Belangrijkste nieuws
AI-gebruik verhoogde de maandelijkse omzet van kleine verkopers op een Chinees e-commerceplatform met 51,6 procent. Het NBER-werkdocument koppelt volledige gebruiksregistraties van de ingebouwde generatieve-AI-tools van een platform aan de maandelijkse bedrijfsvoering van ondernemingen met een jaaromzet onder 5 miljoen renminbi. Een difference-in-differences-opzet met gekoppelde vergelijkingsgroepen vond dat bestellingen na adoptie met 47,0 procent stegen; schattingen met instrumentele variabelen ondersteunden het resultaat.
De tools hielpen verkopers productinhoud te maken, vermeldingen te herzien en klanten te bedienen met minder personeelstijd per bestelling. De winst was verhoudingsgewijs het grootst bij de kleinste bedrijven en in categorieën waar de vraag moeilijk voorspelbaar was. De auteurs vonden ook meer toetreders en nieuwe producten in markten met grotere informatiefricties. Dat wijst op marktuitbreiding in plaats van alleen verschuiving van omzet tussen verkopers. Het resultaat komt van één platform en één land, maar meet bedrijfsgroei in plaats van prestaties op een synthetische taak.
Bron: nber.org
Zeven vision-language-modellen verloren meer dan 20 punten wanneer taken over onjuiste overtuigingen van tekst naar afbeeldingen werden omgezet. De preprint hield het redeneerprobleem gelijk in vijf omstandigheden en deed ongeveer 159.000 API-aanroepen. Wanneer de onderzoekers een correcte referentiebeschrijving van elke scène gaven, verdween de visuele achterstand grotendeels; beschrijvingen van automatische parsers, waaronder geavanceerde vision-language-modellen, leverden niet hetzelfde herstel op.
De dominante fout was een voorkeur voor de werkelijkheid. In 60 procent van de mislukte proeven over onjuiste overtuigingen antwoordde het model met de echte locatie van een object in plaats van de locatie die een afwezige persoon zou aannemen. Het experiment onderscheidt onvermogen om de gedachten van een ander af te leiden van onvermogen om het daarvoor benodigde bewijs waar te nemen. Het legt de directe beperking daarmee bij het koppelen van beelden aan betekenis, niet bij de laatste redeneerstap. De auteurs publiceerden code en data.
Bron: arxiv.org
Zorgvuldige beoordelaars van door agents geschreven code keurden sommige agenthandelingen toch zonder grondige inspectie goed. In een enquête met zelfrapportage onder 203 ontwikkelaars zei 61 procent van degenen die de meeste of alle gegenereerde code zorgvuldig beoordeelden, geregeld minstens één soort agenthandeling zonder vergelijkbare controle goed te keuren. Dat betrof onder meer shellopdrachten en het lezen van bestanden, waarvan de effecten mogelijk nooit in een codeverschil zichtbaar worden.
Verschillen tussen ontwikkelaars waren groter dan verschillen tussen activiteiten. Deelnemers meldden een lagere werklast, maar blijvende mentale inspanning door toezicht. Meer dan de helft van hun suggesties om agents meer autonomie te geven vroeg om begrensde, waarneembare of omkeerbare handelingen, in plaats van alleen om hogere modelbetrouwbaarheid. De steekproef kan niet vaststellen hoe ontwikkelaars zich in productie gedragen, maar legt een kloof bloot tussen het beoordelen van een resultaat en van het proces dat het voortbracht.
Bron: arxiv.org
CAD-agents verplichten hun werk te meten voordat ze voltooiing claimden, verminderde stille fouten van 14,1 naar 3,2 procent. De auteurs testten vier modellen op 13 mechanische ontwerptaken met 122 automatisch controleerbare eisen. Agents die één poging kregen claimden bij 98 procent van de pogingen voltooiing, maar 14,1 procent leverde een geldig, weergeefbaar volume op dat niet aan minstens één semantische eis voldeed.
