Bij Anthropic daalt het aandeel juniors van 27 % naar 9 % van de nieuw aangenomen technische medewerkers, DeepSeek brengt V4.1-Flash-1017 uit, Claude Code begint drie keer sneller te antwoorden

Anthropic gebruikt zijn eigen teams als onderzoeksobject: het aandeel juniors onder nieuw aangenomen technische medewerkers is er gedaald van 27 % naar 9 %, de agents die medewerkers startten, werkten in augustus zes keer zoveel uren als zijzelf, en 91 % van die medewerkers acht IA in staat om tegen 2030 een ontdekking te doen die een Nobelprijs waard is, tegenover 39 % van de Amerikanen. DeepSeek brengt V4.1-Flash-1017 uit onder de MIT-licentie, met betere resultaten dan GPT-5.6 Sol en Claude Opus 5 op DeepSWE v1.1 tegen ongewijzigde tarieven, en stelt zijn API’s Search en Fetch voor webzoekopdrachten open voor iedereen. Agents van Google Research sturen laboratoriumrobots aan en helpen eiwitbinders met nanomolaire affiniteit voor een tumordoelwit te verkrijgen, Claude Code begint drie keer sneller te antwoorden dan in augustus, en NVIDIA geeft details over zijn RTX Spark-pc’s voor ontwikkelaars.

Anthropic onderzoekt zijn eigen banen: het aandeel juniors daalt naar 9 % van de nieuw aangenomen technische medewerkers, zijn medewerkers verwachten veel meer van IA dan Amerikanen

16 oktober — Het Economics-team van Anthropic publiceert twee rapporten van The Anthropic Institute die het bedrijf zelf als onderzoeksobject nemen. Het eerste, ‘Hoe de werkgelegenheid bij Anthropic verandert’ (How employment is changing at Anthropic), combineert interne gegevens (personeelsbestand, IA-gebruik, productie, agenda’s, aanstellingsbeslissingen) met 17 interviews met medewerkers. Het tweede, ‘De kloof in verwachtingen over IA’ (The AI expectations gap), vergelijkt een peiling van Morning Consult die in augustus onder 10 980 Amerikaanse volwassenen werd gehouden met een intern onderzoek onder 1 334 medewerkers; een tweede ronde in september levert vergelijkbare resultaten op.

Bij Anthropic gevolgde indicator	Gemeten ontwikkeling
Aandeel juniors onder nieuw aangenomen technische medewerkers	van 27 % naar 9 %
Aandeel juniors op technische afdelingen	van 21 % naar 14 % sinds begin 2025
Uren van interactieve agents per uur van een medewerker	6 in augustus 2026
Commits per engineer	5 keer het tempo van zes maanden geleden
Codeersessies van niet-technische medewerkers, per maand	van 2 (augustus 2025) naar 90 (mei 2026)

De afname van het aantal beginners is de duidelijkste bevinding, en IA speelt daarin naar eigen zeggen een rol: in april 2026 zei ongeveer een derde van de managers in machine learning en een vijfde van de managers in software-engineering minder mensen aan te nemen vanwege IA. Agents nemen intussen een grotere plaats in: in maart 2026 overtrof hun totale aantal gewerkte uren voor het eerst dat van de medewerkers. Bij 192 engineers die op code-agents zijn overgestapt, vergeleken met 74 die dat niet deden, neemt de hoeveelheid toegevoegde code sterk toe, zonder dat de code van agents achteraf vaker wordt verwijderd of teruggedraaid.

De keerzijde is dat menselijke aandacht het knelpunt is geworden: interactieve sessies zijn ongeveer 80 % van de tijd inactief terwijl ze op een antwoord wachten, en alles lezen wat ze produceren zou meer dan de helft van de werkweek kosten. Metawerk (meta-work), dat bestaat uit specificaties schrijven voor agents, het werk van een agent door een andere laten controleren of verwerkingsketens bewaken, is tussen het najaar van 2025 en het voorjaar van 2026 gestegen van 10 % naar 22 % van de sessies, en de mediane medewerker brengt 20 % meer tijd door in vergaderingen dan een jaar geleden. Bij het aannemen van personeel leggen beoordelingen meer nadruk op zelfstandigheid en oordeelsvermogen; Anthropic zegt een vroegtijdig waarschuwingssysteem (early warning system) op te zetten voor functies die onder druk staan en voorrang te geven aan interne herplaatsingen.

