# Artikel Terkait Optimalisasi

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

Pengungkapan Keuangan Trump Mengajarkan Strategi Optimisasi Pajak yang Paling Diremehkan

Laporan keuangan AS yang baru-baru ini dirilis mengungkapkan bahwa mantan Presiden Donald Trump memegang aset kripto bernilai puluhan juta dolar tanpa membayar pajak besar saat ini. Kunci strateginya adalah prinsip yang berlaku bagi semua investor kripto: **pajak biasanya baru terutang ketika aset dijual, bukan sekadar dipegang saat nilainya naik.** Dokumen tersebut menunjukkan Trump memiliki Bitcoin senilai lebih dari $50 juta dan Ethereum senilai $5-25 juta di dompet dingin. Keuntungan dari kenaikan harga ini adalah "keuntungan belum direalisasi" dan, menurut hukum pajak AS, tidak dikenai pajak penghasilan modal hingga aset tersebut dijual, diperdagangkan, atau dibuang. Penangguhan pajak ini bisa berlangsung tanpa batas waktu. Namun, tidak semua pendapatan kripto bisa ditangguhkan. Trump melaporkan pendapatan hadiah staking Ethereum sebesar $510,808, yang oleh IRS diperlakukan sebagai **pendapatan biasa** dan dikenai pajak pada tahun diterimanya. Demikian pula, bunga dari stablecoin USDC yang dipegangnya dikenai pajak sebagai pendapatan biasa. Laporan itu juga mencakup royalti dari koin meme dan penjualan token yang dikaitkan dengan Trump, yang semuanya dikenai pajak sebagai pendapatan biasa atau penghasilan modal pada saat diterima atau dijual. Inti pengungkapannya adalah strategi optimisasi pajak yang paling sederhana namun sering diabaikan: **menahan aset yang terapresiasi.** Selama investor tidak menjual aset kripto mereka, mereka tidak akan memicu peristiwa kena pajak, sehingga dapat menunda kewajiban pajak keuntungan modal tanpa batas waktu. Strategi penangguhan pasif ini tersedia bagi semua investor, terlepas dari ukuran portofolio mereka.

marsbit07/03 09:19

Pengungkapan Keuangan Trump Mengajarkan Strategi Optimisasi Pajak yang Paling Diremehkan

marsbit07/03 09:19

Pelaporan Keuangan Trump Mengajarkan Strategi Optimisasi Pajak yang Paling Diremehkan

Laporan keuangan Donald Trump yang baru dirilis mengungkapkan strategi optimalisasi pajak crypto yang sering diabaikan: menunda pajak dengan tidak menjual aset. Inti strateginya adalah **penundaan pajak keuntungan modal tanpa batas waktu**. Trump memegang Bitcoin senilai lebih dari $50 juta dan Ethereum senilai $5-25 juta di dompet dingin. Menurut hukum pajak AS, kenaikan nilai ("keuntungan belum direalisasi") ini tidak dikenai pajak sampai aset dijual, diperdagangkan, atau dibuang. Prinsip yang sama berlaku untuk semua investor crypto, terlepas dari besarnya portofolio. Namun, **pendapatan aktif dikenai pajak pada tahun diterima**. Trump melaporkan: * **$510,808 dari hadiah staking Ethereum** di Coinbase, diperlakukan sebagai pendapatan biasa. * **$45,932 bunga dari memegang USDC**, juga merupakan pendapatan biasa. * **$635 juta royalti dari koin meme dan NFT**, serta **$236,25 juta dari penjualan token**, semuanya dikenai pajak sebagai pendapatan biasa atau keuntungan modal (tergantung lama kepemilikan). Kesimpulannya, strategi paling sederhana dan efektif adalah **membiarkan aset yang terapresiasi tetap tidak terjual untuk menunda kewajiban pajak**. Pajak hanya akan terpicu saat terjadi penjualan.