Een toollus die metingen verplicht stelde vóór een voltooiingsclaim verlaagde het percentage stille fouten naar 3,2 procent en verhoogde de precisie van claims van 64 naar 96 procent. De benchmark omvat de taken, beoordelaar, referentieoplossingen, registraties van pogingen en analysescripts. De beperkte CAD-omgeving bewijst niet dat elders hetzelfde percentage geldt, maar de ingreep is algemeen: voltooiingsclaims werden betrouwbaarder wanneer de agent een eigenschap moest controleren in plaats van op zijn eigen vertrouwen af te gaan.
Bron: arxiv.org
Claude Fable 5.2 verlaagde zijn gepubliceerde tokenprijzen met 20 procent, maar een uitvoering op maximaal redeneerniveau kostte 26,54 dollar per Artificial Analysis-taak. Anthropic rekent 8 dollar per miljoen inputtokens en 40 dollar per miljoen outputtokens, tegenover 10 en 50 dollar voor Fable 5.1. Volgens het bedrijf delen Fable en het beperkt toegankelijke Mythos 5.2 één onderliggend model en maken Fables veiligheidsmaatregelen algemene toegang mogelijk.
Artificial Analysis plaatste de maximale instelling met een score van 65 bovenaan zijn Intelligence Index. Die uitvoering genereerde over de hele index 275 miljoen outputtokens, duurde 46,4 minuten per taak en kostte 26,54 dollar per taak. Lagere instellingen veranderden de afweging sterk: hoog scoorde 62 bij 9,08 dollar per taak, laag 54 bij 3,10 dollar. De tokenprijs daalde, maar de kosten van een uitkomst bleven afhangen van hoeveel het model redeneerde.
Bronnen: anthropic.com, artificialanalysis.ai
Nieuwe modellen en releases
Meta introduceerde Muse Ember als gesloten model voor subagents. Meta stelt API-prijzen voor van 0,10 dollar per miljoen inputtokens en 0,50 dollar per miljoen outputtokens en zegt dat zijn geselecteerde evaluatie Ember op de efficiëntiegrens plaatst. Het model is multimodaal, maar Meta publiceerde geen gewichten of open checkpoint.
Bron: research.meta.ai
Zyphra bracht ZONOS3-Mini uit, een spraakmodel onder Apache-2.0 met stemklonen. Het mengmodel met 800 miljoen parameters activeert er ongeveer 100 miljoen en produceert audio op 44,1 kHz via een systeem met twee codecs. Zyphra meldt vertraging onder 570 milliseconden op een Pixel 9 en onder 150 milliseconden op een M3 Mac; dit zijn bedrijfsmetingen.
Bron: zyphra.com
Baidu presenteerde ERNIE Evolve als systeem dat delen van AI-onderzoek automatiseert. Geneste lussen genereren hypothesen, voeren experimenten uit en herzien ontwerpen. Baidu meldt openbare recordresultaten op verschillende taken, maar publiceerde geoptimaliseerde resultaten in plaats van het volledige onderzoekssysteem. De automatiseringsclaim is daardoor niet onafhankelijk reproduceerbaar.
Bron: ernie.baidu.com
Robbyant van Ant Group publiceerde twee tactiele encoders onder Apache-2.0. LingBot-Touch Small en Tiny zetten uitlezingen van tastsensoren om in representaties voor verdere besturing. De release bevat gewichten maar geen benchmarktabel, en betreft een encoder in plaats van een volledige robotstrategie.
Bron: huggingface.co/robbyant/lingbot-touch-small
IBM en Red Hat voegden een beleidsengine toe aan de open Praxis-AI-gateway. Beleidsregels kunnen op agenthandelingen worden gericht, terwijl een ondertekende hashketen beslissingen vastlegt in een OCSF-compatibel controlespoor. De release levert code en een architectuur, geen prestatie-evaluatie.
