Lonjakan Skor Belum Tentu Berarti Kemampuan Meningkat: Jebakan Pemotongan dan Pengulangan dalam Evaluasi Model Berpikir dari Kasus Astra Mengubah Bobot Qwen, Disertai Daftar Periksa 5 Poin
Catatan penulis: Berangkat dari tinjauan ulang eksperimen Astra yang mengubah bobot Qwen3.5-0.8B, artikel ini menjelaskan perbedaan antara “jawaban salah” dan “jawaban belum selesai” dalam evaluasi model penalaran, serta cara memisahkan hasil berdasarkan status pemotongan. Pada 2 November, empat peneliti MIT CSAIL menerbitkan artikel blog berjudul Sparks of Weight-Space Programming. Artikel itu menyebutkan bahwa GPT-6 Astra…