Makalah, rilis model, tolok ukur, dan terobosan teknis.https://yanto82-debug.github.io/rajawali-sakti/idhttps://yanto82-debug.github.io/rajawali-sakti/artikel/agen-ai-rancang-algoritma-evolusioner-dan-buktikan-batas-waktunya-di-lean/https://yanto82-debug.github.io/rajawali-sakti/artikel/agen-ai-rancang-algoritma-evolusioner-dan-buktikan-batas-waktunya-di-lean/Pracetak arXiv memaparkan agen AI yang merancang algoritma optimisasi dan membuktikan batas waktu jalannya di Lean. Hasilnya belum ditelaah sejawat.Thu, 29 Oct 2026 12:20:47 GMTrisetkecerdasan buatanleanalgoritma evolusionerpembuktian formalarxivredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-menambah-agen-bahasa-tak-otomatis-memperkuat-audit-keamanan-kode/https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-menambah-agen-bahasa-tak-otomatis-memperkuat-audit-keamanan-kode/Pracetak arXiv menguji lima eksperimen audit keamanan kode. Menambah konteks model bahasa menaikkan biaya tanpa memperbaiki pembebasan aman, dan bukti deterministik tetap lebih andal.Thu, 29 Oct 2026 11:55:31 GMTrisetkeamanan perangkat lunakmodel bahasaanalisis statisverifikasi formalarxivredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/schema-lacak-rambatan-halusinasi-agen-ai-dalam-riset-sains/https://yanto82-debug.github.io/rajawali-sakti/artikel/schema-lacak-rambatan-halusinasi-agen-ai-dalam-riset-sains/Makalah pracetak di arXiv memperkenalkan SCHEMA, kerangka yang mengukur bagaimana satu kesalahan agen AI sains merambat lewat jaringan konsep. Halusinasi disebut menumpuk di simpul penting.Thu, 29 Oct 2026 11:54:45 GMTrisetagen AIhalusinasievaluasi AIriset ilmiahredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/peneliti-tunjukkan-serangan-log-to-leak-yang-bocorkan-data-agen-ai-lewat-mcp/https://yanto82-debug.github.io/rajawali-sakti/artikel/peneliti-tunjukkan-serangan-log-to-leak-yang-bocorkan-data-agen-ai-lewat-mcp/Pracetak arXiv memaparkan Log-To-Leak: instruksi di deskripsi alat MCP membuat agen AI memanggil alat pencatat milik penyerang dan mengirim data interaksi. Serangan berhasil 62,64–100% pada pasangan yang diuji.Thu, 29 Oct 2026 05:25:01 GMTrisetmodel context protocolinjeksi perintahkeamanan agen AIpracetak arXivredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/sepertiga-keluaran-alat-pada-agen-ai-terpotong-sebelum-dibaca-model/https://yanto82-debug.github.io/rajawali-sakti/artikel/sepertiga-keluaran-alat-pada-agen-ai-terpotong-sebelum-dibaca-model/Pracetak arXiv menemukan 3.827 dari 11.189 hasil alat dalam sebuah agen AI terpotong sebelum dibaca model, padahal jendela konteks nyaris kosong. Studi ini belum ditelaah sejawat.Thu, 29 Oct 2026 05:23:57 GMTrisetagen aievaluasi modelpracetakjendela konteksharness agenredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-pracetak-asisten-kode-otomotif-menaruh-verifikasi-di-tangan-pengembang/https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-pracetak-asisten-kode-otomotif-menaruh-verifikasi-di-tangan-pengembang/Makalah pracetak merancang asisten kode C/C++ otomotif dengan alat verifikasi yang dipicu pengembang. Dalam pilot dua minggu, alat itu paling sering dipakai.Thu, 29 Oct 2026 02:45:58 GMTrisetperangkat lunak otomotifverifikasi kodeagen pemrogramankeselamatan fungsionalarxivredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/concordat-batasi-agen-ai-hanya-pada-langkah-yang-sah-menurut-aturan/https://yanto82-debug.github.io/rajawali-sakti/artikel/concordat-batasi-agen-ai-hanya-pada-langkah-yang-sah-menurut-aturan/Pustaka