Foresight News07/03 07:53

Pelaporan Keuangan Trump Mengajarkan Strategi Optimisasi Pajak yang Paling Diremehkan

Foresight News07/03 07:53

Panduan Penggunaan Mode Goal Codex: Cara Agar AI Terus Mendukung Tujuan Spesifik

Panduan menggunakan mode tujuan (goal mode) atau /goal pada Codex: Cara agar AI dapat terus mendorong pencapaian tujuan spesifik. Mode ini mengubah peran alat pemrograman AI dari asisten kode yang merespons perintah satu kali menjadi agen eksekusi yang dapat bekerja secara berkelanjutan untuk mencapai tujuan yang jelas. Kunci utama adalah menetapkan kriteria keluar yang jelas dan dapat diverifikasi, seperti "mengurangi waktu penerapan 30%" atau "mencapai cakupan tes 100%". Hal ini membantu Codex menilai apakah tugas telah selesai dan menghindari percobaan tanpa akhir pada tujuan yang ambigu. Pengguna juga perlu memberikan arahan, alat, dan lingkungan yang realistis agar Codex dapat mengukur kemajuan dan memvalidasi hasil. Untuk tugas visual, disarankan menghindari target seperti "reproduksi UI 100% pixel sempurna". Lebih baik uraikan menjadi daftar fungsionalitas, spesifikasi sistem desain, dan metrik yang dapat dinilai. Untuk tugas jangka panjang (beberapa jam hingga hari), penting untuk melacak kemajuan melalui commit, draft PR, dokumen progres, atau pembaruan Slack. Mode tujuan mendefinisikan ulang AI pemrograman dari sekadar "menulis prompt" menjadi "mengelola pelaksana teknik yang bekerja terus-menerus". Kemampuan inti developer bergeser menjadi mendefinisikan tujuan, membangun sistem pengukuran, mengonfigurasi lingkungan eksekusi, serta melakukan tinjauan dan refleksi akhir.

marsbit06/06 08:13

Panduan Penggunaan Mode Goal Codex: Cara Agar AI Terus Mendukung Tujuan Spesifik

marsbit06/06 08:13

Peneliti Ethereum Foundation: Hari Kuantum Akan Tiba, Rencanakan Migrasi Tahan Kuantum Selesai Tahun 2029

**Judul Riset: Hari Kuantum (Q-Day) Mendekat, Ethereum Targetkan Migrasi Tahan Kuantum pada 2029** Pada 31 Maret, tim Google Quantum AI menerbitkan terobosan signifikan dalam algoritma Shor untuk kriptografi kurva eliptis, meningkatkan efisiensi 10x. Mereka menggunakan kurva secp256k1 (dasar tanda tangan Bitcoin/Ethereum) sebagai demonstrasi, menjadi peringatan bagi industri blockchain. Uniknya, detail teknis optimasi ini dirahasiakan dan hanya divalidasi menggunakan bukti tanpa pengetahuan (ZK), sebuah preseden dalam publikasi akademik yang melibatkan koordinasi dengan pemerintah AS. Namun, upaya pembatasan informasi ini memicu "Efek Streisand". Hanya dalam dua bulan, peneliti Prancis André Schrottenloher berhasil mereproduksi logika inti optimasi tersebut. Selain itu, tantangan open-source global (ecdsa.fail) diluncurkan dan dengan cepat memecahkan rekor optimasi algoritma Shor, bahkan melibatkan kontribusi dari amatir dan AI. Di sisi lain, perusahaan startup Oratomic menerbitkan penelitian yang menyimpulkan bahwa dengan arsitektur fisik atom netral, hanya diperlukan 10.000 qubit fisik untuk menjalankan algoritma Shor dan memecahkan kriptografi secp256k1 — angka yang sangat rendah dan mengganggu. Teknologi atom netral ini dianggap layak dan didukung oleh lab baru Google. Berdasarkan analisis informasi publik dan rahasia, penulis memperkirakan ada peluang 50% Hari Kuantum (Q-Day — saat komputer kuantum memecahkan kriptografi komersial) akan tiba sebelum 2032, dan peluang 10% sebelum 2030. Perkiraan resmi AS saat ini (2035) dianggap sudah tidak realistis. Menghadapi ancaman ini, respons panik bukanlah solusi. Migrasi terburu-buru ke kriptografi pascakuantum (PQC) yang belum matang justru berisiko. Tahun 2029 dinilai sebagai jendela waktu yang tepat untuk migrasi bertahap, sebuah target yang juga diadopsi oleh Google, Cloudflare, dan Yayasan Ethereum. Penulis, sebagai peneliti Yayasan Ethereum, saat ini berkonsentrasi pada persiapan migrasi penuh Ethereum ke PQC, yang mencakup lapisan konsensus (tanda tangan BLS), lapisan data (komitmen KZG), dan lapisan eksekusi (tanda tangan ECDSA). Rencananya akan dibangun di atas kriptografi berbasis hash. Yayasan Ethereum juga mengembangkan leanVM, zkVM yang sangat minimalis dan dirancang untuk keamanan tertinggi, serta menawarkan dua program hadiah $1 juta (Proximity Prize dan Poseidon Initiative) untuk mendorong inovasi dalam SNARK berbasis hash dan fungsi hash yang ramah-SNARK.

