ContextPilot-14B Adalah Agen Open-Weight Tencent yang Diam-Diam Mengelola Konteksnya Sendiri

tencent/ContextPilot-14B adalah fine-tune berparameter 15 miliar dengan bobot terbuka dari Qwen3-14B yang muncul di Hugging Face pada 27 Agustus 2026 tanpa pengumuman apa pun. Bobotnya diunggah; makalah berjudul "ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL" (arXiv 2608.28476, diterima di EMNLP 2026) muncul keesokan harinya; kode pelatihan dan evaluasi menyusul di GitHub. Itulah seluruh peluncurannya. Model ini merupakan andalan dari keluarga tiga checkpoint — ContextPilot-14B, ContextPilot-8B, dan ContextPilot-E4B — yang dibangun untuk melakukan sesuatu yang tidak dicoba oleh kebanyakan model bobot terbuka: memutuskan, putaran demi putaran, apa yang harus disimpan, diingat, dan dikeluarkan dari konteks kerjanya sendiri saat model tersebut bernalar dan memanggil alat.

Satu peringatan sebelum hal lainnya: cari "ContextPilot" dan hasil teratas akan mendeskripsikan proyek yang berbeda dan tidak terkait — sistem optimasi inferensi konteks panjang dari Universitas Edinburgh, yang juga disebut ContextPilot, yang menggunakan kembali konteks yang di-cache di antara panggilan untuk memangkas biaya prefill. Nama sama, tapi hal yang sepenuhnya berbeda. Artikel ini membahas kerangka kerja pelatihan agen milik Tencent, dan mencampurkan keduanya akan membawa Anda ke repo yang salah, makalah yang salah, dan rangkaian klaim yang salah.

Apa yang telah dikirim, dan apa yang dapat diketahui saat ini.

Rilis ini terdiri dari tiga repositori Hugging Face di bawah organisasi tencent, yang semuanya dibuat dalam selisih satu hari satu sama lain. Produk unggulannya, tencent/ContextPilot-14B, adalah checkpoint BF16 dengan sekitar 15 miliar parameter yang dibangun dari Qwen/Qwen3-14B; tencent/ContextPilot-8B adalah versi Qwen3-8B; tencent/ContextPilot-E4B adalah anggota kompak, yang dibangun dari backbone Gemma4-E4B-it. Kartu model untuk varian 14B cukup eksplisit tentang pembagian tugas: memuat checkpoint saja tidak melakukan apa pun — "definisi alat, runtime agen, dan pipeline evaluasi disediakan di repositori ContextPilot," jadi bobotnya baru menjadi agen ketika dijalankan bersama kodenya.

Halaman repositori di atas adalah seluruh permukaan publik dari rilis saat ini: kartu model, file lisensi, dan penunjuk ke makalah dan kode. Tidak ada posting blog peluncuran, tidak ada siaran pers, dan tidak ada halaman harga di mana pun di situs vendor pada saat penulisan.

Repositori GitHub tersebut, Tencent/ContextPilot, adalah tempat di mana substansinya berada. Repositori ini berisi direktori train dengan implementasi reinforcement learning yang dibangun di atas verl — dengan resep untuk checkpoint Qwen3-8B dan Qwen3-14B — serta direktori infer dengan skrip evaluasi dan pemuat data untuk empat benchmark konteks panjang: InfBench, NovelQA, LongMemEval, dan BrowseComp+. Ada juga URL demo langsung di kartu model. Pada saat tulisan ini dibuat, repositori tersebut baru berumur dua hari dengan segelintir bintang dan nol fork, jadi segala sesuatu tentangnya harus dibaca sebagai sesuatu yang baru lahir, bukan yang sudah teruji di lapangan.

Apa yang ContextPilot ajarkan kepada agen untuk dilakukan

Pernyataan masalah dalam makalah ini adalah mode kegagalan inti dari agen jangka panjang: selama banyak giliran pengambilan, pemanggilan alat, dan penalaran, konteks kerja agen tumbuh tanpa batas, biaya prefill meningkat, dan model tenggelam dalam sejarahnya sendiri. Upaya sebelumnya memberi model beberapa alat pengeditan — pencarian, penghapusan, peringkasan — yang menurut makalah ini terlalu lemah: tidak ada rencana global, tidak ada memori yang bertahan dari giliran, tidak ada cara untuk mengompres daripada menghancurkan.