Het tweede rapport laat zien dat medewerkers en het grote publiek het eens zijn over wat IA vandaag kan, maar niet over de snelheid van de vooruitgang:

Gemeten antwoord, met 2030 als horizon	Ondervraagde Amerikanen	Medewerkers van Anthropic
Een ontdekking die een Nobelprijs waard is, wordt mogelijk geacht	39 %	91 %
Aandeel van het eigen werk dat IA kan uitvoeren (gemiddelde)	28 % (werkenden)	75 %
PIB-groei die uit de antwoorden volgt (mediaan)	5,4 %	17,1 %

Toch redeneren beide groepen op dezelfde manier: hoe groter het deel van het eigen werk dat men denkt dat IA zal uitvoeren, hoe meer werkloosheid men verwacht. Amerikaanse werknemers die denken dat IA minstens 80 % van hun werk kan doen, verwachten in 2030 een werkloosheid van 12,2 %, tegenover 4,2 % vandaag. De PIB-groei is afgeleid van het model voor economische scenario’s dat Anthropic in september presenteerde. Tot slot schat de mediane medewerker dat IA nu al 51 % van het werk bij de bouw van een toonaangevend model uitvoert, en verwacht die eind 2030 een aandeel van 95 %: het rapport benadrukt dat het om persoonlijke opvattingen uit een peiling gaat, niet om bedrijfsprognoses.

🔗 Hoe de werkgelegenheid bij Anthropic verandert · De kloof in verwachtingen over IA · Het inleidende blogbericht

Open modellen: DeepSeek brengt V4.1-Flash-1017 uit en stelt zijn API’s Search en Fetch open, partners van NVIDIA trainen Nemotron 3.5 Super VL verder

17 oktober — DeepSeek brengt DeepSeek-V4.1-Flash-1017 uit, een nieuwe versie van V4.1-Flash, zijn multimodale MoE-model met 552 miljard parameters dat op 10 september werd gelanceerd. De modelkaart spreekt van een kleine update (minor update), maar de verschillen bij agenttaken zijn duidelijk: 77,0 % op DeepSWE v1.1 tegenover 74,2 % voor de vorige versie, 42,3 tegenover 31,2 op Terminal-Bench 4.0. De gewichten worden onder de MIT-licentie gepubliceerd op Hugging Face en ModelScope, en het model is beschikbaar op de website, in de app en via de API.

Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost.

🇳🇱 Hogere scores, sneller voltooide taken en kortere uitvoer dan bij de vorige versie: een Paretoverbetering in prestaties en kosten. — @deepseek_ai op X

De prijs verandert niet. De naam deepseek-flash verwijst voortaan naar deze versie, met een context van een miljoen tokens en maximaal 384K tokens uitvoer; de oude namen deepseek-v4-flash en deepseek-v4-flash-vision-exp blijven geaccepteerd, maar verzoeken met die namen worden ook door V4.1-Flash-1017 verwerkt. De tarievenpagina vermeldt nog steeds 0,30 dollar per miljoen invoertokens (buiten de cache) en 1,20 dollar voor uitvoer tijdens piekuren, en de helft daarvan tijdens daluren, net als op 13 september. De kostenverlaging komt dus voort uit kortere antwoorden: de grafiek in de release notes, die alleen als afbeelding te bekijken is, plaatst de instelling max op 77,0 % op DeepSWE v1.1 voor ongeveer 0,2 dollar per taak, boven alle andere punten. De dichtstbijzijnde, GPT-6.1 Sol, komt niet verder dan ongeveer 75 % voor circa 0,65 dollar, terwijl de beste punten van GPT-6 Astra, Gemini 3.8 Flash, Claude Opus 5 en Claude Fable 5, tussen ongeveer 70 % en 74 %, circa 2 tot 15 dollar per taak kosten.

Benchmark	V4.1-Flash-1017	V4.1-Flash	K3	GLM-5.3	GPT-5.6 Sol	Opus 5
HLE zonder tools	42,6	36,8	43,5	42,0†	44,5	56,3
Terminal-Bench 4.0	42,3	31,2	12,6	37,9	39,9	51,8
DeepSWE v1.1	77,0	74,2	67,5	66,9	73,0	74,0
ProgramBench	29,1	20,3	17,5	19,0	23,0	37,0
NL2Repo-Bench	68,2	65,4	58,0	58,0	56,8	75,3
Automation-Bench v1.0.6	60,5	54,8	46,7	48,8	45,8	50,3
Agents’ Last Exam	35,4	31,8	27,6	28,5	26,7	28,6
Apex Bench v1.1	72,1	64,6	47,8	56,6	54,3	65,8

†: tekstsubset van HLE, de enige vermelde score voor GLM-5.3 (V4.1-Flash-1017 behaalt hier 44,0). Bron: de modelkaart op Hugging Face.