foresightnews_api06/05 04:09

Peneliti Ethereum Foundation: Hari Kuantum Akan Tiba, Rencanakan Migrasi Tahan Kuantum Selesai Tahun 2029

foresightnews_api06/05 04:09

Mampukah DeepSeek Menghemat 1 Triliun Dolar untuk China?

**Ringkasan Artikel: Apakah DeepSeek Dapat Menghemat 1 Triliun Dolar AS untuk China?** Artikel ini membahas bagaimana DeepSeek, melalui serangkaian inovasi teknologinya, berpotensi secara drastis menekan biaya infrastruktur AI China dan berpotensi menghemat investasi hingga triliunan dolar AS. **Tantangan: Biaya AI yang Melonjak** Biaya perangkat keras AI, terutama memori berbandwidth tinggi (HBM), sedang meroket. Misalnya, pada sistem AI canggih NVIDIA Vera Rubin, biaya komponen memori saja mencapai sekitar $2 juta dan telah naik 435% dalam setahun. **Solusi DeepSeek: Tiga Inovasi Utama** DeepSeek mendekati masalah ini dengan tiga terobosan teknis utama untuk meningkatkan efisiensi token perangkat keras hingga 4 kali lipat: 1. **Kompresi Memori (KV Cache):** Melalui **Multi-head Latent Attention (MLA)**, DeepSeek mengompres "memori" konteks panjang model secara signifikan (hingga 90%+ pengurangan) tanpa mengorbankan kualitas, mengurangi ketergantungan pada HBM yang mahal. 2. **Aktivasi "Tubuh" Model Sesuai Kebutuhan:** Menggunakan arsitektur **Mixture of Experts (MoE)**, model hanya mengaktifkan sebagian kecil dari total parameternya untuk setiap tugas. Ini seperti hanya memanggil dokter spesialis yang relevan, bukan seluruh rumah sakit. 3. **Cache dan Penggunaan Ulang:** Hasil komputasi yang sudah dihitung disimpan dan digunakan kembali (cache hit), menghindari perhitungan berulang yang mahal. DeepSeek menerapkan ini bahkan dalam struktur harga layanannya. **Dampak dan Potensi Penghematan** Efisiensi ini mengubah ekonomi infrastruktur AI: * **Pengurangan Biaya Operasional:** Untuk tugas tertentu (misalnya, membaca ulang kode panjang), biaya menggunakan DeepSeek V4-Pro bisa **100 kali lebih murah** dibandingkan model seperti GPT-5.5 atau Claude Opus. * **Penghematan Infrastruktur Berskala Besar:** Artikel memperkirakan, dengan peningkatan efisiensi 4x, untuk memenuhi permintaan token harian masa depan China yang mencapai ribuan triliun, pendekatan DeepSeek berpotensi menghemat investasi setara dengan **puluhan ribu pusat komputasi cerdas**, yang nilainya bisa mendekati **$1 triliun**. * **Pergeseran Strategis:** Alih-alih hanya bergantung pada chip komputasi canggih (di mana China tertinggal), DeepSeek mengalihkan beban ke manajemen memori, cache, dan rekayasa sistem — area di mana industri China seperti produsen memori DRAM (contoh: CXMT) semakin kompetitif. Ini meningkatkan keamanan rantai pasokan. **Kesimpulan** DeepSeek tidak menghilangkan kebutuhan akan perangkat keras canggih, tetapi secara radikal mengurangi ketergantungan marjinal padanya. Dengan membuat AI lebih terjangkau melalui efisiensi teknis mendalam, DeepSeek berpotensi membentuk ulang buku besar infrastruktur AI China, menghemat investasi besar, dan yang terpenting, membuat daya AI dapat diakses oleh industri luas di China. *(Catatan: Artikel ini didasarkan pada analisis industri dan proyeksi, bukan fakta yang sudah pasti.)*

marsbit06/03 00:52

Mampukah DeepSeek Menghemat 1 Triliun Dolar untuk China?

marsbit06/03 00:52

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

**Ringkasan:** Xiaomi MiMo memotong harga API MiMo-V2.5 hingga **99%**, memicu spekulasi tentang perang harga atau strategi merugi. Luo Fuli, kepala MiMo, merespons dengan mempublikasikan blog teknis 5000 kata yang merinci **enam pilar teknikal** di balik potongan harga besar ini. Intinya, diskon 99% terutama untuk **Input (Cache Hit)** – bagian dimana pengguna membaca ulang konteks historis dalam percakapan panjang. Ini menjadi mungkin karena serangkaian optimasi teknikal yang mengubah biaya komputasi untuk bagian tersebut mendekati nol. **Enam Pilar Teknikal:** 1. **Arsitektur Hybrid SWA:** Menggunakan Sliding Window Attention di sebagian besar lapisan model, mengurangi volume **KVCache** (memori jangka pendek model) hingga **1/7**. 2. **Manajemen KVCache Dua Kolam:** Mengalokasikan memori secara terpisah untuk lapisan SWA dan Full Attention, benar-benar mewujudkan penghematan teoretis 1/7 dan meningkatkan jumlah pengguna yang dapat dilayani secara bersamaan. 3. **Prefix Cache yang Dioptimalkan:** Meningkatkan aturan pencocokan cache untuk arsitektur SWA, menghasilkan **tingkat keberhasilan cache 93-95%** untuk pembacaan ulang. Artinya, sebagian besar permintaan "baca ulang" tidak memerlukan komputasi GPU baru. 4. **Sistem Cache Terdistribusi GCache:** Menyimpan data cache di **SSD bawaan mesin GPU**, menghilangkan biaya penyimpanan cluster khusus dan memperpanjang masa hidup cache. 5. **Sistem Penjadwalan LLM-Router:** Mengarahkan permintaan secara cerdas berdasarkan kesamaan prefix dan panjang konteks, memprioritaskan permintaan yang menggunakan cache, meningkatkan efisiensi dan mengurangi latensi. 6. **Multi-Token Prediction (MTP):** Mengoptimalkan proses generasi output model, mempercepat pembuatan respons dan melengkapi pengurangan biaya di sisi input. **Kesimpulan:** Penurunan harga 99% bukanlah gimmick pemasaran atau strategi merugi, tetapi hasil dari **efisiensi sistemik rekayasa AI** yang telah divalidasi di lingkungan produksi. Rantai optimasi ini secara kumulatif mengurangi biaya komputasi per permintaan hingga lebih dari 95%, memungkinkan penurunan harga ekstrem sambil mempertahankan profitabilitas. Luo Fuli menekankan bahwa ini adalah masalah teknikal yang terwujud, bukan sekadar perang harga.