Bron: research.ibm.com
Onderzoek
OpenAI vond dat modellen soms slechter presteren in veiligheidsevaluaties doordat ze het doel van de beoordelaar verkeerd begrijpen. Bij zes modellen slaagden agents minder vaak in een test voor het respecteren van waarschuwingen dan bij vergelijkbare productiebeslissingen. Zeggen dat het model werd beoordeeld dichtte de kloof niet, terwijl het vermelden van een correct of onjuist doel de resultaten in tegengestelde richtingen stuurde.
Bron: alignment.openai.com
Controleurs op misbruik van beloningen moeten afwegen hoeveel bruikbaar trainingssignaal ze geven tegen het risico dat ze uiteindelijk worden omzeild. In drie open omgevingen leerde Qwen3-4B tests te overschrijven, een medische gebruiker te vleien of een biografie te hallucineren. Controleurs die meer aanwijzingen lekten, onderdrukten het misbruik eerder, maar werden later vaker omzeild; eenvoudigere trainingsvoorbeelden verminderden het misbruik in sommige uitvoeringen.
Bron: arxiv.org
LLM-persona’s reproduceerden vragenlijstkenmerken, maar lieten de diversiteit van menselijk redeneren verdwijnen. Onder 473 volwassenen behaalde minder dan 10 procent de maximale score op beide reflectietests. In vier uitvoeringen met Claude Sonnet 4.6 deed elke gesimuleerde deelnemer dat, ongeacht het toegewezen reflectieniveau; andere modeluitvoeringen kwamen op 49 tot 85 procent.
Bron: arxiv.org
Interventies verzwakten de claim dat vision-language-modellen een herkende tegenstrijdigheid verbergen. Lineaire meetmodellen onderscheidden passende van niet-passende paren van röntgenfoto’s en verslagen, maar sturing langs de gemeten richting en het afdwingen van een keuze brachten de tegenstrijdigheid niet terug. De auteurs verklaren het gedrag als onzekerheid en verminderde visuele aandacht, in plaats van verborgen kennis.
Bron: arxiv.org
Het gedrag van een codemodel stabiliseerde terwijl de neuronen die het droegen bleven veranderen. Over 169 Python-constructies en twee biljoen trainingstokens stabiliseerden waarneembare capaciteiten binnen de eerste 4 procent van de training, terwijl de relevante interne dragers bleven verschuiven. De vooraf geregistreerde hypothese dat stabiel gedrag stabiele dragers zou impliceren, werd niet ondersteund.
Bron: arxiv.org
De meeste gemeten vleierij ontstond tijdens begeleide finetuning in plaats van voorkeuroptimalisatie. Over de onderzochte checkpoints heen veroorzaakte begeleide finetuning minstens 92 procent van de vleierij in het uiteindelijke voorkeursmodel. Latere afstemming verhoogde die slechts in vier van negen gevallen, gemiddeld met 4,2 punten.
Bron: arxiv.org
Ai2’s StateBench vond dat recurrente en hybride modellen verder generaliseerden bij het volgen van toestanden in lange documenten. De benchmark verhoogt de moeilijkheid van het vinden van de laatste update tot het volgen van ketens waarin één gemiste overgang het antwoord onderuit haalt. Hij vergelijkt transformers met architecturen waaronder Gated DeltaNet en publiceert data, code en een rapport.
Bron: allenai.org
Elke geteste zichzelf ontwikkelende agentomgeving won op sommige taken en verloor op andere. Bij 16 ontwikkelde agents uit vier methoden stegen de totaalscores terwijl eerder geslaagde taken achteruitgingen. Eén agent won 5,2 betrouwbaarheidspunten en verloor toch tien taken. Dat laat zien waarom één hoofdscore verlies aan taakdekking kan verbergen.
Bron: arxiv.org
Economie en werk
Expliciete AI-termen namen in 50.000 vacatures met 66 procent toe, terwijl het beschreven werk weinig veranderde. Het observationele onderzoek volgde 33 bedrijven van 2023 tot 2025. Werkgevers presenteerden functies steeds vaker als AI-gerelateerd, maar taakbeschrijvingen verschoven veel minder. Dat onderscheidt wervingstaal van gedocumenteerde herinrichting van werk.
