: Momen 'Kerentanan Fisik' Polymarket

marsbit04/23 04:42

Harga 200 Dolar untuk Membeli Star, Tipu VC Jutaan Dolar: Seluruh Rantai Industri Palsu GitHub Star Terbongkar

Menurut penelitian dari Universitas Carnegie Mellon, sekitar 6 juta bintang (Star) palsu terdeteksi di GitHub, melibatkan 18.600 repositori dan 301.000 akun. Proyek AI/LLM menjadi kategori terbesar yang menggunakan bintang palsu secara non-jahat. Pasar bintang palsu menawarkan harga serendah $0,03 per bintang, sementara data Redpoint Ventures menunjukkan bahwa proyek seed stage memiliki median 2.850 bintang—hanya dengan $200, seseorang dapat "membeli" popularitas palsu untuk memenuhi standar pendanaan. VC menggunakan jumlah bintang sebagai kriteria seleksi proyek, menciptakan siklus di mana startup membeli bintang untuk menarik investasi. GitHub menghapus repositori yang terdeteksi, tetapi hanya 57,07% akun pelaku yang ditindak. Laporan ini menyerukan sistem penilaian yang lebih berbobot untuk menggantikan penghitungan bintang mentah.

marsbit04/21 03:01

Harga 200 Dolar untuk Membeli Star, Tipu VC Jutaan Dolar: Seluruh Rantai Industri Palsu GitHub Star Terbongkar

marsbit04/21 03:01

Pump Mata Uang Kripto Altcoin, Apakah Bull Market Sudah Kembali?

Bitcoin relatif stabil, sementara altcoin dengan kapitalisasi pasar kecil mengalami lonjakan drastis—beberapa bahkan naik 3-10x dalam beberapa hari. Namun, ini bukan pertanda bull market sebenarnya. Analisis menunjukkan total pasar altcoin (tidak termasuk BTC dan ETH) telah turun 40% sejak Desember 2024, membuat kapitalisasi pasar terkikis hingga sekitar $700 miliar. Penurunan ini menciptakan kerentanan: dengan lebih sedikit uang, pihak tertentu dapat mengendalikan harga token berkapitalisasi sangat kecil (seperti SIREN, yang 66.5% supply-nya dikuasai segelintir dompet). Mereka memanipulasi harga, memicu pump, lalu menjualnya. Mekanisme lain yang memperburuk situasi adalah likuidasi short seller (pemburu short). Saat harga naik, para short seller terpaksa menutup posisi dengan membeli, yang justru mendorong harga lebih tinggi lagi. Biaya funding rate negatif ekstrem (bisa mencapai -0.3% per 8 jam) mempercepat kerugian mereka. Data seperti Altseason Index (34/100) dan BTC Dominance (58.5%) mengonfirmasi bahwa ini adalah permainan uang yang sudah ada (zero-sum), bukan aliran modal baru. Dana institusi melalui ETF masih berpusat pada Bitcoin, belum beralih ke altcoin. Kesimpulannya, kenaikan Bitcoin mencerminkan sinyal makro yang potensial, sedangkan pump pada altcoin kecil hanyalah gema dari manipulasi dalam pasar yang lesu dan sangat berisiko.

marsbit04/17 06:28

Pump Mata Uang Kripto Altcoin, Apakah Bull Market Sudah Kembali?

marsbit04/17 06:28

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow