Perusahaan sangat ingin memastikan model AI apa pun yang mereka gunakan Komitmen terhadap keselamatan dan penggunaan yang aman kebijakan, dan menyesuaikan LLM sehingga tidak menanggapi pertanyaan yang tidak diminta.

Namun, sebagian besar keamanan dan tim merah terjadi sebelum penerapan, dan kebijakan “penggabungan” terjadi sebelum pengguna sepenuhnya merasakan kemampuan model dalam produksi. OpenAI Dia yakin hal ini dapat menawarkan pilihan yang lebih fleksibel bagi organisasi dan mendorong lebih banyak perusahaan untuk menerapkan kebijakan keselamatan.

Perusahaan telah merilis dua model open-weight dalam tinjauan penelitian yang diyakini akan membuat institusi dan model lebih fleksibel dalam hal agunan. gpt-oss-safeguard-120b dan gpt-oss-safeguard-20b akan tersedia pada lisensi Apache 2.0 yang permisif. Model-model tersebut merupakan versi open source OpenAI yang telah disempurnakan gpt-oss, dirilis pada bulan Agustusmenandai rilis pertama dalam keluarga OSS sejak musim panas.

Di sebuah Entri blogoss-safeguard menggunakan logika untuk “menafsirkan kebijakan pengembang dan penyedia secara langsung pada waktu inferensi – mengklasifikasikan pesan pengguna, penyelesaian, dan percakapan penuh sesuai dengan kebutuhan pengembang,” kata OpenAI.

Perusahaan menjelaskan bahwa karena model menggunakan Chain of Thought (CoT), pengembang dapat memperoleh penjelasan tentang keputusan model untuk ditinjau.

“Selain itu, kebijakan diberikan selama inferensi, bukan pelatihan model, sehingga lebih mudah bagi pengembang untuk sering meninjau kebijakan guna meningkatkan kinerja.”" OpenAI mengatakan dalam postingannya. "Pendekatan ini, yang awalnya kami kembangkan untuk penggunaan internal, jauh lebih fleksibel dibandingkan metode tradisional dalam melatih pengklasifikasi untuk secara tidak langsung menyimpulkan batasan keputusan dari sejumlah besar contoh yang diberi label."

Pengembang dapat mengunduh kedua templat dari Pelukan wajah.

Elastisitas versus roti

Awalnya, model AI tidak akan mengetahui faktor keselamatan pilihan perusahaan. Sedangkan model pengirim tim merah Model dan platform,Jaminan ini ditujukan untuk penggunaan yang lebih luas. Perusahaan seperti Microsoft Dan Layanan Web Amazon sampai Platform tampilan Untuk membawa Pagar pembatas untuk aplikasi kecerdasan buatan Dan para agen.

Perusahaan menggunakan pengklasifikasi keselamatan untuk membantu melatih model mengenali pola masukan yang baik atau buruk. Ini membantu model mengetahui pertanyaan mana yang tidak boleh mereka jawab. Hal ini juga membantu memastikan bahwa model tidak menyimpang dan jawabannya akurat.

“Pengklasifikasi tradisional dapat memiliki kinerja tinggi, latensi rendah, dan biaya pengoperasian rendah," kata OpenAI. "Namun mengumpulkan contoh pelatihan dalam jumlah yang cukup dapat memakan waktu dan mahal, dan memperbarui atau mengubah kebijakan memerlukan pelatihan ulang pengklasifikasi."

Model mengambil dua masukan sekaligus sebelum mengambil kesimpulan tentang kegagalan konten. Dibutuhkan kebijakan dan konten untuk menentukan peringkat sesuai dengan pedomannya. OpenAI mengatakan model tersebut bekerja paling baik dalam situasi di mana:

• Potensi kerugian sedang muncul atau berkembang, dan kebijakan harus beradaptasi dengan cepat.

• Domain ini sangat bagus dan sulit ditangani oleh pengklasifikasi yang lebih kecil.

• Pengembang tidak memiliki cukup sampel untuk melatih pengklasifikasi berkualitas tinggi untuk setiap risiko di platform mereka.

• Latensi tidak sepenting menghasilkan label berkualitas tinggi dan dapat ditafsirkan.

Perusahaan mengatakan gpt-oss-safeguard “berbeda karena kemampuan logikanya memungkinkan pengembang untuk menegakkan kebijakan apa pun,” bahkan kebijakan yang mereka tulis selama inferensi.

Model ini didasarkan pada alat internal OpenAI, Safety Reasoner, yang memungkinkan timnya lebih sering memasang pagar pembatas. Mereka sering kali memulai dengan kebijakan keamanan yang sangat ketat, “menggunakan komputasi dalam jumlah yang relatif besar bila diperlukan,” dan kemudian menyesuaikan kebijakan tersebut saat mereka menggerakkan model melalui perubahan produksi dan penilaian risiko.

Kinerja keselamatan

OpenAI mengatakan model perlindungan gpt-oss-nya mengungguli GPT-5 Thinking dan model gpt-oss asli dalam hal akurasi multi-kebijakan berdasarkan pengujian benchmark. Model tersebut juga dijalankan pada benchmark ToxicChat secara keseluruhan, dan performanya baik, meskipun pertimbangan GPT-5 dan alasan keselamatan sedikit mengungguli model tersebut.

Namun ada kekhawatiran bahwa pendekatan ini dapat mengarah pada sentralisasi standar keselamatan.

“Keselamatan bukanlah konsep yang didefinisikan dengan baik,” kata John Theakston, asisten profesor ilmu komputer di Cornell University. “Setiap penerapan standar keselamatan akan mencerminkan nilai dan prioritas organisasi yang menciptakannya, serta keterbatasan dan kekurangan modelnya.” “Jika industri secara keseluruhan mengadopsi standar yang dikembangkan oleh OpenAI, kita berisiko melembagakan perspektif tertentu mengenai keselamatan dan menghalangi penyelidikan yang lebih luas mengenai kebutuhan keselamatan dalam penerapan AI di banyak sektor masyarakat.”

Perlu juga dicatat bahwa OpenAI belum merilis model dasar untuk rangkaian model oss, sehingga pengembang tidak dapat mereplikasinya sepenuhnya.

Namun, OpenAI yakin bahwa komunitas pengembang dapat membantu meningkatkan perlindungan gpt-oss. Ini akan menjadi tuan rumah hackathon pada 8 Desember di San Francisco.

Tautan sumber

baruAnda sekarang dapat mendengarkan artikel Fox News!

Sebagai presiden Donald Trump Saat Presiden Tiongkok Xi Jinping mempersiapkan pertemuan pada hari Kamis, bintang ekspor Amerika yang bersuara lembut akan menjadi pusat perhatian: kedelai. Hasil panen sederhana, andalan senilai $30 miliar Ekspor pertanianHal ini telah menjadi simbol kuat dari saling ketergantungan ekonomi dan ketegangan politik antara Washington dan Beijing.

Singkatnya, kedelai telah menjadi perwujudan dari perubahan perang dagang AS-Tiongkok. Beijing menghentikan pembelian kedelai AS setelah adanya tarif balasan terhadap produk tersebut, sebagai respons terhadap bea masuk yang sebelumnya dikenakan oleh Trump terhadap barang-barang Tiongkok.

Tiongkok berfokus pada pemasok di Brasil dan Argentina, sebuah langkah yang menyoroti betapa cepatnya perubahan pola perdagangan global dan betapa rentannya Amerika Serikat. Petani Karena perselisihan diplomatik antara Washington dan Beijing.

Pembekuan perdagangan dengan Tiongkok memberikan tekanan pada petani kedelai AS karena biaya meningkat dan keuntungan hilang

Apa yang awalnya merupakan saling balas dendam antara dua negara dengan ekonomi terbesar di dunia telah berubah menjadi pukulan simbolis dan ekonomi terhadap basis Trump di pedesaan, yang mata pencahariannya bergantung pada hubungan perdagangan yang sama yang kini berada di garis bidik.

Menurut American Soybean Association, Amerika Serikat secara tradisional menjadi sumber utama kedelai bagi Tiongkok. Sebelum sengketa perdagangan tahun 2018, sekitar 28% produksi kedelai AS diekspor ke Tiongkok. Itu Ekspor tanaman Angka tersebut turun tajam menjadi 11% pada tahun 2018 dan 2019, kemudian kembali meningkat menjadi 31% pada tahun 2021 di tengah permintaan di era pandemi, kemudian turun lagi menjadi 22% pada tahun 2024.