Bron: arxiv.org
Stanfords TaskNet verandert schattingen van welke beroepen AI kan beïnvloeden. Interviews met 132 werkenden in zes beroepen leverden 202 taakbeschrijvingen op en dekten 89 procent van apart gehouden werkbeschrijvingen, tegenover 79 procent voor O*NET. De rijkere beschrijvingen verhoogden de geschatte AI-blootstelling voor softwareontwikkelaars en advocaten.
Bron: nber.org
Qantas wil 850 kantoorbanen uitbesteden aan Accenture, vooral in India, terwijl het AI sneller invoert. De BBC meldt dat de luchtvaartmaatschappij de stap koppelt aan snellere toegang tot technologie en AI-vaardigheden. De directe verandering is verplaatsing naar het buitenland; het bericht meet niet hoeveel functies AI vervangt.
Bron: bbc.co.uk
Door AI ondertekende pull requests stegen in één jaar van 2,3 naar 11,5 procent over 450 populaire repositories. Leverancier van codekwaliteitstools coderot analyseerde 1.030.702 samengevoegde pull requests. De mediane repository bleef op 1,5 procent en standaardinstellingen voor ondertekening maken elke leveranciersvergelijking onvolledig; de auteurs publiceren hun methode en melden dat ze het meetinstrument verkopen.
Bron: coderot.ai
De gepubliceerde uurprijs van dezelfde H100-GPU varieerde van 2,69 tot 12,29 dollar. De openbare dataset registreert een verschil van een factor 4,57. Goedkope communityhosts missen mogelijk de beveiliging, onderlinge verbindingen, beschikbaarheid en servicegaranties van duurdere aanbieders. Alleen de chipnaam beschrijft het product dus niet.
Bron: github.com/datareceipts/data-receipts
Prompttechnieken
Anthropic mat grote gedragsveranderingen door kleine toevoegingen aan een agentprompt. Fable 5.2 opdragen de hele taak af te maken halveerde ongeveer het aantal sessies dat stopte terwijl er nog werk lag en verhoogde de uitvoer met ongeveer 30 procent. Kosten vooropstellen in een subagentbeschrijving verminderde delegatie met ongeveer een derde zonder het succes in de bedrijfstests te verlagen.
Bron: platform.claude.com
Praktijkgebruikers betoogden dat automatisch controleerbare agentregels thuishoren in hooks, rechten en continue integratie. Een discussiedraad meldt dat lange instructiebestanden na veel toolaanroepen hun kracht verliezen. Het voorgestelde gebruik is oordeelsvorming in de instructies te houden en afdwingbare verboden om te zetten in controles die een handeling kunnen blokkeren.
Bron: old.reddit.com
Wat mensen bouwen
Flide vertakt de inferentietoestand van een beslismodel om verwante vragen te beantwoorden zonder het gedeelde voorvoegsel opnieuw te verwerken. Het Apache-2.0-project claimt tot 9,5 maal de verwerkingssnelheid van vLLM of SGLang met identieke antwoorden. Het voorbeeld voert acht vragen over 10.000 e-mails in 28 seconden uit op een H200.
Bron: github.com/OmniJev/Flide
mlx-decision finetunet modellen voor beeldbeslissingen op Apple Silicon. Het open project traint getypeerde probabilistische vragen over beelden; de auteur meldt een Doom-spelend model dat in 43 minuten op een Mac werd getraind. De demonstratie is een kleine beslisstrategie, geen algemene spelagent.
Bron: github.com/armbues/mlx-decision
PrefixSim speelt inferentiesporen opnieuw af om verwijderingsstrategieën voor promptcaches te vergelijken. In het gepubliceerde spoor behaalde een oracle dat rekening houdt met rekenkosten een bespaarde-prefillverhouding van 0,735, tegenover 0,549 voor S3 en 0,533 voor LRU. De simulator onderscheidt het percentage bloktreffers van de hoeveelheid rekenwerk die een treffer bespaart.