Van de gesloten modellen vermeldt de tabel alleen GPT-5.6 Sol en Claude Opus 5, niet hun opvolgers. V4.1-Flash-1017 overtreft ze op DeepSWE v1.1, Automation-Bench, Agents’ Last Exam en Apex Bench, maar blijft achter bij Opus 5 op HLE zonder tools (waar GPT-5.6 Sol het ook overtreft, met 44,5 tegenover 42,6), Terminal-Bench 4.0, ProgramBench, NL2Repo-Bench en de drie visuele benchmarks met tools uit de modelkaart (Chartography, BabyVision en ZeroBench-main); tegenover de open modellen K3 en GLM-5.3 legt het alleen het af tegen K3, op HLE zonder tools (43,5 tegenover 42,6). DeepSeek schrijft deze vooruitgang toe aan reinforcement learning met zelfevaluatie (reinforcement learning with self-feedback) op volledige projecten, en optimaliseert het model voor DeepSeek Harness, Tencent CodeBuddy en WorkBuddy. Voor lokale uitvoering levert de publicatie geen conversatietemplate in Jinja-formaat, maar een Python-referentie-implementatie van het promptformaat, en beveelt ze minstens 256K uitvoertokens aan; deze versie gaat niet vergezeld van een nieuw technisch rapport.

🔗 De release notes van DeepSeek · De modelkaart op Hugging Face

Search en Fetch: DeepSeek stelt zijn API’s voor webzoekopdrachten open voor iedereen, voor 0,75 dollar per 1 000 geslaagde verzoeken

17 oktober — In dezelfde thread stelt DeepSeek twee diensten voor webzoekopdrachten open voor alle gebruikers van zijn API. Search doorzoekt de eigen zoekmachine van DeepSeek, die naar eigen zeggen honderden miljoenen zoekopdrachten per dag verwerkt, en levert gestructureerde resultaten: elk resultaat heeft een relevantiescore van 0 tot 3, een samenvatting van 600 tot 800 tekens voor het model, de publicatiedatum en een autoriteitsniveau van 0 tot 4. Fetch haalt een pagina op en zet die om in Markdown, met inachtneming van de toegangsregels van de betreffende website.

Onderdeel van het aanbod	Door DeepSeek vermelde waarde
Prijs per API	0,75 dollar per 1 000 geslaagde verzoeken
Limiet per account	5 verzoeken per seconde per API
Resultaten per zoekopdracht	van 1 tot 50 (standaard 10)
Aanroepen vanuit Harness, Claude Code, Codex	gratis tot 31 oktober om 16 h UTC

Alleen antwoorden met een resultaat worden in rekening gebracht: mislukte verzoeken, zoekopdrachten zonder resultaten en time-outs zijn gratis, en het aantal gevraagde resultaten verandert de prijs niet. De tools aan de serverkant van de DeepSeek-API, die vanuit DeepSeek Harness, Claude Code of Codex worden aangeroepen, maakten al gebruik van deze API’s, en die aanroepen blijven gratis tot 31 oktober; Harness v0.2.1-rc.2 integreert Search en Fetch in zijn instellingen voor webzoekopdrachten.

🔗 De handleiding voor Search en Fetch · De aankondiging van @deepseek_ai

Nemotron 3.5 Super VL: na verdere training door partners van NVIDIA evenaart het bij hun taken duurdere gesloten modellen

16 oktober — Een dag na de lancering van Nemotron 3.5 Super VL, zijn open model met 120 miljard parameters (12 miljard actief) dat hier op 15 oktober werd gepresenteerd, publiceert NVIDIA een thread die 21 berichten van partners aanhaalt, bijna allemaal verschenen op de lanceringsdag. Een groot deel daarvan laat zien wat het model presteert na verdere training op een specifieke taak, telkens gemeten met eigen evaluaties: NVIDIA deelt ze zonder gemeenschappelijke methodologie.

Genoemde partner	Toepassing na verdere training	Door de partner gemeld resultaat
AfterQuery (met Hebbia)	Krediettaken op expertniveau	van 47 % naar 74 % volledig opgeloste taken, voor ongeveer 1/7 van de kosten van de vergeleken gesloten modellen
Trajectory	Legal Agent Bench van Harvey	niveau van Opus 4.7, voor 1,34 dollar per miljoen tokens tegenover 15
Alex Dimakis	Autonome ML-onderzoeker	van 28 % naar 35 % op AutoResearchExam, op het niveau van het 20 keer grotere Qwen 3.8 Max
Handshake	Documenten uit de levenswetenschappen	verdubbelde nauwkeurigheid met meer dan 2 000 gegevens van experts
Multiverse Computing	Modelcompressie	Comet 60B, de helft minder parameters, met minder dan 5 % verschil ten opzichte van de oorspronkelijke nauwkeurigheid

De thread laat ook zien welke tools er rond het model ontstaan: beschikbaarheid op Tinker, de River-API, AC2 van Applied Compute en ModelScope (BF16- en NVFP4-gewichten), de lancering van de Fastino Training API voor SFT- en RL-loops, en een dienst die met de Litespark-engine van Mindbeam 962 tokens per seconde per gebruiker levert op twee H200-GPU’s.