Namun beberapa pakar kebijakan mengklaim bahwa peralihan Tiongkok dari kedelai AS sudah berlangsung.

Beijing diam-diam mendikte langkah perang dagang selanjutnya ketika Trump dan Xi bersiap untuk bertemu

Beijing telah menghentikan pembelian kedelai AS di tengah perang dagang yang sedang berlangsung dengan Amerika Serikat. (Jan Sonnenmeier/Getty Images)

“Tiongkok akan selalu mengurangi ketergantungannya pada Amerika Serikat dalam hal ketahanan pangan,” Brian Burak, penasihat kebijakan senior untuk Tiongkok dan Indo-Pasifik di Heritage Foundation, mengatakan kepada Fox News Digital. “Tiongkok mulai menandatangani perjanjian pembelian kedelai dengan negara-negara lain jauh sebelum Presiden Trump menjabat,” katanya, seraya menambahkan bahwa Beijing telah “terpisah dari Amerika Serikat untuk waktu yang lama.”

“Sayangnya, satu-satunya cara bagi kami untuk merespons adalah dengan melakukan hal yang sama, dan proses itu sangat menyakitkan,” kata Burak.

Namun bagi petani yang tinggal ribuan mil dari Washington dan Beijing, perubahan kebijakan ini berarti menyusutnya pasar dan menurunkan margin keuntungan.

“Kami mengandalkan perdagangan dengan negara lain, khususnya Tiongkok, untuk membeli kedelai kami,” Brad Arnold, petani kedelai multigenerasi di barat daya Missouri, mengatakan kepada FOX Business. Keputusan Tiongkok untuk memboikot pembelian kedelai dari AS “memiliki dampak yang luar biasa terhadap bisnis dan hasil kami,” katanya.

Petani kedelai AS menghadapi krisis keuangan karena perselisihan dagang dengan Tiongkok mengancam mata pencaharian mereka

Presiden Donald Trump dan Presiden Tiongkok Xi Jinping diperkirakan akan membahas ekspor kedelai Korea Selatan. (Christopher Dilts/Bloomberg/Getty Images)

“Ada pemanfaatan kedelai dalam negeri, seperti solar terbarukan dan biodiesel yang diproduksi khusus dari kedelai,” kata Arnold. “Dalam skema besar, persentasenya sangat kecil saat ini, Anda tahu bahwa dibutuhkan pelanggan seperti Tiongkok untuk membeli pil tersebut agar dapat memberikan dampak yang nyata. Anda tidak dapat mengambil pelanggan pertama kami lalu menutupnya dan mencari penggantinya dalam semalam.”

Ketergantungan pada Tiongkok menambah bobot baru pada tahap diplomatik minggu ini, ketika Trump dan Xi bersiap untuk bertemu di Korea Selatan. Kedua pemimpin akan bertemu di sela-sela KTT Kerja Sama Ekonomi Asia-Pasifik di Busan, Korea Selatan, dalam pembicaraan tatap muka pertama mereka sejak Trump kembali menjabat.

Pertemuan tersebut diterima oleh Menteri Keuangan Scott Besant Dia memperkirakan Tiongkok akan menunda pembatasan elemen jejak dan melanjutkan pembelian kedelai dari Amerika Serikat, dan menyebutnya sebagai bagian dari “kerangka besar” yang ingin dipertahankan oleh kedua belah pihak. Besant juga mengatakan negosiasi perdagangan bergerak menuju penghindaran tarif baru AS sebesar 100% terhadap barang-barang Tiongkok.

KLIK DI SINI UNTUK MENDAPATKAN APLIKASI FOX NEWS

Presiden Tiongkok Xi Jinping telah menghentikan pembelian kedelai di tengah perang dagang dengan Amerika Serikat. (Oliver Bonnick/Bloomberg melalui Getty Images)

Sebagai upaya untuk meredakan ketegangan, Reuters melaporkan bahwa Tiongkok telah membeli sekitar 180.000 metrik ton minyak Amerika. kedelai Menjelang pertemuan Trump-Xi.

Apakah ini merupakan pencairan nyata dalam hubungan perdagangan AS-Tiongkok atau hanya penangguhan hukuman sementara, pembelian ini menggarisbawahi betapa eratnya hubungan antara diplomasi dan pertanian.

Eric Revell dari Fox Business berkontribusi pada laporan ini.

Amanda meliput persimpangan bisnis dan geopolitik untuk Fox News Digital.

Tautan sumber

Alat kripto yang menarik, indikatornya, telah ada sejak awal dimana sajadia punya Komposer memperkenalkanModel Bahasa Markup Besar (LLM) pertama yang dibuat sendiri sebagai bagian dari programnya Pembaruan platform indeks 2.0.

Komposer dirancang untuk menjalankan tugas pemrograman dengan cepat dan akurat di lingkungan produksi, mewakili langkah baru dalam pemrograman berbantuan AI. Ini sudah digunakan oleh tim teknik Cursor dalam pengembangan sehari-hari – menunjukkan kematangan dan stabilitas.

Berdasarkan indikatornya, komposer menyelesaikan interaksi terbanyak Kurang dari 30 detik Sambil mempertahankan kemampuan tingkat tinggi untuk bernalar di seluruh basis kode yang besar dan kompleks.

Model ini digambarkan empat kali lebih cepat dibandingkan sistem cerdas serupa, dan dilatih berdasarkan alur kerja “agen” – di mana agen pengkode independen secara kolaboratif merencanakan, menulis, menguji, dan meninjau kode.

Sebelumnya, indikator ini didukung "Pengodean suasana" — Menggunakan AI untuk menulis atau menyelesaikan kode berdasarkan instruksi bahasa alami dari pengguna, meskipun mereka adalah seseorang yang tidak terlatih dalam pengembangan — Di atas LLM berpemilik terkemuka lainnya Dari OpenAI, Anthropic, Google dan xAI. Opsi ini masih tersedia untuk pengguna.

Hasil standar

Kemampuan komposer diukur dengan menggunakan "kursi indikator," Kumpulan evaluasi internal yang berasal dari permintaan agen pengembang nyata. Standar ini tidak hanya mengukur kebenaran, tetapi juga kepatuhan model terhadap abstraksi, konvensi gaya, dan praktik teknik saat ini.

Dengan standar ini, Komposer mencapai kecerdasan pemrograman tingkat batas saat membuat file 250 simbol per detik – Hampir dua kali lebih cepat dibandingkan model inferensi cepat terkemuka dan empat kali lebih cepat dibandingkan sistem frontier sebanding.

Model perbandingan yang dipublikasikan Cursor membagi model ke dalam beberapa kategori: “Terbuka Terbaik” (misalnya, Qwen Coder, GLM 4.6), “Fast Frontier” (Haiku 4.5, Gemini Flash 2.5), “Frontier 7/2025” (model pertengahan tahun terkuat yang tersedia), dan “Best Frontier” (termasuk GPT-5 dan Claude Sonnet 4.5). Komposer mencocokkan kecerdasan sistem kelas menengah sambil memberikan kecepatan generasi tertinggi yang pernah tercatat di antara semua kelas yang diuji.

Sebuah model berdasarkan pembelajaran penguatan dan arsitektur campuran ahli

Ilmuwan riset Sasha Rush dari Cursor memberikan wawasan tentang pengembangan model di Postingan di jejaring sosial Xmenggambarkan komposer sebagai model campuran para ahli terpelajar (RL):

“Kami menggunakan RL untuk melatih model MOE besar agar benar-benar ahli dalam pemrograman dunia nyata, dan juga sangat cepat.”

Rush menjelaskan bahwa tim merancang bersama lingkungan Komposer dan Kursor agar model dapat berjalan secara efisien pada skala produksi:

“Tidak seperti sistem pembelajaran mesin lainnya, Anda tidak dapat mengambil banyak manfaat dari sistem berskala besar. Kami bersama-sama merancang proyek ini dan indikatornya agar agen dapat berjalan pada skala yang diperlukan.”

