OpenAI telah merilis dua model baru, GPT-6 Sol dan GPT-6 Luna, yang kini tersedia di OpenAI API. Model-model ini berada di bawah GPT-6 Astra yang sebelumnya diluncurkan dan bertujuan untuk membawa kemajuan teknisnya ke tier yang lebih cepat dan terjangkau untuk pemrograman kompleks serta pekerjaan sehari-hari dengan volume tinggi.
Anthropic telah merilis Claude Opus 5.5, model pertama dalam keluarga Claude 5.5 barunya, yang diposisikan sebagai alternatif yang lebih efisien dibandingkan generasi sebelumnya. Model ini dirancang untuk berkinerja setara dengan Claude Fable 5.1 pada sebagian besar tugas, namun dengan biaya operasional 40% lebih rendah dibandingkan Opus 5.
Anthropic telah merilis Claude Opus 5.5, model pertama dalam keluarga Claude 5.5 barunya, yang berkinerja setara dengan Claude Fable 5.1 pada sebagian besar tugas, namun biaya operasinya 40% lebih murah dibandingkan Opus 5.
Institut Keamanan AI Inggris (AISI) telah membuat metode dan temuan evaluasi yang dilaporkan secara publik tersedia melalui platform Kartu Evaluasi EvalEval untuk meningkatkan reproduktibilitas benchmark. Rilis ini mencakup hasil terverifikasi, konteks, dan informasi konfigurasi untuk lima benchmark spesifik: HealthBench, FrontierMath, Humanity's Last Exam, SWE-Bench Pro, dan Terminal-Bench 2.0.
SpaceXAI telah merilis Grok 4.7, model andalan baru untuk pemrograman, tugas agentic, dan kerja pengetahuan yang memanfaatkan model dasar lebih besar dan durasi pelatihan penguatan (reinforcement learning) lebih panjang dibandingkan Grok 4.6. Model ini mempertahankan struktur harga yang sama dengan pendahulunya sambil menawarkan kemampuan yang ditingkatkan dalam verifikasi diri, penanganan konteks panjang, dan keamanan.
Penulis menyajikan ringkasan mengenai keadaan model open-weight, mencatat bahwa perusahaan AI Tiongkok telah menjadi pemimpin jelas di ruang ini sejak sekitar April 2025. Pergeseran ini dibuktikan oleh metrik unduhan Hugging Face dan kinerja pada benchmark kemampuan.
Indeks Limbah Agen telah mencetak 341.054 lintasan agen dari 11 dataset publik untuk mengidentifikasi inefisiensi seperti loop, percobaan buta, output alat yang terlalu besar, dan jalankan yang ditinggalkan. Analisis mengungkapkan bahwa perilaku loop dan retry sangat umum pada model lemah seperti Llama agents tetapi jarang terjadi pada Claude 3.7 Sonnet dan Qwen3-Coder-480B.
Sebuah laporan Mozilla menunjukkan bahwa model AI bobot terbuka China telah menutup kesenjangan pengembangan menjadi hanya empat bulan di belakang penawaran frontier AS. Meskipun kemajuan ini cepat, model-model tersebut masih tertinggal dalam beberapa evaluasi benchmark.
Model Qwen3.8 Max (0902) telah meraih skor 45 pada Indeks Kecerdasan Artificial Analysis, merebut kembali posisi teratas di papan peringkat China.
Prior Labs telah merilis TabPFN-3.5, sebuah model fondasi tabel yang melakukan prediksi pada satu tabel dalam satu kali forward pass tanpa pelatihan atau penyetelan per dataset. Model ini mencetak skor 0.375 di papan peringkat privat Tantangan Klasifikasi Produk Grup Otto 2015, mengalahkan skor kemenangan asli sebesar 0.382 yang dicapai oleh Gilberto Titericz dan Stanislav Semenov.