🔗 De thread van @NVIDIAAI

Agents in het laboratorium: Google Research geeft ze pipetteerrobots en verkrijgt nanomolaire binders tegen een tumordoelwit

16 oktober — Google Research presenteert drie onderzoeken die AI-agents tot aan de werkbank van het natte laboratorium (wet lab) brengen: ze ontwerpen niet langer alleen moleculen, maar starten ook experimenten, lezen de resultaten en passen hun werkwijze aan, onder leiding van wetenschappers.

De eerste bouwsteen, VERID (VERified Infrastructure for Discovery Laboratories), is een digitale tweeling van de gerobotiseerde pipetteerwerkplek, gebouwd op het open source framework PyLabRobot. Het volgt de robotarm, het volume in elk putje, de reagentia en de beschikbare pipetpunten in realtime, laat elk protocol binnen enkele seconden in een simulatie doorlopen en blokkeert fysiek onmogelijke commando’s. In een beschreven geval weigert de simulator een aspiratie met acht kanalen in een te smal reservoir: de agent past de planning aan en stelt vervolgens een factorieel proefontwerp op dat een door de pipetpunten veroorzaakte contaminatiebias isoleert.

Met de agents uitgevoerd experiment	Door Google Research gerapporteerd resultaat
Aptameren tegen α-trombine, drie rondes	0 %, daarna 26,0 %, daarna 42,1 % bevestigde binders, bij een specificiteit van 98,5 %
Aptameren tegen myoglobine	specificiteit gedaald van 75,0 % naar 19,1 %, hersteld tot 72,4 %; 33,5 % binders in ronde 3
De novo ontworpen eiwitbinders tegen FAP	affiniteit in het enkelcijferige nanomolaire bereik, structuurvoorspelling 8,6 keer sneller
Samenwerking tussen mens en agent, met dezelfde rekenmiddelen	succespercentage in silico bijna verdubbeld ten opzichte van een wetenschapper die alleen werkt

Het geval van myoglobine laat zien hoe leren in een gesloten lus werkt: in de tweede ronde zetten de agents in op G-quadruplexmotieven die zich overal aan hechten, zien ze in de laboratoriumgegevens de specificiteit instorten en herschrijven ze zelfstandig hun ontwerpregels. Voor FAP, een receptor die in solide tumoren tot overexpressie komt, behoudt de pipeline tijdens de structuurvoorspelling alleen de bindingsplaats. Google licht zijn waarborgen toe (niet-infectieuze biologische systemen, screening van elke sequentie op bioveiligheid, verplichte simulatie vóór uitvoering, menselijk toezicht), maar vermeldt niet welk model de agents aanstuurt.

🔗 De blogpost van Google Research · VERID (PDF) · De sandbox voor aptameren (PDF) · Epitoopexcisie (PDF)

Code-agents: Claude Code begint drie keer sneller te antwoorden, versie 2.1.302 maakt fork-subagents breder beschikbaar, Replit vestigt zich in de cloud van zijn klanten

16 oktober — Claude begint eerder te antwoorden, meldt @ClaudeDevs. In Claude Code wordt het gesprek dat bij elke beurt naar het model wordt gestuurd nu met gzip gecomprimeerd om sneller aan te komen, en cloudsessies starten zodra je je verzoek begint te typen. De tabel bij de aankondiging meet de wachttijd tot de eerste token tussen augustus en oktober:

Gemeten interface	Augustus 2026	Oktober 2026	Gemelde versnelling
Claude Code, lokale sessies	4,07 s	1,33 s	3 keer
Claude Code, cloudsessies	16,99 s	6,00 s	2,8 keer
Claude, chat en Cowork	3,36 s	2,17 s	1,5 keer
Claude API, inclusief rekentijd van het model (mediaan)	1,53 s	1,01 s	1,5 keer

De eerste drie rijen sluiten de rekentijd van het model uit en hebben betrekking op het 90e percentiel. De compressie is niet helemaal nieuw: Claude Code 2.1.300 paste die op 14 oktober al toe op grote verzoeken aan api.anthropic.com, met de variabele CLAUDE_CODE_GZIP_REQUEST_BODIES=0 om de compressie uit te schakelen. Voor het vroegtijdig starten van cloudsessies wordt geen versienummer genoemd.

