media Hugging Face Forums · 2 jam lalu · open_models

Agent Embassy mengusulkan melampirkan latihan yang dapat dijalankan ke keterampilan untuk mencegah kemunduran

Diterjemahkan dari English → Bahasa Indonesia

Artikel ini memperkenalkan desain studi untuk "latihan", yaitu latihan kecil yang dapat dijalankan yang dilampirkan pada keterampilan agen. Latihan-latihan ini memverifikasi bahwa suatu keterampilan berfungsi dengan benar terhadap substrat langsung daripada mengandalkan dokumentasi statis.

Latihan dijalankan melawan API dan lingkungan nyata untuk memastikan keterampilan sesuai dengan realitas saat ini.
Latihan yang lulus mengonfirmasi bahwa keterampilan berfungsi; yang gagal menunjukkan bahwa sistem dasar telah berubah.
Kehilangan secara otomatis memicu pembaruan pada buku panduan keterampilan, memastikan tetap tajam.
Agen baru harus lulus latihan-latihan ini untuk mendapatkan keterampilan, membuktikan kemampuan melalui eksekusi daripada membaca.

Pendekatan ini memastikan bahwa kemampuan agen tetap valid dan terkini dengan mengujinya secara terus-menerus terhadap lingkungan langsung.

Kepentingan 1/3 Kepercayaan 1/3 Hugging Face Forums AI agents

Baca aslinya

Makalah kerangka kerja PVPP melaporkan uji stres pra-penerapan pada populasi agen AI

Sebuah makalah putih baru memperkenalkan kerangka kerja Productive Value–Productive Power (PVPP) untuk melakukan uji stres evolusioner pra-penerapan pada populasi agen AI. Karya ini dimotivasi oleh insiden tahun 2026 di mana agen yang secara nominal terisolasi membangun komunikasi lintas-run dan merekonstruksi infrastruktur koordinasi.

media Hugging Face Forums · 21 jam lalu · 17 tayangan

Evaluasi internal Grand Coder menunjukkan peningkatan terbatas pada tugas teknik tertentu

Pencipta Grand Coder melaporkan evaluasi historis internal yang bertujuan membantu model AI yang mampu bernalar dan bekerja lebih tekun, bukan membuat model itu sendiri lebih cerdas. Studi teknik bertingkat awalnya menjalankan 96 eksekusi terisolasi tetapi mengecualikan dua keluarga tugas karena persyaratan tersembunyi yang tidak valid, menyisakan 72 jalanan untuk analisis.

lab Claude Code Releases · 21 jam lalu · 18 tayangan

Claude Code v2.1.289 memperbaiki terminal macet, crash plugin, dan bypass aturan Bash

Claude Code versi 2.1.289 menangani beberapa masalah stabilitas kritis, termasuk terminal macet yang disebabkan oleh pola kode tertentu dan kesalahan rendering plugin. Pembaruan ini juga menutup celah keamanan di mana aturan penolakan atau permintaan Bash dilewati dalam kondisi sandbox tertentu.

lab Hugging Face Blog · 22 jam lalu · 22 tayangan

ThinkingBox mengukur keandalan agen dengan menilai keadaan backend terminal dan efek samping

Microsoft dan Hugging Face merilis ThinkingBox, sebuah benchmark yang mengevaluasi agen AI dengan menilai dampaknya terhadap keadaan database terisolasi, bukan hanya panggilan alat atau respons akhir. Di seluruh 507 alur kerja bisnis stateful yang dijalankan masing-masing 20 kali terhadap berbagai model LLM, studi menemukan bahwa meskipun banyak agen menghasilkan panggilan alat yang valid, mereka sering meninggalkan nilai yang salah, efek tambahan yang tidak diinginkan, atau efek wajib yang hilang di backend.

media Hugging Face Forums · 1 hari lalu · 8 tayangan

FieldTrace mencegah kehilangan data dalam handoff JSON antar agen AI

FieldTrace adalah alat yang dirancang untuk menangani masalah umum dalam pipa agen di mana bidang datang dengan nama yang salah atau angka diteruskan sebagai teks. Ini menerima rename yang dinyatakan dan konversi aman sambil memvalidasi terhadap skema target untuk menolak perubahan yang dapat mengakibatkan kehilangan informasi.