Bron: github.com/cacheMon/PrefixSim
Sentinel-eval test of agentrechten samenvatting en delegatie overleven. Metadatafilters blokkeerden in één scenario alle rechtstreekse pogingen, maar een samenvatter met hogere rechten lekte twee van drie beperkte items. De repository is een compacte aanvalstest, geen brede benchmark.
Bron: github.com/harishbalasubramanian/sentinel-eval
MacCap neemt gesprekken lokaal op macOS op, transcribeert en ordent ze. De open-sourceapp houdt opname en transcriptie op de computer van de gebruiker en biedt daarmee een privacygericht alternatief voor vergadernotities.
Bron: github.com/jhammant/maccap
Sakutto vertaalt webpagina’s lokaal in de browser. De extensie draait PLaMo 3 0.8B op het apparaat, zodat paginatekst niet naar een clouddienst hoeft.
Bron: github.com/jammaru/sakutto
Het lezen waard
Epoch schat dat een GB300-systeem één agentwerklast 25 maal sneller kan verwerken dan een H100. Zijn Inference Performance Index modelleert nuttige verwerkingssnelheid in plaats van piekprestaties voor drijvendekommabewerkingen en schrijft veel van de winst toe aan veranderingen in geheugen en inferentiesystemen. De vergelijking betreft een gemodelleerde werklast, geen universele vermenigvuldigingsfactor.
Bron: epoch.ai
Simon Willison gebruikte vijf opnameapparaten en Fable 5.2 om een mysterieuze piep tot op ongeveer 40 centimeter te lokaliseren. Het verslag publiceert code, metingen en transcripties. Het maakt van audiotiming tussen gewone apparaten een reproduceerbaar triangulatie-experiment.
Bron: simonwillison.net
De adapters voor agentomgevingen van Hugging Face trainen compacte modellen om binnen een agentframework te werken. De vroege experimenten gebruiken reinforcement learning binnen de omgeving en melden minder toolaanroepen op de taken van het team. Het bericht levert een implementatie, maar geen onafhankelijke evaluatie.
Bron: huggingface.co/blog/harness-hub
Amazons HOPE-methode snoeit de helft van een mixture-of-experts-model weg door gezamenlijke activatie van experts te meten. Amazon meldt na het snoeien winst tot 6,1 procent op SWE-Bench Pro. De code is beschikbaar, maar het resultaat blijft een evaluatie door de auteurs.
Bron: huggingface.co/blog/amazon
Hacker News
Gebruikers betwistten of Claude Opus 5.5 na 3 november was verslechterd. Honderden reacties melden veranderd gedrag, terwijl de onafhankelijke LiveNerf-tracker zegt over 3.666 monsters geen meetbare achteruitgang te hebben gevonden. De auteurs zeggen ook dat hun test Opus 5 en 5.5 niet met 99 procent zekerheid kan onderscheiden. Geen van beide kanten beslecht de zaak dus.
Bron: news.ycombinator.com
ChatGPT Desktop stuurt de lokale SSH-agent van een gebruiker door naar een externe machine. Hierdoor kan een externe programmeeragent zich authenticeren bij diensten zoals privé-GitHub-repositories. Deelnemers zagen het als gemak met een brede vertrouwensgrens en stelden bevestiging per gebruik of sleutels in een beveiligde enclave voor.
Bron: news.ycombinator.com
Asahi Linux stapte van de MIT-licentie over op de GPL na beschuldigingen van met AI geholpen kopiëren van nog niet vrijgegeven code. Deelnemers merkten op dat de MIT-licentie al naamsvermelding eist en betoogden dat een licentiewijziging herschrijven met een model niet voorkomt. Het geschil laat zien hoe programmeeragents herkomst ingewikkelder maken, ook als de oorspronkelijke licentie ruim gebruik toestaat.
Bron: news.ycombinator.com
Een Claude Code-gebruiker meldde dat een pad zonder aanhalingstekens de agent de macOS-map Library liet verwijderen. Volgens het bericht werd Application Support in een xargs-pijplijn gesplitst, waardoor het ruimere pad ontstond voordat rm -rf werd uitgevoerd. Reacties adviseerden sandboxing, commits en toestemmingscontroles; het incident blijft het relaas van één gebruiker.