🔗 De aankondiging van @ClaudeDevs

Claude Code 2.1.302: fork-subagents standaard buiten de terminal, instelbaar model voor de classifier van de automodus, 43 fixes

16 oktober — Een dag na versie 2.1.301 breidt Claude Code 2.1.302 (63 vermeldingen, waarvan 43 fixes) gedrag dat voorheen alleen voor de terminal gold uit naar andere interfaces: fork-subagents zijn nu standaard actief in claude -p, de Agent SDK, de desktopapp en VS Code (CLAUDE_CODE_FORK_SUBAGENT=0 om ze uit te schakelen), en zowel de desktopapp als VS Code starten subagents van het hoofdgesprek altijd op de achtergrond.

Betrokken onderdeel	Wijziging in 2.1.302
Automodus	`CLAUDE_CODE_AUTO_MODE_MODEL` kiest het model voor de classifier die aan de clientzijde wordt uitgevoerd
Commando `/config`	regel Idle compaction om compaction bij inactiviteit uit of weer in te schakelen
Externe aanbieders	zonder opgegeven modus starten `claude -p` en de Agent SDK in de modus `default` als telemetrie is uitgeschakeld of bij een nieuwe installatie
Prompt- en agent-hooks	maximaal 12 gelijktijdige uitvoeringen per gebeurtenis
Read-tool	afbeeldingen groter dan 128 Mo worden geweigerd in plaats van in het geheugen geladen

Bij de overige fixes wordt een gedeeltelijk mislukte geplande routine niet langer vanaf het begin opnieuw uitgevoerd, wat ertoe kon leiden dat hetzelfde rapport twee keer werd gepubliceerd, en blokkeren exFAT- of FAT32-schijven schrijfbewerkingen onder Windows niet meer.

🔗 De releasenotes van Claude Code 2.1.302

Replit Bring Your Own Cloud: het platform in de omgeving van de klant bij Azure, Google Cloud of AWS, en Claude Haiku 5.5 in de Power-modus

16 oktober — Replit introduceert Bring Your Own Cloud (BYOC), waarmee Replit geheel of gedeeltelijk draait in de cloudomgeving (tenant) van een bedrijf bij Microsoft Azure, Google Cloud of Amazon Web Services. Voor ontwikkelaars verandert er niets: publiceren gaat nog steeds met dezelfde Publish-knop.

Deploymentoptie	Wat bij de klant draait	Beschikbaarheidsfase
Full BYOC	het volledige platform, inclusief de Agent-harness, en de gepubliceerde applicaties	besloten preview
BYOC for Published Apps	alleen de gepubliceerde applicaties; de ontwikkeling blijft bij Replit	vroege toegang
Image Exports	een Docker-image, een Terraform-bestand en een SBOM, uitgerold door het team van de klant	vroege toegang

De tunnels zijn uitsluitend uitgaand, met dubbele mTLS-versleuteling, en door de klant beheerde sleutels (CMEK) zijn voorbehouden aan contracten voor volledige fysieke isolatie. De documentatie beschrijft de beperkingen: de control plane blijft bij Replit, Full BYOC is geen geïsoleerde installatie (air-gapped) en evenmin een volledig zelfgehoste Replit, en de modelinference blijft door Replit verzorgd worden. Er worden geen prijzen gepubliceerd. De changelog van dezelfde dag voegt Claude Haiku 5.5 toe aan de modelkiezer van de Power-modus voor de Core- en Pro-abonnementen, waarin Claude Sonnet 5.5 op 2 oktober al beschikbaar kwam.

🔗 De blogpost van Replit · De BYOC-documentatie · De changelog van 16 oktober

RTX Spark: NVIDIA licht zijn pc’s voor ontwikkelaars toe, met Junie Local van JetBrains en gemelde prestatiewinst ten opzichte van de Core Ultra X9 388H

16 oktober — Op de dag van de introductie van de RTX Spark-laptops, waarvoor het op 13 oktober de software voor de lancering presenteerde, legt NVIDIA op zijn technische blog uit wat de machine ontwikkelaars biedt: coderen, testen en deployen op één pc, met code-agents die lokaal draaien met maximaal 128 GB aan unified memory. De laptops zijn beschikbaar, en kleine desktopcomputers volgen in november. Die worden gepresenteerd als geschikt voor agents die continu draaien.