Komposer dilatih tentang tugas rekayasa perangkat lunak nyata, bukan kumpulan data statis. Selama pelatihan, model dijalankan dalam basis kode lengkap menggunakan berbagai alat produksi—termasuk pengeditan file, pencarian semantik, dan perintah terminal—untuk memecahkan masalah teknik yang kompleks. Setiap iterasi pelatihan melibatkan penyelesaian tantangan konkrit, seperti menghasilkan modifikasi kode, merumuskan rencana, atau membuat penjelasan yang ditargetkan.

Cincin penguatan meningkatkan kesehatan dan efisiensi. Komposer telah belajar bagaimana membuat pilihan instrumen yang efektif, menggunakan paralelisme, dan menghindari tanggapan yang tidak perlu atau spekulatif. Seiring waktu, model tersebut mengembangkan perilaku yang muncul seperti menjalankan pengujian unit, memperbaiki bug Linter, dan melakukan pencarian kode multi-langkah secara mandiri.

Desain ini memungkinkan Composer untuk beroperasi dalam konteks runtime yang sama dengan pengguna akhir, sehingga lebih kompatibel dengan kondisi pemrograman dunia nyata – berhubungan dengan kontrol versi, manajemen ketergantungan, dan pengujian berulang.

Dari prototipe hingga produksi

Perkembangan Komposer mengikuti prototipe internal sebelumnya yang dikenal sebagai Cheetahyang digunakan Index untuk mengeksplorasi heuristik latensi rendah untuk tugas pemrograman.

“Cheetah adalah versi 0 dari model ini terutama untuk pengujian kecepatan,” kata Rush pada X. “Metrik kami menunjukkan bahwa dia (sang komposer) sama cepatnya, tetapi jauh lebih pintar.”

Keberhasilan Cheetah dalam mengurangi latensi telah membantu Cursor mengidentifikasi kecepatan sebagai faktor kunci dalam kepercayaan pengembang dan kemudahan penggunaan.

Komposer mempertahankan daya tanggap tersebut sekaligus meningkatkan inferensi dan generalisasi tugas secara signifikan.

Pengembang yang menggunakan Cheetah selama pengujian awal mencatat bahwa kecepatannya mengubah cara mereka bekerja. “Itu sangat cepat sehingga saya bisa tetap mendapatkan informasi terbaru saat bekerja dengannya,” komentar salah satu pengguna.

Komposer mempertahankan kecepatan ini tetapi memperluas kemampuan untuk tugas pengkodean, pemfaktoran ulang, dan pengujian multi-langkah.

Integrasi dengan Indikator 2.0

Komposer telah terintegrasi penuh ke dalam Cursor 2.0, pembaruan besar pada lingkungan pengembangan agen perusahaan.

Platform ini menawarkan antarmuka multi-agen, memungkinkan Hingga delapan agen untuk bekerja secara paralel, Masing-masing berada di ruang kerja yang terisolasi menggunakan git work tree atau mesin jarak jauh.

Dalam sistem ini, komposer dapat bertindak sebagai satu atau lebih agen, melakukan tugas secara mandiri atau kolaboratif. Pengembang dapat membandingkan beberapa hasil dari pengoperasian agen secara bersamaan dan memilih yang terbaik.

Cursor 2.0 juga menyertakan fitur pendukung yang meningkatkan efektivitas Composer:

• Peramban di dalam editor (GA) – Memungkinkan agen untuk menjalankan dan menguji kode mereka langsung di dalam IDE, mengarahkan informasi DOM ke formulir.

• Tingkatkan peninjauan kode – Mengumpulkan perbedaan di beberapa file untuk pemeriksaan lebih cepat terhadap perubahan yang dihasilkan oleh model.

• Terminal mode proteksi (GA) – Isolasi perintah shell yang dikelola agen untuk eksekusi lokal yang aman.

• Modus suara – Menambahkan kontrol ucapan-ke-teks untuk memulai atau mengelola sesi agen.

Meskipun pembaruan platform ini memperluas pengalaman Cursor secara keseluruhan, Composer diposisikan sebagai inti teknis yang memungkinkan enkripsi proxy yang cepat dan andal.

Infrastruktur dan sistem pelatihan

Untuk melatih Komposer dalam skala besar, Cursor membangun infrastruktur pembelajaran penguatan khusus yang menggabungkan PyTorch dan Ray untuk pelatihan asinkron di ribuan GPU NVIDIA.