Jawaban ContextPilot adalah seperangkat alat dengan tiga tambahan: alat perencanaan yang memutuskan apa yang harus dipertahankan sebelum agen bertindak; penyimpanan memori jangka panjang yang menyimpan informasi lintas konteks kerja; dan mekanisme pengalihan lunak yang memindahkan konteks yang kurang berguna keluar dari jendela aktif alih-alih menghapusnya, sehingga dapat ditarik kembali saat dibutuhkan. Pada sisi pelatihan, makalah ini menyumbangkan dua teknik RL yang spesifik untuk penyuntingan konteks: rollout parsial yang sadar konteks, yang hanya mencabangkan lintasan pada saat-saat ketika penyuntingan benar-benar mengubah keadaan, dan penetapan kredit berbutir halus, yang mengaitkan penghargaan dengan tindakan penyuntingan spesifik yang berpengaruh, alih-alih menyebarkan penghargaan akhir ke setiap penyuntingan. Keduanya adalah upaya untuk memecahkan masalah mendasar yang sama — dampak penyuntingan konteks bersifat heterogen, dan memperlakukannya secara seragam akan menyia-nyiakan sinyal RL.

Klaim utamanya adalah "performa yang lebih kuat dengan konteks kerja yang lebih ringkas." Angka evaluasi setidaknya mendukung bagian kedua: model ContextPilot berjalan dalam jendela konteks 32K sementara backbone Qwen3-14B yang tidak disetel dievaluasi pada 128K, dan checkpoint ContextPilot masih mencetak skor lebih tinggi pada rangkaian pengujian konteks panjang milik makalah itu sendiri.

Papan skor, yang diberi label dengan jujur.

Setiap angka di bagian ini dilaporkan oleh vendor dari makalah (arXiv 2608.28476) dan belum direproduksi secara independen — belum ada pihak ketiga yang menjalankan tencent/ContextPilot-14B melalui harness publik, dan kode evaluasinya baru berumur beberapa hari. Makalah tersebut melaporkan rata-rata tiga run pada empat benchmark: NovelQA, ∞Bench (pilihan ganda bahasa Inggris), LongMemEval-S, dan BrowseComp+.

• tencent/ContextPilot-14B (setelah SFT): 84.28 / 79.04 / 65.93 / 53.13 — rata-rata 70.60.

• tencent/ContextPilot-14B (+ RL): 84.81 / 81.08 / 67.40 / 55.50 — rata-rata 72.20. Sesi RL bernilai sekitar 1,6 poin rata-rata, dan kenaikan terbesarnya terjadi pada tolok ukur tersulit, BrowseComp+ (+2,4).

• Perbandingan yang memberi makna pada angka-angka tersebut: Qwen3-14B yang tidak disetel tanpa alat konteks, dievaluasi pada konteks 128K, rata-rata mencapai 53,26 — hampir 19 poin di bawah model yang disetel RL yang berjalan pada seperempat konteks. StateLM-14B-RL, baseline pengelolaan konteks terkuat sebelumnya, rata-rata 70,11, sehingga ContextPilot-14B-RL unggul sekitar 2,1 poin.

Deep search adalah evaluasi kedua yang terpisah. Pada WebExplorer-8B, agen ContextPilot mencapai rata-rata 50.10 di BrowseComp, BrowseComp-ZH, GAIA, dan xBench-DeepSearch dibandingkan dengan 49.09 untuk baseline SUPO yang kuat; pada WebSailor-7B, skornya 38.32 dibandingkan dengan 36.31 milik SUPO.

• Klaim efisiensi adalah yang paling menarik dan paling sulit untuk diverifikasi: pada BrowseComp, input agen baseline tumbuh hampir linear menuju sekitar 30K token, sementara agen ContextPilot-8B stabil di sekitar 8K–10K token per giliran. Konteks kerja yang ringkas adalah tesis utama dari makalah ini, dan angka ini adalah bukti langsungnya.

Kartu di atas menampilkan rata-rata yang dilaporkan dari ketiga checkpoint secara berdampingan. Perlakukan setiap angka sebagai klaim dari makalah, bukan hasil yang diaudit.

Lisensi adalah bagian yang mengubah rencanamu.

Inilah faktanya: kebanyakan tulisan akan menguburnya, dan Anda sebaiknya tidak. Bobot model memang "terbuka", tetapi lisensinya bukan Apache-2.0 — melainkan "License Terms of ContextPilot-14B" yang khusus, yang mereproduksi teks Apache dan menambahkan Bagian 0 yang menyatakan bahwa model tersebut "disediakan semata-mata untuk tujuan penelitian dan pengembangan ilmiah" dan "tidak boleh" digunakan untuk tujuan lain. Itu adalah lisensi khusus riset dalam bahasa sederhana: Anda dapat melakukan fine-tuning dan mempelajarinya, tetapi Anda tidak dapat menerapkannya dalam produk, menyediakannya secara komersial, atau menggunakannya sebagai mesin layanan berbayar tanpa perjanjian terpisah dengan Tencent. Model dasarnya, Qwen3-14B, berlisensi Apache-2.0; fine-tune ContextPilot menambahkan lapisan pembatasan di atasnya. Varian 8B dan E4B memiliki file lisensi masing-masing dan harus dibaca sesuai dengan ketentuannya sendiri.