Werklast	Door NVIDIA gebruikte test	Gemelde versnelling ten opzichte van de Core Ultra X9 388H
Code-agents	AA-AgentPerf-local met Qwen3.8-27B	4,6 keer
Finetuning (LoRA)	Unsloth op Llama-3.1-8B	2,7 keer
Compilatie	Linux-kernel, Phoronix Test Suite	1,8 keer

Deze metingen zijn afkomstig van NVIDIA, met de Panther Lake 12Xe-chip van Intel als vergelijkingsbasis. Op softwaregebied installeert Windows Developer Config, ontwikkeld met Microsoft, de belangrijkste ontwikkelframeworks, schakelt het meldingen uit en verbetert het de terminal; onder Windows on Arm zijn meer dan 2 000 Conda-pakketten direct bruikbaar en heeft meer dan 97 % van de 15 000 meestgebruikte Python-pakketten een Arm-versie. JetBrains introduceert native ondersteuning voor Junie Local, dat zijn contextvenster aanpast aan het GPU-geheugen, GitHub Copilot draait lokaal via Windows ML met llama.cpp, en de SDK’s van AI for Media (superresolutie voor video, generatie van tussenliggende frames, TrueHDR) komen als Python-pakket beschikbaar op PyPI.

🔗 De blogpost op het technische blog van NVIDIA

Korte berichten

Agents en tools voor code

Release notes van Devin van 16 oktober — Na die van 14 oktober, die op 15 oktober aan bod kwamen, publiceert Cognition 19 onderdelen: /devin-commando’s voor merge requests in GitLab, de mergestatus van Bitbucket Cloud in Devin Review, zoeken naar pull requests op vijf forges, ingebouwde tools voor issues en labels, en een Enterprise-instelling die de oude MCP-marketplace verbergt zonder reeds geïnstalleerde servers uit te schakelen. 🔗 bron
Copilot CLI 1.0.100-1 — Tweeënhalf uur na 1.0.100-0, die de vorige dag aan bod kwam, maakt deze tweede prerelease de uniforme sessiebrowser tot de standaardweergave van /sessions, /session en /resume, en verwijdert hij de taalmarkeringen uit de spraakdictatie; er is nog steeds geen stabiele release sinds 1.0.98 van 14 oktober. 🔗 bron
Gemini CLI, nightly van 17 oktober — Vier fixes die tickets uit maart en april afsluiten: de automatische update controleert eindelijk de daadwerkelijk gestarte binary, in plaats van telkens ten onrechte succes te melden wanneer meerdere installaties naast elkaar in het PATH staan, keybindings.json accepteert een array keys, en stopsignalen bereiken het child process onder ACP, systemd of in een container. 🔗 bron
Antigravity CLI 1.4.0 en Antigravity-app 2.24.0 — Nagekomen nieuws van 15 en 14 oktober: de CLI toont zijn status in het tabblad van de terminal (OSC 7501-sequentie) en vernieuwt agy plugin validate met de daadwerkelijke laadregels; de app vernieuwt na 2.23.0, die op 13 oktober aan bod kwam, zijn zijpaneel, voegt /compact toe en laat voor elke automatisering kiezen tussen Flash Lite, Flash en Pro. 🔗 bron
DeepSeek Harness 0.2.1-rc.1 en rc.2 — De eerste twee release candidates van de 0.2.1-reeks: rc.1 bundelt de wijzigingen uit de prereleases alpha.1 tot en met alpha.5, rc.2 ondersteunt V4.1-Flash-1017 en de API’s Search en Fetch; de repository telt sinds 17 augustus 31 releases, allemaal prereleases. 🔗 bron
bun lint — Nagekomen nieuws van 15 oktober: Bun, dat eind 2025 door Anthropic werd overgenomen, kondigt voor zijn volgende versie een met ESLint compatibele linter aan, met meer dan 1 000 ingebouwde regels, die eslint- en oxlint-configuraties leest; volgens de aankondiging is hij 26 keer sneller dan ESLint, variërend van 11 tot 43 keer voor de vijf gemeten repositories, maar een releasedatum is er nog niet. 🔗 bron

