Kita sering mendengar bahwa agar AI menjadi lebih cerdas, ukuran model (jumlah parameter) harus sangat besar. Itulah sebabnya masuk akal jika DeepSeek berupaya keras menggalang modal sebesar $7,4 miliar untuk membeli server demi menyaingi OpenAI
Namun, tim peneliti dari LV-NUS (National University of Singapore) baru saja membuktikan bahwa anggapan tersebut keliru. Makalah terbaru mereka, JIT-Agent (Just-in-Time Harness Evolution), mengungkap rahasia baru: kecerdasan AI tidak hanya ditentukan oleh Foundation Model (model dasar), tetapi juga oleh Harness-nya (kerangka kerja pendukung).
Rekomendasi "Harness" Cepat: Ubah Aturannya
Pada era agen AI terdahulu (seperti Claude Code atau OpenCode), pengembang manusia harus menulis harness secara manual dan kaku (hardcoded). Harness ini menentukan bagaimana AI menggunakan informasi (memory), mengatur tugas (planning), melakukan tindakan, dan memanfaatkan tools (peralatan).
Apa masalahnya? Satu harness dirancang untuk menangani segala jenis pekerjaan.
JIT-Agent membalikkan logika ini. Model tersebut tidak dibekali dengan harness yang kaku, melainkan bertindak sebagai "Asisten Perakit" (Assembly Assistant). Saat ada tugas masuk, JIT-Agent membuat harness baru—yang dirancang khusus untuk momen tersebut (Just-in-Time)—dengan empat modul utama: Memory, Planning, Action, dan Capability.
Untuk gambaran lebih jelas, lihat alur kerja mereka yang luar biasa:
Sistem perakitan harness ini memungkinkan peningkatan efisiensi model secara signifikan. Tidak ada lagi prompt raksasa yang membebani latensi dan biaya API. Model utama hanya berfokus pada "proses berpikir", sementara JIT-Agent menangani "pembentukan kebiasaan teknis". Hasilnya sungguh mengesankan. Model "kelas ringan" seperti DeepSeek-V4-Flash, saat dipadukan dengan JIT-Agent, mampu menantang dominasi model-model raksasa.
Sumber: X @NFT_Chen
Sumber: X @NFT_Chen
| Kombinasi Model | DeepSearchQA | OdysseyBench |
|---|---|---|
| GPT-5.6 Sol (Tanpa JIT) | Baseline | Baseline |
| DeepSeek-V4-Flash + JIT-Agent | +9,1 poin — Kemenangan telak | +4,3 poin — Menang |
Bukan hanya DeepSeek yang mengalami peningkatan; model-model lain dalam ekosistem sumber terbuka (open-source) seperti Qwen3.6 dan Mimo-V2.5 juga mencatatkan lonjakan performa yang signifikan. Selain itu, jika Anda mengikuti langkah Zhipu baru-baru ini dalam memperkuat GLM-5.3 menggunakan reinforcement learning, versi sebelumnya (GLM-5.2) pun turut mengalami peningkatan pesat, dengan tambahan +20,2 poin saat dikombinasikan dengan JIT-Agent! Dari sisi pemrograman, abstraksi ini menghilangkan praktik prompt engineering manual yang melelahkan:
Gerbang menuju RSI:
Arsitektur JIT-Agent merupakan contoh Recursive Self-Improvement (RSI) yang aman; sistem ini mampu menangani kegagalan, melakukan koreksi mandiri minimal pada kerangka kerjanya, serta menyimpan hasilnya dalam bank memori. Pendekatan ini jauh lebih praktis dan masuk akal untuk diterapkan di dunia nyata dibandingkan narasi bernada alarmis seputar RSI—seperti insiden OpenAI Astra, di mana sebuah agen "lolos" dari sandbox-nya.
Mulai sekarang, perang AI tidak lagi sekadar soal siapa yang memiliki sumber daya komputasi paling masif. Tantangan sesungguhnya terletak pada model mana yang mampu segera menggerakkan ekosistem untuk bekerja secara mandiri (Just-in-Time) saat menghadapi tugas-tugas yang belum pernah ditemui sebelumnya.
Menurut Anda, apakah model GPT generasi berikutnya akan dibuat oleh OpenAI yang sedang panik dengan menggunakan metode JIT-Agent ini?