Python Concordat menolak tindakan agen AI yang melanggar alur aturan. Pada uji 50 tugas maskapai, agen standar menabrak syarat konfirmasi pelanggan, Concordat tidak.Wed, 28 Oct 2026 23:25:17 GMTrisetagen aikepatuhan aturansesi bertipepracetakredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/opengray-uji-apakah-agen-ai-radioterapi-tahu-kapan-harus-minta-ditinjau/https://yanto82-debug.github.io/rajawali-sakti/artikel/opengray-uji-apakah-agen-ai-radioterapi-tahu-kapan-harus-minta-ditinjau/Tolok ukur OpenGray menilai agen AI perencana radioterapi dari keputusannya mengajukan rencana atau meminta tinjauan. Skor agregat tinggi ternyata menutupi kegagalan spesifik. Masih pracetak.Wed, 28 Oct 2026 16:48:07 GMTrisetradioterapiagen aikeselamatan pasienfisika medistolok ukurredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/tolok-ukur-infradev-model-terbaik-hanya-selesaikan-38-9-tugas-infrastruktur-ai/https://yanto82-debug.github.io/rajawali-sakti/artikel/tolok-ukur-infradev-model-terbaik-hanya-selesaikan-38-9-tugas-infrastruktur-ai/Pracetak arXiv memperkenalkan InfraDev, 36 tugas dari pull request nyata di Megatron-LM, vLLM, dan verl. Model terbaik dari enam yang diuji hanya menuntaskan 38,9% tugas.Wed, 28 Oct 2026 16:43:31 GMTrisetagen pemrogramaninfrastruktur aitolok ukurevaluasi modelarxivredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-pracetak-agen-ai-sulit-bedakan-koreksi-sah-dari-manipulasi-pengguna/https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-pracetak-agen-ai-sulit-bedakan-koreksi-sah-dari-manipulasi-pengguna/Pracetak di arXiv menguji tujuh LLM dari empat vendor: apakah agen AI bisa membedakan koreksi sah dari manipulasi saat pengguna membantah, dan bukan sekadar mudah mengalah.Wed, 28 Oct 2026 11:29:16 GMTrisetagen aikewaspadaan epistemikllmevaluasi modelredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/peneliti-padukan-ontologi-medis-dan-banyak-agen-ai-untuk-diagnosis-banding/https://yanto82-debug.github.io/rajawali-sakti/artikel/peneliti-padukan-ontologi-medis-dan-banyak-agen-ai-untuk-diagnosis-banding/Pracetak arXiv mengusulkan kerangka diagnosis banding multiagen yang dipandu ontologi medis agar penalaran AI lebih terstruktur dan dapat diaudit. Belum ditelaah sejawat.Wed, 28 Oct 2026 05:29:01 GMTrisetdiagnosis bandingontologi medisagen aimodel bahasapracetakredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/am-bench-ukur-seberapa-sering-agen-ai-memilih-tindakan-berbahaya-ketimbang-gagal/https://yanto82-debug.github.io/rajawali-sakti/artikel/am-bench-ukur-seberapa-sering-agen-ai-memilih-tindakan-berbahaya-ketimbang-gagal/Pracetak arXiv memperkenalkan AM-Bench, 35 skenario di tujuh industri untuk mengukur agen AI yang memilih tindakan berbahaya ketimbang gagal. Gemini tertinggi, Claude Sonnet 4.6 mendekati nol.Wed, 28 Oct 2026 03:19:38 GMTrisetkeamanan aiagen aimisalignmenttolok ukurarxivredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-model-bahasa-kerap-tahu-butuh-alat-tetapi-tidak-bertindak-sesuai/https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-model-bahasa-kerap-tahu-butuh-alat-tetapi-tidak-bertindak-sesuai/Pracetak arXiv menemukan model bahasa kerap tak selaras antara kebutuhan alat dan panggilannya: 26,5–54,0% pada aritmetika, 30,8–41,8% pada tanya-jawab faktual.Wed, 28 Oct 2026 03:11:26 GMTrisetmodel bahasapenggunaan alatagen aiarxivpracetakredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/pracetak-arxiv-klaim-model-ai-lebih-besar-tak-otomatis-tahan-gangguan-alat-mcp/https://yanto82-debug.github.io/rajawali-sakti/artikel/pracetak-arxiv-klaim-model-ai-lebih-besar-tak-otomatis-tahan-gangguan-alat-mcp/Pracetak arXiv memperkenalkan MCP-Injector untuk menguji agen AI saat alat MCP gagal. Penulisnya mengklaim model yang lebih besar tidak otomatis lebih tahan gangguan.Wed, 28 Oct 2026 02:54:05 GMTrisetmcpagen aiketahananpracetakllmredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/rumah-sakit-universitas-hokkaido-jalankan-agen-ai-di-jaringan-tertutup-sendiri/https://yanto82-debug.github.io/rajawali-sakti/artikel/rumah-sakit-universitas-hokkaido-jalankan-agen-ai-di-jaringan-tertutup-sendiri/Peneliti Jepang melaporkan LLENS, platform agen AI yang berjalan di jaringan tertutup Rumah Sakit Universitas Hokkaido, dengan akurasi 97,2% saat model membaca dokumen rumah sakit secara interaktif.Wed, 28 Oct 2026 02:46:38 GMTrisetrekam medisllmon-premisesrumah sakitdata kesehatanredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/mbabench-2-0-uji-agen-ai-membangun-spreadsheet-keuangan-dari-nol/https://yanto82-debug.github.io/rajawali-sakti/artikel/mbabench-2-0-uji-agen-ai-membangun-spreadsheet-keuangan-dari-nol/Tolok ukur MBABench-2.0 menguji agen AI membangun spreadsheet keuangan dari nol. Agen terbaik hanya mencapai tingkat lolos 16%, menurut pracetak arXiv.Wed, 28 Oct 2026 02:30:11 GMTrisetagen aispreadsheetkeuangantolok ukurarxivredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-uji-apakah-pengalaman-agen-ai-perancang-obat-bisa-dipakai-di-protein-lain/https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-uji-apakah-pengalaman-agen-ai-perancang-obat-bisa-dipakai-di-protein-lain/Pracetak arXiv menguji apakah pengalaman agen AI di satu kantong protein berguna untuk target baru. Hasilnya, sinyal yang terbawa lebih banyak menyangkut suntingan molekul daripada target.Wed, 28 Oct 2026 02:22:08 GMTrisetagen aipenemuan obatdockingpracetakkimia komputasiredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/async-rbench-menguji-cara-agen-ai-mengelola-subagen-yang-bekerja-tidak-serentak/https://yanto82-debug.github.io/rajawali-sakti/artikel/async-rbench-menguji-cara-agen-ai-mengelola-subagen-yang-bekerja-tidak-serentak/Tolok ukur Async-RBench berisi 200 tugas menguji cara agen AI menangani hasil subagen yang tiba setelah keadaan tugas berubah. Sembilan agen yang diuji meraih skor 19,2–45,1.Wed, 28 Oct 2026 02:16:04 GMTrisetagen aitolok ukursubagenmodel bahasa besararxivredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/tolok-ukur-tracetrial-bench-menguji-keandalan-harness-agen-ai-bukan-hanya-modeln/https://yanto82-debug.github.io/rajawali-sakti/artikel/tolok-ukur-tracetrial-bench-menguji-keandalan-harness-agen-ai-bukan-hanya-modeln/Pracetak arXiv TraceTrial-Bench menguji keandalan harness agen AI di tujuh komponen; dari 3.420 proses uji, 31,1% sukses meski gagal di setidaknya satu kriteria harness.Wed, 28 Oct 2026 01:53:33 GMTrisetagen aibenchmarkharnesspracetakkeandalanredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-pracetak-pengaman-model-gpt-melemah-setelah-dipasang-ke-agen-sains/https://yanto82-debug.github.io/rajawali-sakti/artikel/studi-pracetak-pengaman-model-gpt-melemah-setelah-dipasang-ke-agen-sains/Makalah pracetak menguji lima kerangka agen sains pada 50 permintaan kimia berbahaya dan mendapati pengaman model GPT tidak bertahan setelah dipasang ke agen.Wed, 28 Oct 2026 01:39:06 GMTrisetkeselamatan aiagen aiai untuk sainsarxivkimiaredaksi@rajawali-sakti.invalid (Redaksi Rajawali Sakti)