OpenAI bij bedrijven en ontwikkelaars

Itaú en ia.i — Volgens een casestudy van OpenAI stelt de Braziliaanse bank ia.i, zijn gespreksinterface voor tekst en spraak, beschikbaar aan ongeveer 300 000 klanten en wil hij tegen eind 2026 zijn volledige klantenbestand bereiken; GPT-5.x-modellen vormen de basis van Customer DNA (ongeveer 70 miljoen klanten), en zijn platform IARA, dat meerdere aanbieders ondersteunt, draait een juridische oplossing met meer dan 90 miljoen documenten. 🔗 bron
Benefit Street Partners en Codex — Bij deze vermogensbeheerder die gespecialiseerd is in krediet bouwde fondsbeheerder Anant Kumar in één dag de eerste versie van een systeem om leningwaarderingen bij te houden (in totaal 10 tot 12 uur ontwikkeltijd) en een met GPT-6 Astra gerefactorde analyzer voor kredietovereenkomsten; vragen van het investeringscomité die eerder dagen of weken kostten, worden nu in één dag afgehandeld. 🔗 bron
ChatGPT Enterprise en Edu — Door de beheerder beheerde gesynchroniseerde connectors worden vervangen door de realtime-apps Google Drive, SharePoint en Microsoft Teams, met nieuwe instellingen voor contentbeheer, en de pagina External access van de Admin Console centraliseert de toegang voor Sign in with ChatGPT, verbonden apps en Ads-gegevens. 🔗 bron
Omschakelen tussen aanbieders — Nagekomen nieuws van 14 oktober: het blog OpenAI Developers legt uit hoe je omschakelt tussen de directe API van OpenAI en zijn modellen bij Amazon Bedrock of Azure OpenAI: alleen bij een tijdelijke fout of een beperking die de deadline in gevaar brengt, nooit bij een ongeldig verzoek, een weigering of een opgebruikt quotum; een Codex-prompt voegt een standaard uitgeschakelde failover toe. 🔗 bron
Hardwareprojecten gebouwd met Codex — OpenAI Developers belicht een communitygalerij van 20 projecten, gerangschikt op stemmen en open voor inzendingen, van een oude Kindle die een dashboard voor AI-gebruik werd tot een DEFCON-badge waarvan het circuit volgens de maker door Astra is ontworpen, van de routing in KiCad tot de bestelling bij JLCPCB. 🔗 bron

API’s, modellen en zoeken op het web

Agent API van Perplexity — Zestien oudere modellen (zeven Claude 4.x, vijf Gemini 3.x, vier Grok 4.x) verdwijnen uit de documentatie, de calculator en de voorbeelden, zonder dat het bericht vermeldt dat hun identifiers niet langer reageren; GPT-6 Astra (10 dollar per miljoen invoertokens, 50 voor uitvoer) en DeepSeek V4 Pro (1,32 en 3,96 dollar) worden toegevoegd. 🔗 bron
pplx-decider-v1.2 op OpenRouter — De twee beslismodellen van Perplexity, die op 16 oktober samen met hun gewichten werden gepubliceerd, verschijnen diezelfde dag op OpenRouter, voor 0,02 dollar (27B) en 0,01 dollar (4B) per miljoen invoertokens, met gratis uitvoer en een context van 262K, net als v1.1 op 7 oktober. 🔗 bron
Embed 5 Fast tegenover EmbeddingGemma 2 — Cohere beweert het model van Google te overtreffen op meer dan 95 % van 163 datasets, maar gebruikt daarvoor RCP-nDCG@10, zijn eigen evaluatiemethode; met de standaard nDCG@10 toont zijn ViDoRe v3-grafiek 59,3 tegenover 47,6, zonder lijst van de datasets, waarbij een betaald API-model wordt vergeleken met een open model van 740M parameters. 🔗 bron
TypeScript-SDK van SpaceXSI 0.2.4 — Zonder aankondiging voegt deze de parameter guidelines van responses.create() toe, richtlijnen per categorie voor de modeluitvoer (een categorie weigeren, ondersteuning bieden bij zelfbeschadiging), de videoformaten 21:9 en 5:2 en de identifiers grok-voice-3.0 en grok-voice-2.0, en markeert hij Live Search als deprecated ten gunste van web_search en x_search. 🔗 bron
AI Mode en AI Overviews — Nagekomen nieuws van 15 oktober: Google voegt meer ingebedde links toe, hoger in zijn gegenereerde antwoorden, breidt zijn nieuwscarrousels met voorkeursbronnen (Preferred Sources) uit naar meer landen en talen, waarvan het gebruik sinds het begin van het jaar meer dan zeven keer zo groot is geworden, en test een aparte sectie voor officiële pagina’s. 🔗 bron