Lisensi khusus riset juga menjelaskan tidak adanya rute yang dihosting. Saat ini, tidak ada penyedia inferensi yang menawarkan tencent/ContextPilot-14B sebagai API, dan lisensi khusus riset adalah alasan kuat mengapa tidak ada router komersial — termasuk OrcaRouter — yang akan mendaftarkannya sampai Tencent mengubah ketentuannya. Bagi siapa pun yang ingin menjalankannya sekarang, itu berarti hosting sendiri untuk riset: fine-tune tersebut dilayani melalui vLLM atau SGLang dengan endpoint yang kompatibel dengan OpenAI, persis seperti cara pipeline inferensi pada makalah tersebut menjalankannya.

Apa yang dikonfirmasi, dan apa yang tidak

Terkonfirmasi dari repositori-repositorinya sendiri: ketiga checkpoint tersebut ada dan dapat diunduh; makalahnya ada, tertanggal 28 Agustus 2026, dan diterima di jalur utama EMNLP 2026; resep pelatihannya nyata dan spesifik (verl, Qwen3-8B dan Qwen3-14B); pipeline evaluasinya mencakup keempat benchmark yang disebutkan; dan teks lisensinya hanya untuk riset.

Belum terkonfirmasi: pengumuman atau posting peluncuran dari Tencent (tidak ada yang ada saat tulisan ini dibuat); harga atau API yang dihosting; hasil benchmark independen; reproduksi angka deep-search atau long-context oleh pihak ketiga; serta jumlah parameter dan anggaran pelatihan yang tepat untuk varian E4B, yang menurut makalah tersebut merupakan anggota kompak yang dibangun di atas Gemma4-E4B-it. Rangkaian benchmark tersebut juga perlu dibaca secara skeptis — BrowseComp+ dengan rata-rata 552K token input adalah uji stres yang sangat berbeda dari NovelQA dengan rata-rata 119K, dan rata-rata dalam makalah tersebut menyembunyikan sebaran yang luas.

Halaman arahan makalah di atas adalah sumber kanonik untuk setiap klaim dalam papan skor — dan ketiadaan sitasi pihak ketiga dengan sendirinya adalah kolom "belum dikonfirmasi".

Tontonan Berikutnya

Tiga perkembangan akan mengubah gambaran ini, berdasarkan urutan kepentingannya. Pertama, lisensi komersial atau pengumuman resmi — itulah perbedaan antara artefak riset dan model yang siap dipakai, dan sepenuhnya merupakan keputusan Tencent. Kedua, evaluasi independen pertama: rangkaian konteks panjang dan angka deep-search keduanya dapat direproduksi dari kode dan bobot publik, sehingga pengujian pihak ketiga seharusnya rampung dalam hitungan minggu jika hasilnya bertahan. Ketiga, tanda apa pun bahwa pendekatan ini merembes ke model produksi Tencent — lini Hunyuan adalah kandidat yang jelas — yang akan memberi tahu Anda apakah manajemen konteks proaktif adalah ceruk riset atau arah yang akan segera ditiru industri.

Bagi para pengembang, posisi jujur dalam jangka pendek adalah: amati, evaluasi, dan jangan dulu membangun produk di atasnya. Checkpoint khusus riset yang dirilis tanpa pengumuman dan tanpa verifikasi independen adalah persis hal yang sebaiknya Anda arahkan ke jalur pengujian, bukan ke jalur produksi. Ketika lisensi dan verifikasi sudah sama-sama hadir, kisah perutean menjadi sepele — kunci OrcaRouter yang sama yang melayani 200+ model yang di-host dengan harga daftar penyedia dan markup 0% akan menambahkan model ini pada hari penyedia mendaftarkannya, dengan failover otomatis sehingga checkpoint agen berusia beberapa hari yang macet tidak akan pernah menjatuhkan beban kerja sungguhan bersamanya. Sampai saat itu, bobot-bobot tersebut adalah artefak riset yang sangat menarik dengan resep pelatihan yang benar-benar baru — dan dinding hukum di sekelilingnya yang harus Anda baca sebelum melakukan apa pun dengannya.