marsbit05/31 10:40

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

marsbit05/31 10:40

Menghemat 3 Miliar Token dalam Seminggu, Panduan Caching Kode Claude oleh Insinyur Anthropic

**Panduan Menghemat Token dengan Cache di Claude Code: Tips dari Engineer Anthropic** Banyak pengguna Claude Code merasa kuota token cepat habis, terutama dalam sesi panjang. Namun, dari perspektif engineer Anthropic, biaya sebenarnya seringkali bukan ditentukan oleh banyaknya kode yang ditulis, melainkan oleh seberapa baik sistem dapat menggunakan kembali konteks yang sudah diproses. Inti artikel ini adalah cara menghemat token melalui mekanisme **cache**. Penulis berhasil menghemat lebih dari 300 juta token dalam seminggu, dengan 91 juta token di-cache dalam satu hari. Biaya token yang di-cache hanya **10%** dari biaya token input biasa, sehingga 91 juta token cache setara dengan biaya sekitar 9 juta token biasa. Sesi panjang Claude Code terasa lebih "tahan lama" karena konteks yang berulang berhasil digunakan kembali, bukan karena model bekerja gratis. **Bagaimana Cache Bekerja?** Cache beroperasi dengan prinsip **cocokkan awalan (prefix matching)**. Claude akan menyimpan lapisan konteks yang berbeda (sistem, proyek, percakapan) ke dalam cache. Selama awalan permintaan berikutnya tetap sama, Claude dapat membaca dari cache alih-alih memproses ulang seluruh konteks. **Hal Penting yang Perlu Diketahui:** * **Biaya:** Token cache hanya dikenakan biaya 10% dari token input biasa. * **Durasi Cache (TTL):** Untuk Claude Code berlangganan, cache bertahan **1 jam**. Untuk API default dan Sub-agent, TTL-nya **5 menit**. * **Lapisan Cache:** Terdiri dari lapisan sistem (instruksi dasar, alat), lapisan proyek (CLAUDE.md, aturan), dan lapisan percakapan (riwayat chat). **Kebiasaan untuk Mengoptimalkan Cache (95% Pengguna):** 1. **Jangan jeda terlalu lama:** Jika sesi menganggur lebih dari 1 jam, cache akan kedaluwarsa. Lebih baik mulai sesi baru dengan handoff yang jelas. 2. **Ganti tugas, mulai ulang:** Saat beralih tugas, lakukan reset bersih (misalnya dengan `/clear`) dan gunakan "session handoff" untuk meringkas progres sebelumnya ke sesi baru. Ini lebih efisien daripada memaksa melanjutkan sesi yang sudah "dingin". 3. **Untuk dokumen besar, gunakan Projects:** Di Claude.ai, masukkan dokumen besar ke dalam **Projects** alih-alih menempelkannya berulang kali di chat, karena Projects memiliki optimasi cache yang lebih baik. **Aktivitas yang Merusak Cache:** * **Beralih model** (misalnya dari Sonnet ke Opus) akan menghapus cache karena setiap model memiliki cache sendiri. * **Mengaktifkan mode "Opus plan"** juga melibatkan pergantian model (dari Opus ke Sonnet) sehingga mereset cache. * Mengedit CLAUDE.md di tengah sesi *tidak* langsung merusak cache saat itu; perubahan akan berlaku saat sesi dimulai ulang. **Kesimpulan:** Anda tidak perlu memahami semua detail teknis cache. Fokus pada prinsip 80/20: token cache jauh lebih murah, TTL Claude Code adalah 1 jam, hindari pergantian model untuk menjaga cache, dan lakukan handoff yang rapi antar tugas untuk efisiensi maksimal. Dengan mengadopsi kebiasaan ini, Anda dapat memperpanjang sesi coding secara signifikan dan membuat kuota token lebih hemat.

