Penurunan tajam CORE (CORE)

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

Partner Goldman Sachs John Flood menyatakan bahwa laba perusahaan yang kuat adalah pendorong utama kenaikan pasar saham AS. Data menunjukkan EPS S&P 500 tumbuh 45% YoY pada Q2 2026 (atau 26% setelah menyesuaikan item non-inti), yang merupakan kecepatan tercepat sejak 2021. Ekspektasi laba jangka panjang untuk 2027 juga terus direvisi naik. Sementara itu, posisi pasar telah "membersihkan" gelembung spekulatif, dengan penurunan leverage di hedge fund dan investor ritel, menciptakan kondisi yang lebih sehat untuk kenaikan lebih lanjut. Meskipun ada risiko musiman terkait tahun pemilu menengah, Flood optimis S&P 500 berpotensi mencetak rekor tertinggi baru tahun ini, didukung oleh siklus AI yang belum sepenuhnya terealisasi dan valuasi AS yang relatif murah dibandingkan pasar global. Intinya, prospek laba yang solid menjadi fondasi utama untuk optimisme pasar.

OpenAI merilis naskah inti 62 halaman yang menunjukkan model AI 'Astra' (diduga GPT-6) berhasil memecahkan 10 masalah matematika kelas 'Fields Medal' dengan biaya komputasi hanya sekitar $2000. Model ini menulis sendiri laporan berjudul "How the Ideas Came Together", yang merinci proses pemikirannya dalam merekonstruksi solusi. Dua pencapaian utama yang disorot adalah: 1. **Pengepakan Bola Dimensi Tinggi:** AI memecahkan batas atas 46 tahun untuk kepadatan pengepakan bola dalam ruang berdimensi sangat tinggi, meningkatkan eksponen dari 0.5991 menjadi sekitar 0.6044. Kunci solusinya adalah peralihan ke transformasi Mellin dan ukuran harmonik. 2. **Grup Non-Sofik:** AI memberikan konstruksi eksplisit pertama untuk "grup non-sofic", sebuah masalah terbuka selama 27 tahun sejak dikemukakan oleh Mikhail Gromov. Tantangan utamanya adalah mengatasi "ketidakcocokan" antara banyak grafik ekspansi yang ada dan kebutuhan untuk satu grafik yang koheren. Pencapaian ini mengejutkan komunitas ilmiah, mengingat beberapa tahun lalu AI masih kesulitan dengan soal matematika tingkat sekolah dasar. Para ahli seperti Mo Bavarian dari OpenAI menyebut momen ini terasa seperti "malam sebelum Singularitas", menandai lompatan kemampuan AI yang sangat cepat dan dramatis.

Laporan Penelitian Bank of America (6 Agustus 2026) mencatat bahwa indikator Bull & Bear telah naik ke level 9.7, tertinggi sejak 2021 dan mendekati sinyal "jual". Aliran dana minggu lalu menunjukkan masuknya $529 miliar ke kas, $329 miliar ke saham, dan $231 miliar ke obligasi. Bank of America melihat kontradiksi inti pasar saat ini: niat pemerintah untuk menopang kondisi keuangan (diverifikasi oleh intervensi nilai tukar bersama) versus risiko dari pembacaan indikator sentimen yang ekstrem, spread kredit perusahaan AI besar yang melebar, dan ketidakpastian pemilu paruh waktu. Strategi yang disarankan adalah "mundur atau rotasi" – keluar dari aset berisiko atau berputar ke sektor defensif (konsumsi pokok), aset durasi (REIT, saham kecil, bioteknologi), dan dolar AS. Pemilu paruh waktu disebut sebagai variabel makro terbesar paruh kedua tahun ini, yang dapat membentuk kembali narasi pasar. Sementara intervensi likuiditas memberikan perlindungan downside, level Bull & Bear yang tinggi menunjukkan ruang upside telah sepenuhnya dihargai.

Matematika Dunia Terkejut: Dugaan Crouzeix yang Membara Selama 22 Tahun Akhirnya Terpecahkan oleh Dokter Bedah Saraf! Dugaan Crouzeix, sebuah teka-teki inti dalam aljabar linear numerik yang telah membingungkan para matematikawan terkemuka dunia selama 22 tahun, dikabarkan telah terbukti. Yang mengejutkan, solusinya datang dari Shanmu Jin, seorang dokter residen bedah saraf di Rumah Sakit Peking Union Medical College (PUMC), yang tidak memiliki latar belakang pendidikan matematika formal. Dengan hanya mengandalkan pembelajaran mandiri dan bantuan GPT-5.6, Jin berhasil membuktikan dugaan tersebut. GPT-5.6 dijalankan secara mandiri selama sekitar 16 jam menggunakan teknik "prompt engineering" yang canggih. Prompt tersebut dirancang untuk menciptakan "institut matematika virtual", memaksa AI untuk berpikir orisinal dengan banyak agen yang mengeksplorasi jalur berbeda dan saling mengaudit. Buktinya, yang kemudian diverifikasi dan dikonfirmasi kebenarannya oleh matematikawan termasuk Michel Crouzeix (pencetus dugaan), Alex Townsend, dan Anne Greenbaum, dianggap elegan dan mengejutkan. AI menemukan strategi "sampling" yang cerdik yang menyederhanakan masalah menjadi kondisi "positivitas", berbeda dari pendekatan estimasi rumit yang dibayangkan manusia. Hanya delapan hari setelah pracetak Jin dirilis, dua matematikawan lain, Emiel Lorist dan Felix Schwenninger, mempublikasikan bukti independen yang berbeda—hanya 5 halaman—yang juga dikembangkan dengan bantuan ChatGPT 5.6. Peristiwa ini menandai mungkin pertama kalinya sebuah konjektur matematika utama yang sudah lama terbuka diselesaikan oleh seorang non-ahli dengan bantuan AI, membuka babak baru di mana AI berpotensi mempercepat penemuan ilmiah dan meruntuhkan batas antar disiplin.