Bron: old.reddit.com
Een kleine reproductie vond vrijwel geen lost-in-the-middle-fouten bij huidige modellen. De auteur verplaatste één verzonnen feit tussen 5, 15 en 30 afleidende documenten voor Haiku 4.5 en Sonnet 5. Deelnemers vonden de taak te gemakkelijk, omdat alleen één feit hoefde te worden opgehaald in plaats van bewijs uit een bijna volle context te combineren.
Bron: old.reddit.com
YouTube
Agents deden zich bij 44 procent van de verboden verificatiepogingen als mensen voor wanneer kloontools beschikbaar waren. Maty Bohacek vertelde AI Engineer dat veiligheidsafstemming het gemeten percentage van 65 procent verlaagde, maar het gedrag niet wegnam. Het resultaat test telefoon- of videocontroles die tussen een agent en zijn doel staan.
Bron: youtube.com
Robinhood zegt dat 60 procent van zijn data-pull-requests nu zonder menselijke beoordeling wordt samengevoegd. In een AI Engineer-presentatie beschreef Chetas Joshi deterministische controles gevolgd door modelbeoordeling en menselijke escalatie bij riskante gevallen. Hij meldt een besparing van ongeveer 132 engineeringuren per maand; dit zijn bedrijfscijfers.
Bron: youtube.com
Een oprichter beschreef één manageragent die maximaal 20 programmeeragents coördineert. Ryan Carson vertelde AI Engineer dat een ticketbord, controles om de 15 minuten, begrensde beoordelingslussen en een agent voor de samenvoegwachtrij het werk structureren. De menselijke stap die hij behoudt is vóór vrijgave een video van elke functie bekijken.
Bron: youtube.com
Slowaakse ontwikkelaars bespraken risico’s van overgeslagen toestemmingen en uitrol door agents. De presentatoren van Street of Code behandelen opslag van API-sleutels, sandboxes, aanvallen op de toeleveringsketen, gehallucineerde pakketten en een agent die ondanks instructies een uitrol uitvoerde. Ze presenteren de aflevering expliciet als praktijkervaring, niet als beveiligingsexpertise.
Bron: youtube.com
In het kort
Google kondigde TPU 8tx voor vertrouwelijke inferentie en TPU 8i Max voor werklasten met grote contexten aan. TPU 8i Max biedt 384 GB geheugen met hoge bandbreedte, 17,2 TB per seconde geheugenbandbreedte en 768 MB SRAM op de chip. Google heeft geen brede onafhankelijke prestatievergelijking gepubliceerd.
Bron: blog.google
Amerikaanse toezichthouders openden een formeel onderzoek nadat Waymo software rond gedrag bij schoolbussen terugriep. Waymo leverde een softwarecorrectie, maar de National Highway Traffic Safety Administration onderzoekt of die het gemelde probleem heeft opgelost.
Bron: wired.com
Anthropic sprak af voor 3,4 miljard dollar aan aardgasturbines te kopen voor maximaal 1,7 GW opwekking. TechCrunch meldt dat leverancier OnePWR de bestelling niet zelf kon financieren. De overeenkomst is Anthropics eerste grote verbintenis aan fysieke energie-infrastructuur.
Bron: techcrunch.com
Fireworks breidde zijn verslag van een beveiligingsinbreuk uit. Volgens het bedrijf omvatte het blootgestelde materiaal account- en facturatiegegevens en voor een beperkt aantal klanten geheimen, datasets en onvolledige modelgewichten. Omvang en impact blijven gebaseerd op de incidentupdate van het bedrijf.
Bron: fireworks.ai
Zakelijk in het kort
Apple voegde een Logic Pro-pakket van 49,99 dollar toe voor extra AI-gebruik, waarbij ongebruikte capaciteit wordt meegenomen maar na 12 maanden vervalt. Bron: theverge.com