spot_img

Prabowo Subianto

9 Cara Merawat Aki Motor agar Tidak Cepat Soak dan Awet

Aki menjadi sumber daya bagi berbagai perangkat penting pada sepeda motor, mulai dari lampu, klakson, panel instrumen hingga starter elektrik. Ketika performanya menurun, gejalanya...
HomeTeknologiGoogle Research Rilis Harness2: AI Adaptif Tanpa Ubah Bobot

Google Research Rilis Harness2: AI Adaptif Tanpa Ubah Bobot

Google Research memperkenalkan Google Harness2, kerangka kerja open-source berlisensi Apache 2.0 yang dirancang untuk meningkatkan kemampuan agen kecerdasan buatan tanpa mengubah bobot parameter model dasarnya. Pendekatan ini berfokus pada pengelolaan lingkungan kerja model, sehingga agen dapat beradaptasi ketika menghadapi instruksi baru dan tugas profesional yang kompleks.

Harness2 mengatur delapan komponen utama yang mengelilingi model bahasa inti. Komponen tersebut meliputi petunjuk sistem, filter keamanan, memori, petunjuk penggunaan alat, sub-agen, kapabilitas khusus, skrip, serta ekstensi pihak ketiga. Seluruh elemen itu memengaruhi cara agen membangun konteks, memilih tindakan, dan menjalankan perangkat komputasi untuk menyelesaikan tugas.

Adaptasi melalui dua lapis rekursi

Mekanisme penyempurnaan dalam Harness2 berjalan melalui dua tingkat rekursi yang saling melengkapi. Pada tingkat tugas, sistem menggunakan proses kontras yang mencakup pengajuan, pengujian, dan penggabungan komponen secara langsung. Kerangka kerja ini dapat menghasilkan perbaikan yang bersifat umum maupun khusus untuk bidang tertentu, kemudian mengujinya pada instruksi serupa sebelum memilih hasil yang paling optimal.

Pada tingkat harness, setiap instruksi menyumbangkan pengalaman baru ke dalam repositori jangka panjang. Basis data tersebut digunakan sebagai rujukan untuk mengarahkan penyempurnaan pada tugas-tugas berikutnya. Dengan mekanisme ini, agen dapat memanfaatkan pelajaran dari proses sebelumnya, termasuk kekeliruan saat eksekusi, tanpa harus menjalani pelatihan ulang terhadap model utama.

Harness2 juga mendukung dua pola pelaksanaan. Pencarian dapat dilakukan secara paralel untuk menjangkau lebih banyak kemungkinan, sementara eksekusi berurutan digunakan ketika sistem membutuhkan eksplorasi yang lebih mendalam. Google Research menyebut pendekatan adaptasi tersebut dapat berjalan tanpa bergantung pada konfirmator maupun jawaban mutlak, sehingga sesuai untuk pekerjaan dunia nyata yang memiliki tingkat kerumitan tinggi.

Performa meningkat, tetapi biaya komputasi bertambah

Hasil pengujian menunjukkan peningkatan pada sejumlah tolok ukur pekerjaan profesional. Dengan satu tahap perbaikan, skor GLM-5 pada WorkBuddy-Bench naik 11,5 poin. Pada tolok ukur hukum LAB, peningkatan tercatat sebesar 11,8 persen untuk kriteria kelulusan parsial. Sementara itu, pengujian menggunakan JobBench menghasilkan kenaikan performa hingga 4,5 poin.

Peningkatan itu dicapai dengan menggunakan fondasi model Gemini 3.5 Flash dan GLM-5 tanpa mengubah parameter jaringan saraf. Harness2 juga disebut dapat mengoptimalkan pemanfaatan perangkat komputasi serta penataan konteks pada sistem OpenCode dan Codex.

Namun, peningkatan kemampuan tersebut dibarengi konsekuensi berupa tambahan biaya panggilan model pada setiap tahap percobaan. Setiap kandidat perlu dieksekusi beberapa kali selama proses pengujian, sehingga konsumsi token inferensi ikut meningkat. Pengembang perlu membandingkan beban komputasi tambahan dengan persentase peningkatan akurasi sebelum menerapkan kerangka kerja ini.

Aspek keamanan juga menjadi perhatian apabila Harness2 digunakan di lingkungan produksi. Google Research merilisnya sebagai kode riset, bukan produk resmi Google. Karena itu, pengembang disarankan menerapkan isolasi jaringan dan membatasi hak akses sebelum menjalankan perangkat lunak tersebut secara luas.

Source link