marsbit05/24 00:39

Menghemat 3 Miliar Token dalam Seminggu, Panduan Caching Kode Claude oleh Insinyur Anthropic

marsbit05/24 00:39

Terobosan Hebat Kolaborasi AI! Stanford & NVIDIA Bersinergi Hilangkan Ketidakefisienan Komunikasi AI, Kecepatan Penalaran Meningkat 2.4 Kali

Peneliti dari UIUC, Stanford, NVIDIA, dan MIT mengusulkan RecursiveMAS, sistem baru yang memungkinkan beberapa agen AI berkolaborasi tanpa harus berkomunikasi melalui teks. Alih-alih menghasilkan bahasa alami, agen-agen tersebut langsung bertukar representasi vektor dalam "ruang laten", mirip seperti telepati. Metode tradisional menyebabkan "pajak bahasa" di mana setiap agen perlu menerjemahkan pemikiran internal menjadi teks dan sebaliknya, menghabiskan waktu, token, dan kehilangan informasi. RecursiveMAS menghilangkan langkah penerjemahan ini dengan modul RecursiveLink yang ringan, hanya melatih sekitar 0.31% parameter. Hasil pengujian pada berbagai tugas (matematika, kode, dll.) menunjukkan peningkatan akurasi rata-rata 8.3%, kecepatan inferensi hingga 2.4 kali lebih cepat, dan pengurangan konsumsi token hingga 75.6%. Keuntungan ini semakin besar dengan kedalaman rekursi. Sistem ini membuka jalur penskalaan baru untuk sistem multi-agen dengan memperdalam rekursi, bukan hanya menambah jumlah agen. Namun, tantangan seperti verifikasi independen, kompatibilitas model heterogen, dan penurunan kemampuan interpretasi masih perlu diatasi.

marsbit05/21 00:15

Terobosan Hebat Kolaborasi AI! Stanford & NVIDIA Bersinergi Hilangkan Ketidakefisienan Komunikasi AI, Kecepatan Penalaran Meningkat 2.4 Kali

marsbit05/21 00:15

Bagaimana Menjadi Pengguna Claude Level Tinggi dalam 30 Hari?

**Bagaimana Menjadi Pengguna Claude Lanjutan dalam 30 Hari?** Kebanyakan orang menggunakan Claude seperti mesin pencari: tanya, baca, tutup. Tidak ada akumulasi pengetahuan atau sistem. Namun, dengan 30 hari konfigurasi sadar, Anda bisa mengubah Claude menjadi sistem operasi kerja pribadi yang memahami konteks, preferensi, dan alur kerja Anda. **Minggu 1: Kuasai Fondasi yang Sering Diabaikan** * **Hari 1-2:** Pelajari penulisan *prompt* terstruktur: **Peran, Konteks, Tugas, Format, Batasan**. * **Hari 3-4:** Pahami *context window* (hingga 200K token). Letakkan informasi kunci di awal dan akhir percakapan. * **Hari 5-7:** Atur **Proyek** (mis., kerja utama, riset, penulisan) dan aktifkan **Memory** untuk profil pribadi yang konsisten. **Minggu 2: Bangun Alur Kerja Pertama Anda** * **Hari 8-9:** Buat templat **alur kerja riset** yang dapat digunakan kembali. * **Hari 10-11:** Bangun **alur kerja penulisan** dua langkah (buat kerangka, lalu tulis lengkap). * **Hari 12-14:** Buat **alur kerja pengambilan keputusan** untuk menganalisis opsi secara sistematis. **Minggu 3: Biarkan Claude Bekerja Secara Otonom** * **Hari 15-17:** Gunakan **Claude Cowork** untuk menjalankan tugas multi-langkah di folder komputer Anda. * **Hari 18-19:** Hubungkan alat kerja Anda (**Google Drive, Slack, Gmail**, dll.) untuk akses data langsung. * **Hari 20-21:** Atur **tugas otomatis** pertama (mis., ringkasan harian otomatis, laporan mingguan). **Minggu 4: Akumulasi Majemuk dan Optimasi Sistem** * **Hari 22-24:** Evaluasi dan optimasi semua alur kerja berdasarkan kualitas output. * **Hari 25-26:** Bangun **basis pengetahuan** pribadi dari output Claude terbaik untuk konteks masa depan. * **Hari 27-28:** Ajarkan sistem ini kepada kolega untuk memperdalam pemahaman Anda. * **Hari 29-30:** Rancang **sistem operasi Claude ideal** Anda, petakan semua alur kerja, alat, dan ritme penggunaan. **Hari ke-31:** Claude akan menjadi asisten otomatis yang siap bekerja—dokumen perencanaan, riset, laporan tim sudah tersedia. Anda fokus pada penilaian kreatif dan strategi, sementara sistem menangani sisanya. Perbedaannya bukan pada trik, tapi pada sistem yang berjalan. Mulailah dengan 15 menit menyiapkan Proyek pertama Anda malam ini.