Sebuah laporan Mozilla menunjukkan bahwa kesenjangan kemampuan antara model kecerdasan buatan China dan AS telah menyusut secara signifikan, menjadi perbedaan sebesar 4,4 bulan.
Nums AI telah merilis Causilo, sebuah model fondasi tabel pra-latih untuk klasifikasi dan regresi yang mencapai skor Elo tertinggi di antara model-model tunggal pada TabArena. Model ini menggunakan pendekatan pembelajaran dalam konteks di mana baris pelatihan disimpan sebagai konteks daripada memperbarui bobot, dan tersedia dengan kode Apache-2.0 serta bobot pra-latih di Hugging Face.
Stellar Colosseum adalah harness model-agnostik yang dirancang untuk mengalokasikan inferensi pada penelitian jangka panjang di bidang matematika dan ilmu komputer teoretis, mengatasi ketidakandalan model bahasa dalam menangani masalah kompleks. Sistem ini mengeksplorasi strategi alternatif sebelum konstruksi bukti, menggunakan gerbang kesiapan untuk menentukan kapan suatu rute cukup matang untuk dekomposisi, serta merepresentasikan rencana bukti sebagai submasalah tingkat bagian yang saling bergantung.
Para penulis memperkenalkan Stellar Colosseum, sebuah harness model-agnostik yang dirancang untuk mengalokasikan inferensi di sepanjang penelitian jangka panjang dalam matematika dan ilmu komputer teoretis. Sistem ini mengeksplorasi strategi alternatif sebelum konstruksi bukti, menggunakan gerbang kesiapan untuk menentukan kapan suatu rute cukup matang untuk dekomposisi, dan merepresentasikan rencana bukti sebagai submasalah tingkat bagian yang saling bergantung.
Charlie O'Neill dari Base-10 membahas mengapa model Kimi dan GLM "hampir secara objektif" lebih unggul daripada Opus 5 dalam episode terbaru bersama Dwarkesh Patel.
Sebuah studi yang mengaudit enam benchmark fisika yang banyak digunakan menemukan bahwa skor rendah yang dilaporkan untuk model bahasa terdepan sebagian besar disebabkan oleh kesalahan dalam proses benchmarking, bukan karena kekurangan model. Para ahli meninjau pernyataan masalah, solusi referensi, dan respons model, membedakan antara kesalahan asli dengan kesalahan penilai, referensi yang salah, dan pertanyaan yang ambigu.
DeepSeek V4.1 Flash telah mengambil tempat pertama pada benchmark Astra baru dalam pembaruan Indeks Kecerdasan Artificial Analysis v4.3.
Cohere telah merilis North Small Translate, model terjemahannya yang pertama dalam keluarga North, tersedia untuk penelitian dan penggunaan non-komersial di bawah lisensi CC BY-NC 4.0. Model mixture-of-experts ini mencapai skor 83,6 pada benchmark WMT26 All Languages, mengungguli model proprietary seperti DeepL NextGen dan Google Translate.
Cognition telah merilis SWE-2, model pemrograman paling mampunya hingga saat ini, yang dipasca-pelatihan dengan pembelajaran penguatan dari model terbuka 2,8T-parameter Moonshot AI, Kimi K3. Model ini mencetak skor 50,0% pada FrontierCode 1.1 Main, menempatkannya dalam jarak satu poin dari Fable 5.1 sambil beroperasi dengan biaya 64% lebih rendah.
Para peneliti telah memformalkan serangan penolakan layanan saat inferensi (PI-DoS) yang memanfaatkan biaya komputasi tinggi dari penalaran eksplisit multi-langkah dalam Model Penalaran Besar (LRM). Mereka menyajikan ReasoningBomb, sebuah kerangka kerja berbasis pembelajaran penguatan yang melatih penyerang untuk menghasilkan prompt alami singkat yang mendorong model korban ke dalam jejak penalaran yang secara patologis panjang dan sering kali tidak berakhir.