Open modellen en onderzoek uit de community

FLUX 3 Image Klein — Twee dagen na de release van het model corrigeert Black Forest Labs zijn workflows (ComfyUI v0.41.3, bijgewerkte Hugging Face Space), beveelt het zijn prompt-upsampling bij 2K aan en publiceert het op GitHub de aanbevolen systeemprompt om zonder die upsampling te werken. 🔗 bron
Filteren op auteur op de Hub — De pagina’s Models en Datasets van Hugging Face kunnen worden gefilterd op gebruiker of organisatie via een nieuwe knop op elk profiel; een kaart herinnert je eraan welk account je bekijkt wanneer je filters voor taak, grootte, bibliotheek of licentie toevoegt. 🔗 bron
Ammu-1.0-OffOnTopic-Guardrail — Kalyan KS publiceert onder de MIT-licentie vier classifiers van 150M tot 17M parameters die beoordelen of een verzoek buiten het bereik valt dat de systeemprompt vastlegt; volgens de auteur behaalt de grootste 91,56 Macro-F1, tegenover 81,95 voor DeepSeek V4 Flash 0731 en 79,12 voor GPT-6 Luna. 🔗 bron
Een geheugenclassifier die niet in productie is genomen — Javad Taghia legt uit waarom de gefinetunede encoder die moest beslissen wat AtMem in het geheugen opslaat, niet in productie is genomen: van 18,4 % naar 73,8 % op een afgeschermde test, maar slechts 16 juiste beslissingen bij 100 fictieve observaties die werden afgespeeld alsof het productiegegevens waren, tegenover 30 voor de deterministische regels, en 15 tot 230 keer trager. 🔗 bron
SPICY-KV — Volgens Yuge Y (ElithiaTechnologies) comprimeert deze methode, die de keys vóór RoPE groepeert, de KV-cache van DeepSeek-R1-Distill-Qwen 28,6 keer met behoud van 100,0 % (1.5B) en 91,7 % (7B) recall op RULER, terwijl samenvoegen na RoPE terugvalt naar 0,0 %; dit zijn metingen van de auteur, zonder peerreview. 🔗 bron

Wat dit betekent

Het rapport van Anthropic verschuift de discussie over werk. In een toonaangevend laboratorium werken de interactieve agents die werknemers starten al zes keer zoveel uren als zijzelf, en menselijke aandacht wordt schaars: nalezen, specificeren, bewaken. Starters ondervinden daar als eersten de gevolgen van, met 9 % van de technische aanstellingen tegenover 27 %, terwijl bij sollicitatiegesprekken zelfstandigheid en oordeelsvermogen zwaarder wegen. Google Research beschrijft dezelfde taakverdeling in het laboratorium: de wetenschapper bepaalt de strategie, de agent voert die uit, en samen vinden ze in silico bijna twee keer zoveel kandidaten als een wetenschapper alleen. De verwachtingskloof blijft bestaan: 91 % van de werknemers van Anthropic acht AI tegen 2030 in staat tot een ontdekking die een Nobelprijs waard is, tegenover 39 % van de Amerikanen, en hun antwoorden impliceren een drie keer zo sterke bbp-groei (17,1 % tegenover 5,4 %).

De snelheidswinst stuit op dezelfde beperking. Claude Code verkort de lokale wachttijd tot het eerste token van 4,07 naar 1,33 seconden en schakelt fork-subagents buiten de terminal standaard in, maar het onderzoek van Anthropic laat zien dat de machine niet langer het grootste knelpunt is: interactieve sessies zijn ongeveer 80 % van de tijd inactief terwijl ze op een antwoord wachten, en alles lezen wat ze produceren zou meer dan de helft van een werkweek kosten. Een lagere latency verkort de tijd die de gebruiker op de machine wacht, maar niet de tijd die sessies op de mens wachten.

Bij open modellen wegen de kosten per taak inmiddels zwaarder dan de prijs per token. DeepSeek verandert zijn tarieven niet, maar V4.1-Flash-1017 produceert kortere uitvoer en claimt 77,0 % op DeepSWE v1.1 voor ongeveer 0,2 dollar per taak, terwijl het beste gesloten model in zijn grafiek, GPT-6.1 Sol, blijft steken op ongeveer 75 % voor ongeveer drie keer zoveel; zijn scoretabel vergelijkt echter alleen GPT-5.6 Sol en Opus 5, niet hun opvolgers. De partners van NVIDIA vertellen hetzelfde verhaal voor gerichte taken, met een Nemotron 3.5 Super VL dat na post-training het niveau van Opus 4.7 haalt op de Legal Agent Bench van Harvey, voor 1,34 dollar per miljoen tokens tegenover 15. En DeepSeek verkoopt inmiddels ook de webzoekfunctie van zijn agents, voor 0,75 dollar per 1 000 verzoeken: model, tools en harness komen van dezelfde aanbieder.

Tot slot komen agents dichter bij de echte omgeving, en stelt iedereen eigen waarborgen in. Google Research laat elk protocol eerst oefenen in een digital twin voordat er een reagens wordt aangeraakt, met screening op bioveiligheid en menselijk toezicht. Replit installeert zijn platform en de harness van zijn Agent in de cloud van de klant, maar houdt het control plane en de inferentie in eigen beheer. NVIDIA zet met RTX Spark in op code-agents die op de computer van de ontwikkelaar draaien, van Junie Local tot Copilot, in afwachting van desktopcomputers die zijn ontworpen voor agents die nooit stoppen.