Tim ini mengembangkan kernel MXFP8 MoE khusus dan memparalelkan data hash campuran, memungkinkan pembaruan model skala besar dengan overhead komunikasi minimal.

Konfigurasi ini memungkinkan Cursor untuk melatih model secara lokal dengan akurasi rendah tanpa memerlukan kuantisasi pasca-pelatihan, sehingga meningkatkan kecepatan dan efisiensi inferensi.

Pelatihan komposer bergantung pada ratusan ribu lingkungan sandbox secara bersamaan – masing-masing merupakan ruang kerja pemrograman mandiri – yang berjalan di cloud. Perusahaan telah mengadaptasi infrastruktur agen back-end untuk menjadwalkan mesin virtual ini secara dinamis, mendukung sifat eksplosif dari proses RL yang besar.

Penggunaan perusahaan

Peningkatan kinerja Komposer didukung oleh perubahan tingkat infrastruktur melalui tumpukan kecerdasan kode Cursor.

Perusahaan telah mengoptimalkan Protokol Server Bahasa (LSP) untuk diagnostik dan navigasi yang lebih cepat, terutama dalam proyek Python dan TypeScript. Perubahan ini mengurangi latensi ketika Komposer berinteraksi dengan repositori besar atau membuat pembaruan multi-file.

Pengguna perusahaan memiliki kontrol administratif atas Komposer dan agen lainnya melalui aturan tim, log audit, dan aplikasi sandbox. Lapisan Tim dan Perusahaan Cursor juga mendukung penggunaan formulir batch, autentikasi SAML/OIDC, dan analitik untuk memantau kinerja agen di seluruh organisasi.

Harga untuk pengguna individu berkisar dari Gratis (Hobi) hingga Ultra ($200 per bulan), dengan batas penggunaan yang diperpanjang untuk pelanggan Pro+ dan Ultra.

Harga bisnis mulai dari $40 per pengguna per bulan untuk Teams, dengan kontrak perusahaan yang menawarkan opsi penggunaan dan kepatuhan khusus.

Peran komposer dalam lanskap pemrograman AI yang terus berkembang

Fokus Komposer pada kecepatan, pembelajaran penguatan, dan integrasi dengan alur kerja pengkodean langsung membedakannya dari asisten pengembangan AI lainnya seperti GitHub Copilot atau Agen Replit.

Alih-alih bertindak sebagai mesin saran pasif, Composer dirancang untuk kolaborasi berbasis agen yang berkelanjutan, di mana beberapa sistem independen berinteraksi langsung dengan basis kode proyek.

Spesialisasi tingkat model ini—melatih AI untuk beroperasi di lingkungan nyata di mana ia akan beroperasi—mewakili langkah penting menuju pengembangan perangkat lunak yang praktis dan otonom. Komposer dilatih tidak hanya pada data teks atau kode statis, namun dalam IDE dinamis yang mencerminkan kondisi produksi.

Rasch menggambarkan pendekatan ini sebagai hal yang penting untuk mencapai keandalan di dunia nyata: Model ini tidak hanya mempelajari cara membuat kode, namun juga cara mengintegrasikan, menguji, dan meningkatkannya dalam konteks.

Artinya bagi pengembang perusahaan dan pemrograman dinamis

Dengan Composer, Cursor menawarkan lebih dari sekadar model cepat, Cursor menerapkan sistem AI yang dioptimalkan untuk penggunaan di dunia nyata, dirancang untuk bekerja dalam alat yang sama yang sudah diandalkan oleh pengembang.

Kombinasi pembelajaran penguatan, desain campuran ahli, dan integrasi produk yang erat memberi Komposer keunggulan praktis dalam kecepatan dan daya tanggap yang membedakannya dari model bahasa tujuan umum.

Meskipun Cursor 2.0 menyediakan infrastruktur untuk kolaborasi antara banyak agen, Composer adalah inovasi inti yang membuat alur kerja dapat dijalankan.

Ini adalah model pengkodean pertama yang dirancang khusus untuk pengkodean proxy tingkat produksi — dan gambaran awal tentang seperti apa pemrograman sehari-hari ketika pengembang manusia dan pekerja lepas berbagi ruang kerja yang sama.

Tautan sumber