marsbit05/20 08:10

Bagaimana Menjadi Pengguna Claude Level Tinggi dalam 30 Hari?

marsbit05/20 08:10

Era Auto Research: 47 Tugas Tanpa Jawaban Baku Jadi Daftar Wajib Uji Kemampuan Agent

Di era Auto Research, 47 tugas tanpa jawaban standar kini menjadi patokan wajib untuk mengukur kemampuan Agent AI. Biasanya, AI Agent tampak serba bisa, namun sebenarnya banyak yang hanya mengandalkan pengetahuan dalam basis data yang sudah ada. Dunia rekayasa nyata lebih keras: stabilitas robot bawah air, batas litium pada baterai, pengendalian kebisingan sirkuit kuantum — masalah-masalah ini tidak memiliki "jawaban sempurna", hanya "optimisasi yang mendekati batas maksimal". Baru-baru ini, Frontier-Eng Bench dari Einsia AI's Navers lab menghadirkan perubahan paradigma. Alih-alih menguji AI dengan soal pemrograman lama, benchmark ini memberikan sistem "loop rekayasa" yang lengkap: mengusulkan solusi, terhubung ke simulator, menerima umpan balik dan error, memperbaiki parameter, dan menjalankannya kembali. Dalam 47 tugas lintas disiplin yang menantang, AI harus bertindak seperti insinyur berpengalaman, mencari solusi optimal di antara tiga kendala yang sulit: daya, keamanan, dan kinerja. Ini bukan sekadar kumpulan tes, melainkan gambaran evolusi Agent. Hasil pengujian menunjukkan bahwa model seperti GPT-5.4 berkinerja cukup stabil, tetapi masih jauh dari menyelesaikan seluruh benchmark. Penelitian ini mengungkap pola penting: peningkatan kinerja AI mengikuti hukum pangkat (power law), di mana kemajuan awal cepat tetapi semakin sulit dan kecil seiring waktu. Selain itu, kedalaman eksplorasi (depth) lebih krusial daripada sekadar menjalankan banyak percobaan paralel (width) untuk mencapai terobosan. Implikasi jangka panjangnya adalah potensi lahirnya "AI Engineer". Di masa depan, manusia mungkin fokus pada penentuan tujuan dan arahan, sementara AI akan bekerja tanpa lelah untuk mengoptimalkan solusi — menjalankan simulasi, menganalisis hasil, dan melakukan iterasi terus-menerus menuju target yang ditetapkan. Frontier-Eng Bench menandai langkah menuju sistem AI yang dapat berevolusi secara mandiri dalam loop umpan balik jangka panjang, membawa kita lebih dekat ke era penelitian otomatis (Auto Research) di mana AI aktif berkontribusi dalam memecahkan masalah rekayasa dunia nyata yang kompleks.

marsbit05/13 07:29

Era Auto Research: 47 Tugas Tanpa Jawaban Baku Jadi Daftar Wajib Uji Kemampuan Agent

marsbit05/13 07:29

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow