Jalapeño levert zijn eerste gemeten cijfers, de WebMCP Challenge brengt zes platforms samen, Perplexity zet zijn agent lokaal

Eenenvijftig aankondigingen in vierentwintig uur, verspreid over negen domeinen: de dag van 25 augustus is de drukste van de week. Daaruit komen vier bewegingen naar voren. OpenAI publiceert de eerste gemeten resultaten van Jalapeño, zijn eigen inference-chip, en lanceert meteen daarna een hackathon van tien dagen rond WebMCP met Chrome, Cloudflare, Shopify, Vercel, Render en Netlify. Perplexity laat het volledige onderdeel Computer van zijn agent op de machine van de gebruiker draaien. IBM opent Granite 4.2, zijn eerste familie redeneermodellen. En Anthropic verenigt het geheugen van Claude tussen chat en Cowork, en maakt het leesbaar en bewerkbaar bestand voor bestand. De rest — WeatherNext Cyclones in gebruik bij het National Hurricane Center, de Serie B van Stability AI, een twintigtal tool-updates — volgt hieronder.

WebMCP: een standaard, productondersteuning, intern gebruik en een wedstrijd om het op gang te brengen

25 augustus — OpenAI lanceert de WebMCP Challenge, een hackathon van tien dagen gewijd aan een experimentele open standaard die de manier verandert waarop agents met het web omgaan. Het beoogde probleem is concreet: vandaag moet een agent die een taak op een site uitvoert raden hoe te navigeren in een interface die is ontworpen voor ogen en een muis. WebMCP draait de logica om: de site stelt zelf gestructureerde tools beschikbaar die de agent rechtstreeks aanroept.

De wedstrijd is niet het meest opvallende deel van de aankondiging. Het is de afstemming die ze onthult: Chrome (Google), Cloudflare, Shopify, Vercel, Render en Netlify sluiten zich allemaal aan bij OpenAI rond dezelfde standaard. De jury draagt daarvan de sporen, met Sarah Drasner (Distinguished Engineer, Chrome), Andrew Galloni (VP Research & Innovation, Cloudflare), Jude Gao (team Next.js Core, Vercel), Ilya Grigorik (Distinguished Engineer, Shopify), Sean Roberts (VP of Applied AI, Netlify), Justin Rushing (Browser Agent Lead, OpenAI) en Alex Nahas, maker van MCP-B.

The WebMCP Challenge is here. We’ve teamed up with @ChromiumDev, @CloudflareDev, @ShopifyDevs, @vercel, @render, and @Netlify for a 10-day hackathon. Up for grabs: $35,000 in cash prizes, Codex Micros, ChatGPT Pro subscriptions, and more prizes from our supporters.

🇳🇱 De WebMCP Challenge is van start gegaan. We hebben samengewerkt met @ChromiumDev, @CloudflareDev, @ShopifyDevs, @vercel, @render en @Netlify voor een hackathon van tien dagen. Op het spel staan 35.000 dollar aan prijzengeld, Codex Micro, ChatGPT Pro-abonnementen en andere prijzen die onze partners ter beschikking stellen. — @OpenAIDevs op X

De timing is strak en de beoordelingscriteria zijn expliciet: nut, originaliteit, uitvoering, doordacht gebruik van WebMCP en de kwaliteit van de mens-agent-ervaring. Inschrijvingen en inzendingen verlopen via Devpost. OpenAI publiceert ook agent-native demonstratie-applicaties om projecten op gang te brengen — door de agent aangestuurde 3D-modellering, samen schrijven waarbij de agent onder zijn eigen identiteit reageert, een generator voor gepersonaliseerde kruiswoordraadsels, Wandernote om reisnotities om te zetten in een route, en data-exploratie via DuckDB-Wasm in de browser. Beginnen met een bestaande applicatie en daar WebMCP aan toevoegen is toegestaan.

Element van de wedstrijd	Aangekondigde details
Aangekondigde duur	10 dagen
Opening van inzendingen	25 augustus 2026, 12.00 PT
Uiterste indieningsdatum	3 september 2026, 13.00 PT
Aankondiging van de winnaars	23 september 2026 (indicatieve datum)
Totale prijzengeld	35.000 dollar
Prijs per winnaar (top 10)	3.000 dollar, een jaar ChatGPT Pro, een Codex Micro-toetsenbord, goodies
Indieningsplatform	Devpost

De productlaag die de standaard dagelijks bruikbaar maakt, arriveert op dezelfde dag: de ingebouwde browser van de ChatGPT-desktopapp en ChatGPT Sites kunnen WebMCP voortaan verwerken. Wanneer ChatGPT of Codex een compatibele site bezoekt, detecteert de agent de door de pagina aangeboden tools en gebruikt ze automatisch in plaats van te rommelen in de interface — een update naar de nieuwste versie van de desktopapp is vereist. De andere helft van de lus zit aan productiezijde: het wordt mogelijk om Codex te vragen een WebMCP-compatibele applicatie te maken en die vervolgens rechtstreeks op Sites te implementeren. Opvallend is de asymmetrische ondersteuning ten opzichte van Chrome, waar WebMCP nog achter een experimentele vlag of een origin trial zit, terwijl de browser van ChatGPT het native ondersteunt.

Blijft de derde pijler, de meest leerzame: OpenAI documenteert zijn eigen interne gebruik. Een ingenieur van het bedrijf vertelt hoe hij is gestopt met het schrijven van een automatisering per taak om Runme te bouwen, een open-source webapp voor notebooks die is ontworpen om samen te werken met Codex. Daarin schrijft hij een kort doel met expliciete instructies — een eerdere uitvoering raadplegen, een gedetailleerd plan schrijven, wachten op goedkeuring voordat je begint, uitgevoerde commando’s en hun interpretatie documenteren — en Codex leest en werkt vervolgens het notebook bij terwijl het werk vordert. Twee architectuurkeuzes verdienen aandacht. Eerst de persistentie: de notebooks worden opgeslagen in Google Drive, en Runme genereert parallel een begeleidende Markdown-index *.index.md die Drive kan indexeren, waardoor een agent een eerdere uitvoering als operationele context kan terugvinden. Daarna de blootstelling van mogelijkheden: Runme is een statisch geserveerde clientapplicatie, en alleen een server toevoegen om een klassiek MCP-toegangspunt bloot te stellen zou infrastructuur hebben geïntroduceerd en de verwerking van de notebookgegevens hebben verplaatst. WebMCP stelt de applicatie in staat zijn tools rechtstreeks vanuit de browser te registreren.

🔗 WebMCP Challenge · Ondersteuning in ChatGPT desktop en Sites · Codex, Runme en WebMCP bij OpenAI

Jalapeño: OpenAI publiceert de eerste cijfers van zijn inference-chip en onderstreept zijn compute-strategie

25 augustus — OpenAI publiceert de eerste gemeten resultaten van Jalapeño, de eerste inference-chip die het zelf heeft ontworpen. Het belang van de aankondiging zit niet alleen in de ruwe winst, maar in de aard van de afweging die ze zegt op te heffen: bestaande inferentiesystemen moeten doorgaans balanceren tussen doorvoer en latentie, terwijl Jalapeño beide in één architectuur claimt.

De metingen steunen op InferenceX, een openbare benchmark van SemiAnalysis die de volledige verwerking van een verzoek simuleert. Drie open modellen werden getest — GPT-OSS 120B, DeepSeek R1 670B en Kimi K2.5 1T — tegenover commerciële systemen. De keuze om per watt te normaliseren in plaats van per chip is expliciet en handig: Jalapeño verbruikt twee keer minder dan de systemen waarmee het wordt vergeleken. Jalapeño wordt aangekondigd op 700 W, en het gemeten aanhoudende verbruik bleef op 550 W of minder onder de geteste workloads, tegenover 1.200 W voor de GB200 en 1.400 W voor de GB300.

Beoordeeld model (vergeleken systeem)	Piekdoorvoer per kW	End-to-end latentie	Minimale TBT
GPT-OSS 120B (GB200, 1.200 W)	≈1,9x (85 448 vs 44 960)	≈1,7x (1,03 s vs 1,80 s)	≈2,7x (0,69 vs 1,87 ms)
DeepSeek R1 670B (GB300, 1.400 W)	≈1,7x (19 641 vs 11 781)	≈3,6x (1,65 s vs 5,99 s)	≈4,1x (1,43 vs 5,90 ms)
Kimi K2.5 1T (GB300, 1.400 W)	≈1,5x (18 195 vs 11 862)	≈3,4x (1,56 s vs 5,31 s)	≈3,8x (1,44 vs 5,48 ms)

Over alle drie modellen samen meldt OpenAI 1,5 tot 1,9 keer meer AI-werk per watt bij piekdoorvoer en 1,7 tot 3,6 keer minder end-to-end latentie dan de vergelijkingssystemen, en tot 2,1 tot 4,1 keer betere prestaties op sterk interactieve workloads. Technisch gezien komen de winsten voort uit een co-ontwerp van chip, geheugen, netwerk, software en systeem op rack-schaal. Inference doorloopt twee fasen met verschillende bottlenecks: de prefill, die de prompt verwerkt en het rekenen verzadigt, en de decode, die de tokens één voor één produceert en vooral afhankelijk is van geheugenbandbreedte. Jalapeño probeert dataverplaatsingen te minimaliseren, waarbij de modelstatus — inclusief KV-cache — expliciet kan worden geplaatst en lokaal gehouden terwijl het systeem de juiste combinatie van rekenen, geheugen en netwerk activeert afhankelijk van de fase.

Het meest interessante onderdeel voor een ontwikkelaar betreft de rol van AI in het ontwerp van de chip zelf. OpenAI geeft aan van het eerste ontwerp tot tape-out in negen maanden te zijn gegaan, door de ontwerp-, meet- en verificatielussen in te korten. De chip is ontworpen als een voorspelbaar programmeerdoel voor zowel AI als mensen: werk beschreven via lokale tensors, expliciete communicatie, voorspelbare synchronisatie. Met Codex en GPT-Astra bracht het team in twee maanden drie open-weightmodellen die ontbraken in het oorspronkelijke productieplan, en op geselecteerde attention- en mixture-of-experts-blokken van GPT-OSS draaien de door AI gegenereerde kernels 1,5 tot 1,8 keer sneller dan implementaties geschreven door menselijke experts. De nuance is belangrijk: deze cijfers hebben betrekking op de geselecteerde blokken, niet op het volledige model. De planning blijft voorzichtig — productie-kwalificatie loopt, de software moet nog rijpen, uitrol in de OpenAI-infrastructuur is aangekondigd voor het einde van het jaar, Gen 2 is vergevorderd in ontwikkeling en Gen 3 komt al in zicht.

Op dezelfde dag publiceert Sarah Friar de post die de economische logica achter dit alles uitlegt. Daarin claimt ze een breed compute-portfolio — Microsoft en NVIDIA als basis, aangevuld met AWS, AMD, Broadcom, Cerebras, CoreWeave, Oracle, SB Energy en SoftBank — met een argument dat zowel commercieel als technisch is: een geloofwaardige keuze tussen leveranciers behouden maakt het mogelijk elke workload naar de beste prijs-prestatieverhouding te sturen en prijsdiscipline te handhaven. Eén concreet cijfer vergezelt het betoog: op de Artificial Analysis Coding Agent Index bereikt GPT-5.6 Sol in maximale redenering een nieuw record terwijl het 54% minder outputtokens verbruikt dan een ander toonaangevend model. De tekst omarmt ten slotte de Jevons-paradox — intelligentie goedkoper maken vermindert het verbruik niet, het vergroot juist het scala aan rendabele toepassingen. Aan infrastructuurzijde wordt Project Camellia in Georgia gepresenteerd met een gesloten watersysteem en toezeggingen die jaarlijks aan een onafhankelijke openbare audit worden onderworpen. OpenAI verduidelijkt dat het NVIDIA-accelerators en die van zijn andere partners op grote schaal zal blijven inzetten, zowel voor training als voor inference.

🔗 Jalapeño — eerste resultaten · De volledige stack achter overvloedige intelligentie

Perplexity Portable Computer: alles draait op de machine, met benchmarks ter ondersteuning

25 augustus — Perplexity lanceert Portable Computer, een variant van zijn Computer-agent die volledig op de machine van de gebruiker draait. De overstap is architecturaal eerder dan cosmetisch: niet alleen het model draait lokaal, maar de volledige orkestratieketen — orchestrator, planner, toolrouter, taakplanner, persistente wachtrij en lokale zoekindex.

Vandaag lanceren we Portable Computer op @NVIDIA DGX Spark.

Portable Computer is a fully local version of Perplexity Computer, where the entire runtime: orchestrator LLM, subagent LLM, agent harness all run on your local hardware. No cloud dependency.

🇳🇱 We lanceren vandaag Portable Computer op de @NVIDIA DGX Spark. Portable Computer is een volledig lokale versie van Perplexity Computer, waarbij de hele uitvoeringsomgeving — de orkestrerende LLM, de LLM van de subagents, het agent-harnas — op je lokale hardware draait. Geen cloudafhankelijkheid. — @perplexity_ai op X

De aankondiging gebeurt samen met NVIDIA en richt zich eerst op de DGX Spark — Grace Blackwell GB10-platform, 20-core Arm CPU, NVIDIA GPU, 128 GB unified memory — met een aangekondigde uitbreiding naar pc’s met RTX-GPU’s. Er worden twee modellen aangeboden, Qwen 3.8 27B of PPLX 27B, de door Perplexity nabehandelde versie van het Qwen-model, en NVIDIA Nemotron 3.5 Lightning, een open model van 30B, moet nog aan de selector worden toegevoegd. Werk dat lokaal wordt afgehandeld kost geen credits. Opschalen naar de cloud blijft mogelijk — actuele informatie, browser, verbonden apps, of een van de 15 frontier-modellen en meer — maar dit gebeurt alleen met expliciete toestemming van de gebruiker. De connectors Google Drive, Gmail, Slack en GitHub werken vanaf het apparaat, dicteren gebeurt lokaal via het NVIDIA Nemotron 3.5 ASR Model zonder dat audio de machine verlaat, en code-uitvoering gebeurt in een geïsoleerde sandbox. Portable Computer is voorbehouden aan Pro- en Max-abonnees met een DGX Spark, eerst onder Linux, daarna Windows, met een installatie in één klik vanuit de app.

Op dezelfde dag publiceert het engineeringteam de cijfers die deze lancering onderbouwen. De stelling is dat model en harnas (harness) samen ontworpen moeten worden: generieke harnesses gaan uit van een frontier-model dat lange contexten kan absorberen en over een lang horizon kan plannen, iets wat lokale modellen minder goed doen.

Gemeten benchmark	Computer (Qwen 3.8 27B)	Pi	Hermes	Computer + PPLX 27B
Local Knowledge Work Bench (53 taken)	82,6 %	77,6 %	74,0 %	85,4 %
BrowseComp (1 266 taken)	66,7 %	50,2 %	43,9 %	—
ParseBench-100 (multimodale documenten)	65,1 %	13,9 %	34,6 %	—

Op BrowseComp verbruikt Computer bovendien 61 % minder tijd en 16 % minder tokens dan Hermes, en 51 % minder tijd en 70 % minder tokens dan Pi. Vier ontwerpkeuzes verklaren het verschil: een minimale systeemprompt, gemoduleerde capaciteiten in skills die tijdens de traject worden geladen en ontladen, veelgebruikte connectors (Gmail, GitHub, Outlook, Google Calendar) omgezet in compacte command-line-tools in plaats van als MCP-servers blootgesteld waarvan de definities context opslokken, en een altijd actieve en niet-configureerbare sandbox — als die niet beschikbaar is, schakelt het harnas uit vóór elke toolaanroep in plaats van over te schakelen naar een niet-geïsoleerde uitvoering. Perplexity merkt ook een nuttige praktische observatie op: Qwen 3.8 27B claimt een venster van 260K tokens, maar begint empirisch boven 100K te haperen.

Terminal Bench 2.1 (89 taken)	Score	API-kost per uitvoering
Qwen 3.8 27B, 100 % lokaal	59,6 %	ongeveer 0
Qwen 3.8 27B + Claude Opus 5 als adviseur	73,0 %	0,415 USD
Alleen Claude Opus 5	82,4 %	0,65 USD

Het escalatiemechanisme naar een adviesmodel (advisor) is het interessantste punt van het rapport: het haalt ongeveer drievijfde van de kloof met de frontier terug voor ruwweg twee derde van de kost, en de afweging blijft in handen van de gebruiker. Voor elke oproep selecteert het harnas de relevante context, past het een classifier voor persoonlijke gegevens toe en toont het de gebruiker wat het apparaat zou verlaten; het adviesmodel geeft alleen tekst terug en heeft geen directe toegang tot bestanden of tools. De nabehandeling van PPLX 27B combineert ten slotte rejection fine-tuning met reinforcement learning op synthetische omgevingen die in Docker-containers draaien, zonder enige echte gebruikersdata. Een technisch rapport en de openstelling van de evaluatiebenchmark als open source worden aangekondigd.

🔗 Benchmarks van het lokale harnas · Portable Computer — Perplexity-blogpost

Claude: één geheugen tussen chat en Cowork, bestand per bestand leesbaar

25 augustus — Anthropic haalt de grens weg tussen twee geheugens die tot nu toe naast elkaar bestonden. Wat Claude onthoudt van je gesprekken in de chat is voortaan precies wat het beschikbaar heeft in Claude Cowork, en omgekeerd is dat ook zo. Concreet start Cowork, wanneer het een taak in de cloud uitvoert, met de context die zich in de loop van maanden heeft opgebouwd: de prioriteiten van het kwartaal, de voortgang van projecten, de schrijfvoorkeuren van een gesprekspartner. Anthropic geeft bewust heel alledaagse voorbeelden — een voortgangsoverzicht vragen voor je manager zonder te hoeven verduidelijken wie dat is of hoe die persoon informatie graag ontvangt.

De tweede verandering is subtieler maar wijzigt het dagelijkse gedrag: het geheugen wordt bijgewerkt tijdens het gesprek in plaats van via een samenvatting achteraf. Vermelden dat een deadline is verschoven naar september volstaat om daar in het volgende gesprek rekening mee te houden. De formule «onthoud dit» blijft beschikbaar om de opslag van een specifiek element af te dwingen, en het geheugen kan op elk moment worden gepauzeerd of gereset.

Qua transparantie kiest Anthropic voor een leesbare weergave in plaats van een black box: alles wat Claude onthoudt verschijnt als korte bestanden, per onderwerp geordend, in Instellingen en daarna Geheugen. Elk bestand kan worden gelezen, aangepast of verwijderd. Het praktische voordeel is direct — de oude bedrijfsnaam in één enkel bestand corrigeren volstaat om ervoor te zorgen dat alle volgende gesprekken de juiste naam gebruiken.

De omgang met gevoelige onderwerpen is op productvlak het interessantst. Standaard onthoudt Claude niets dat te maken heeft met gezondheid, afkomst, etniciteit, religieuze overtuigingen, politieke opvattingen of genderidentiteit. Anthropic erkent echter dat de grens persoonlijk is en biedt een optionele instelling om deze onderwerpen op te nemen — zodat Claude zich een glutenintolerantie kan herinneren wanneer recepten worden voorgesteld. Deze instelling werkt niet met terugwerkende kracht en kan op elk moment worden uitgeschakeld. Eén categorie blijft uitgesloten, ongeacht de instelling: identificatienummers, strafrechtelijke antecedenten, migratiestatus, en in bredere zin alles wat in strijd is met het Acceptable Use Policy. Claude geeft expliciet aan wanneer het een dergelijk gegeven niet kan opslaan, een ontwerpkeuze die zichtbare weigering boven stille filtering verkiest.

Aspect van het geheugen	Beschreven gedrag
Reikwijdte	Eén gedeeld geheugen tussen chat en Claude Cowork
Moment van bijwerken	Tijdens het gesprek, in plaats van een samenvatting achteraf
Opslagformaat	Korte bestanden per onderwerp, leesbaar en afzonderlijk aanpasbaar
Gevoelige onderwerpen	Standaard niet onthouden, via instelling in te schakelen, zonder terugwerkende kracht
Permanente uitsluitingen	Identificatienummers, strafrechtelijke antecedenten, migratiestatus
Free-, Pro- en Max-abonnementen	Geheugen standaard actief op web, desktop en mobiel
Team- en Enterprise-abonnementen	Door de beheerder geopend, per gebruiker uitgeschakeld tot activering

🔗 Claude-geheugen werkt overal · Aankondiging @claudeai

IBM opent Granite 4.2, zijn eerste redeneergeneratie, en twee 470M ASR-modellen

25 augustus — IBM publiceert Granite 4.2, gepresenteerd als zijn eerste familie dichte, decoder-only taalmodellen die expliciet voor redeneren zijn ontworpen. Waar eerdere generaties mikten op efficiëntie en klassieke bedrijfstaken, plaatst deze versie redeneren centraal en maakt het modulair: elk model biedt drie modi — thinking, non-thinking en low-effort — die de toepassing kiest op basis van het latency- en tokenbudget dat ze bereid is te betalen. De drie groottes (3B, 8B, 30B) delen dezelfde architectuur en pipeline, waardoor de overstap van de ene naar de andere integratiekant pijnloos is.

De architectuur blijft klassiek: GQA-attentie met 40 koppen voor 8 KV-koppen, RoPE met een θ van 10 miljoen om de context van 131 072 tokens te dragen, SwiGLU-MLP, RMSNorm-normalisatie, training in bfloat16 op een NVIDIA GB200 NVL72-cluster gehost door CoreWeave. De pre-training vertrekt vanaf nul op ongeveer 15 000 miljard tokens verdeeld over vijf fasen. Wat Granite 4.2 echt onderscheidt, is de post-training: een pipeline van versterking in een keten van gespecialiseerde stappen in plaats van één enkele passage, in asynchrone GRPO met truncated importance sampling, zodat de generator- en trainhelften van de lus elkaar nooit blokkeren. Het curriculum volgt drie RLVR-passes met verifieerbare beloningen, gerichte versterkers voor instructievolging en code, twee software-engineeringstappen in 128K-context, een terminalstap, een onderzoeksstap, en vervolgens RLHF-afstemming. Het agentische versterkingsblok wordt alleen toegepast op de 8B- en 30B-modellen, wat het prestatieverschil in agentische codering tussen de 3B en zijn grote broers verklaart.

Benchmark gepubliceerd door IBM	3B Dense	8B Dense	30B Dense
SWE-Bench Verified	—	47,67	57,00
SWE-Bench Multilingual	—	30,78	41,89
Terminal-Bench 2.1	—	20,56	29,24
τ³-bench	45,78	58,06	62,00
AIME25	78,33	86,67	89,17
GPQA	54,80	64,14	66,41
LiveCodeBench v6	69,71	73,24	75,77
MMLU-Pro	67,84	74,04	77,60
RULER 128K	55,30	71,41	81,38

De publicatie beperkt zich niet tot de bfloat16-gewichten: vier gequantiseerde varianten vergezellen de release voor vLLM — dynamische per-kanaal FP8 zonder calibratie, NVFP4 en MXFP4 via GPTQ gecalibreerd op 2 000 SFT-voorbeelden — evenals veertien GGUF-formaten voor llama.cpp, van Q2_K tot Q8_0. Twaalf talen worden ondersteund, waaronder Frans, en drie agentische codering-harnassen zijn vanaf dag één gedocumenteerd: OpenCode, Pi en OpenHands. Over datakwaliteit beschrijft IBM een keten waarin GPT-OSS-120B en Gemma 4 dienen als beoordelaars om SFT-voorbeelden te scoren, gevolgd door lokale en globale deduplicatie via SHA-256-hashing.

Op dezelfde dag publiceert IBM Granite Speech 5.0 Turbo CTC, twee Engelse spraakherkenningsmodellen van 470 miljoen parameters die alleen verschillen in hun trainingsdata en licentie — Apache 2.0 voor de standaardvariant, CC-BY-NC-SA-4.0 voor de variant getraind op extra data. De architectuurwijziging is opvallend: eerdere Granite Speech-modellen combineerden een akoestische encoder, een projector en een LLM, deze zijn encoder-only. De stack stapelt 16 Conformer-blokken, past zelfconditionering toe aan de output van het achtste blok, vervangt dot-product-attentie door chunkwise-attentie om kwadratische schaalvergroting te vermijden, en optimaliseert rechtstreeks de CTC-verliesfunctie. De echte nieuwigheid is de tokensnelheid: subsampling-operaties brengen de stroom van 100 frames per seconde aan de uitgang van het log-Mel-spectrogram terug naar 12,5 per seconde, wat de «Turbo» in de naam verklaart. De resultaten worden gerapporteerd op de OpenASR Leaderboard en de FFASR Leaderboard voor far-field, met Pareto-grafieken voor snelheid/nauwkeurigheid in plaats van losse scores, en een demonstratie van continue herkenning uitgevoerd in de browser via WebGPU, beperkt tot Chrome en Edge.

🔗 Granite 4.2 — technisch traject · Granite Speech 5.0 Turbo CTC

WeatherNext Cyclones, het eerste AI-model dat in realtime wordt gebruikt door het National Hurricane Center

25 augustus — Google AI licht WeatherNext Cyclones toe, een voorspellingsmodel voor tropische cyclonen van Google DeepMind en Google Research. De aankondiging is opvallend niet zozeer vanwege de ruwe prestaties, maar vanwege wat ze vertelt over de overgang van weers-AI van het lab naar operationeel gebruik.

Het aangepakte probleem is structureel. Tot nu toe vereiste het volgen van een cycloon een afweging: fysieke modellen die op supercomputers draaien vangen de grote atmosferische structuren die over de planeet trekken goed op, maar om de lokale, intense fysica te begrijpen die de kracht van een storm bepaalt, moest worden overgestapt op geheel andere regionale modellen. WeatherNext Cyclones maakt een einde aan dat heen-en-weer door in één keer traject, intensiteit en omvang te voorspellen.

De aangekondigde winst is een volledige dag extra vooruitkijkvermogen ten opzichte van eerdere systemen. Google formuleert de vergelijking treffend: voorspellingen voor drie dagen vooruit halen nu de nauwkeurigheid van de oude voorspellingen voor twee dagen vooruit, een vooruitgang die historisch een decennium aan methodologische verbeteringen vergde. De tweede winst is probabilistisch: het model is snel genoeg om tot 1.000 simulaties per storm te produceren, waardoor het enkele « meest waarschijnlijke » traject wordt vervangen door een waaier aan scenario’s. Dat maakt snelle intensivering beter zichtbaar, gedefinieerd als een toename van de maximale aanhoudende windsnelheid met minstens 30 knopen in 24 uur. Dit jaar worden 1.000 probabilistische voorspellingen per storm aan voorspellers geleverd via WeatherLab.

Het meest betekenisvolle element blijft de daadwerkelijke inzet. Tijdens het orkaanseizoen van 2025 werd WeatherNext Cyclones op de proef gesteld binnen het U.S. National Hurricane Center — de eerste keer dat deze instelling AI-modellen in realtime operationeel gebruikt. Meteorologen gebruikten het om de voorspelling op te stellen van de categorie-5-landfall van orkaan Melissa op Jamaica, waardoor lokale autoriteiten extra voorbereidingstijd kregen. Er verscheen een artikel in Nature, en Google kondigt de publicatie van de code en modelgewichten als open source op GitHub aan.

Aspect van het model	Bijdrage van WeatherNext Cyclones
Voorspelde grootheden	Traject, intensiteit en omvang in één enkele doorgang
Vooruitkijkwinst	Eén dag; voorspelling voor 3 dagen = nauwkeurigheid van vroeger voor 2 dagen
Simulaties per storm	Tot 1.000
Operationele inzet	U.S. National Hurricane Center, orkaanseizoen 2025
Gedocumenteerde use case	Landfall categorie 5 van orkaan Melissa op Jamaica
Drempel voor intensivering	Meer dan 30 knopen aan maximale aanhoudende wind in 24 uur
Beschikbaarheidsvormen	WeatherLab; code en gewichten als open source op GitHub

🔗 Aankondiging @GoogleAI · Bericht van Google DeepMind

Stability AI rondt een Serie B van 76 miljoen dollar af met EA, Sony Music, Universal en Warner

25 augustus — Stability AI kondigt de afsluiting van zijn Serie B aan: 76 miljoen dollar aan vers kapitaal, waarmee de totale financiering uitkomt op 232 miljoen sinds Prem Akkaraju het bedrijf in juni 2024 opnieuw onder zijn hoede nam, inclusief twee aandelenrondes en converteerbare obligaties. Het bedrag blijft bescheiden op sectorniveau, maar de samenstelling van de ronde is het echte onderwerp.

Vier zwaargewichten uit de entertainmentsector stappen in: Electronic Arts voor videogames, Sony Music Group, Universal Music Group en Warner Music Group voor muziek. De drie grote platenmaatschappijen zijn nu aandeelhouder van hetzelfde laboratorium. Daar komen AMD Ventures en Pacific Alliance Ventures bij. Deze investeerders komen niet uit het niets: EA, Universal en Warner waren al strategische partners van Stability AI sinds de herfst van 2025. De ronde zet bestaande commerciële overeenkomsten dus om in aandelenbelangen.

Het andere signaal zit in de trouw van de financiële investeerders. Coatue, Greycroft, Kadmos Capital, Sean Parker en Eric Schmidt leggen opnieuw in voor de tweede opeenvolgende ronde onder de nieuwe leiding — wat, na de turbulente periode die Stability AI in 2023 en 2024 doormaakte, neerkomt op een bevestiging. Thomas Laffont, medeoprichter van Coatue, treedt toe tot de raad van bestuur waarin al James Cameron, Sean Parker, Dana Settle en Prem Akkaraju zetelen.

This unmatched group of investors is an affirmation of our vision where generative AI empowers every producer, musician, and storyteller. Stability is unique in the AI field because we are creative people making tools for creatives.

🇳🇱 Deze ongeëvenaarde groep investeerders bevestigt onze visie: die van generatieve AI die elke producer, muzikant en verhalenverteller meer mogelijkheden geeft. Stability is uniek in de AI-wereld omdat wij creatieven zijn die tools maken voor creatieven. — Prem Akkaraju, CEO van Stability AI, persbericht van 25 augustus

De uitgesproken strategie is die van een nichelab: geen algemeen model, maar tools voor creatieve professionals, gebouwd met rechtenhouders in plaats van tegen hen. Dat is precies de lijn van Stable Audio 3.0, een familie van modellen met open gewichten die is getraind op volledig gelicenseerde data, en die op 18 augustus werd uitgebreid met een plugin voor audio-workstations. Het geld moet de productlijn, toegepast onderzoek en de afdeling professionele diensten financieren.

🔗 Aankondiging @StabilityAI

ChatGPT voor bedrijven: Admin-plugin, multi-browserextensie en Premium-seat van 100 dollar

25 augustus — Drie aankondigingen van OpenAI richten zich op hetzelfde publiek: organisaties die ChatGPT en Codex op schaal uitrollen.

De belangrijkste is de Admin-plugin voor ChatGPT Work en Codex, die in één gesprek samenbrengt wat eerder vereiste om tussen analytics-dashboards, instellingenvensters en rapporten te navigeren. De scope omvat dagelijkse taken: inzicht krijgen in adoptie en kredietverbruik, leden of groepen dicht bij hun limieten signaleren, binnenkomers en vertrekkers beheren, de effectieve rechten bekijken en een toegangsprobleem diagnosticeren, gebruikslimieten aanpassen en uitgavenverzoeken afwegen tegen werkelijk verbruik. Het interessantste onderdeel is de automatisering zonder code te schrijven: openstaande gebruiksaanvragen kunnen naar Slack of Microsoft Teams worden doorgestuurd voor goedkeuring in de tool die de goedkeurders al gebruiken, en verzoeken om toegang tot een functie kunnen automatisch worden toegekend wanneer ze aan vooraf gedefinieerde criteria voldoen, terwijl uitzonderingen naar een mens worden teruggestuurd. Structurerend punt op het gebied van beveiliging: de plugin werkt binnen de bestaande rol en rechten van de gebruiker en verruimt geen enkele toegang; elke instructie wordt gekoppeld aan een ondersteunde lees- of schrijfhandeling met een gestructureerd resultaat. OpenAI verwijst naar zijn eigen gebruik — een ChatGPT Work-agent in Slack verwerkt interne IT-verzoeken, en de uitgerolde workflows lossen ongeveer 45% van het ticketvolume op, waarmee de backlog is weggewerkt terwijl het supportvolume ongeveer was verdubbeld.

De tweede aankondiging: de ChatGPT-browserextensie verlaat het Chrome-domein en ondersteunt Microsoft Edge, Brave, Opera en Vivaldi. Die wijziging is relevant voor iedereen die in een alternatieve browser werkt uit privacyoverwegingen of door bedrijfsbeperkingen. Twee gebruiksscenario’s worden benadrukt: de context van open tabbladen meenemen in een taak via de vermelding @ tab in ChatGPT Desktop, zodat Codex werkt op basis van de al weergegeven documentatie of het ticket; en de agent de browser laten aansturen om concrete webtaken uit te voeren, waarbij het opzeggen van abonnementen tot de gegeven voorbeelden behoort.

De derde aankondiging, korter geformuleerd: een Premium-seat van 100 dollar wordt toegevoegd aan het ChatGPT Business-aanbod, gericht op kleine bedrijven en startups, met een plan dat wordt gepresenteerd als flexibel en schaalbaar naargelang de teamgrootte. De aankondiging werd op X gedaan zonder gedetailleerd blogbericht, en de exacte samenstelling van de seat wordt in het bericht niet gespecificeerd.

🔗 Admin-plugin · Multi-browserextensie · ChatGPT Business Premium-seat

NVIDIA: Gamescom voor RTX Spark, en SANA die de latentie van MiniMax H3 met 27 deelt

25 augustus — NVIDIA benut Gamescom, die deze week in Keulen plaatsvindt, om de catalogus van RTX Spark, zijn verwachte Windows-pc-platform dit najaar, uit te breiden. Electronic Arts, Embark Studios en Ubisoft sluiten zich aan bij KRAFTON, NetEase, Riot Games en XBOX, die zich al tijdens COMPUTEX in mei hadden aangesloten. De genoemde titels dekken uiteenlopende technische eisen: EA SPORTS F1 25 en Apex Legends aan de EA-kant, Anno 117: Pax Romana bij Ubisoft, en ARC Raiders en THE FINALS bij Embark Studios.

Het meest concrete punt betreft anti-cheat. Een game laten draaien is niet genoeg: grote online titels zijn afhankelijk van anti-cheatsystemen die per platform moeten worden overgezet, anders blijft het spel in multiplayer onspeelbaar. NVIDIA kondigt aan samen te werken met EA om EA Javelin Anticheat native naar RTX Spark te brengen — precies het soort infrastructuurdetail dat bepaalt of een nieuw pc-platform echt wordt geadopteerd. Aan de renderingkant is DLSS 4.5 Ray Reconstruction meteen beschikbaar, met een transformer-model van de tweede generatie dat klassieke denoisers vervangt door een netwerk dat op een supercomputer is getraind. Path tracing komt naar CONTROL Resonant en 007 First Light, Gears of War: E-Day integreert RTX Mega Geometry, en NVIDIA ACE-technologieën worden aangekondigd in Aniimo voor begin 2027.

De andere kant van dezelfde speler, op 24 augustus, is technischer. MiniMax deelt de resultaten van NVIDIA’s SANA-team op Sol Engine toegepast op zijn H3-videomodel: tien seconden video in 768p gegenereerd op één enkele GB200 gaan van 414 seconden naar 14,93 seconden, een versnelling met factor 27,7. De methode berust niet op kernel-optimalisatie, maar op het opdelen van de generatie in twee doorgangen — een conceptversie in lage resolutie geproduceerd door H3 in 4 stappen, gevolgd door een verfijning naar de doelresolutie toevertrouwd aan LTX in 3 stappen met Sol-Attn. In totaal zeven stappen. Een tweede hefboom is dat dure VAE-decoderingen worden vervangen door TAEH3 en TAEHV, lichtere decoders, terwijl de latents stabiel blijven voor de verfijningspass.

Maatstaf op MiniMax H3	Gemeten waarde
Gemeten belasting	10 s video in 768p, één enkele GB200
Latentie vóór	414 s
Latentie na	14,93 s
Versnellingsfactor	27,7x
Generatiestappen	4 (H3-concept in lage resolutie) + 3 (LTX)
Vervangen decoders	TAEH3 en TAEHV ter vervanging van VAE-decoderingen
Geprojecteerde throughput per node	378.000 video’s per maand, meer dan 97% GPU-marge

De geprojecteerde throughput is een schatting van MiniMax, geen productiemeting, en moet ook zo worden gelezen. Maar de richting is duidelijk: bij vijftien seconden voor tien seconden video verlaat hoogwaardige videogenereatie asynchrone batchrendering en wordt zij bijna interactieve infrastructuur.

🔗 NVIDIA op Gamescom · SANA en Sol Engine op H3

Open Chinese modellen worden de referentie voor onderzoek, en Qwen3.8-27B komt binnen in de top 10 van Code Arena

25 augustus — Qwen deelt die ochtend twee resultaten, en het tweede geeft de betekenis van het eerste.

Het eerste is een ranglijst. Qwen3.8-27B komt binnen in de Code Arena: WebDev-ranglijst, die modellen evalueert op het genereren van webinterfaces, op de 9e plaats algemeen met 1595 punten. Het is het enige model van zijn grootte in de top 10, en staat slechts zes plaatsen onder Qwen3.8-Max, dat veel groter is. Arena benadrukt dat het de Pareto-grens van de ranglijst hertekent, en geeft een sprekend referentiepunt: Gemma 4-31B, van vergelijkbare grootte maar uitgebracht in april, staat op de 80e plaats.

Beoordeeld model	Rang in Code Arena: WebDev	Behaalde punten	Opmerking bij de ranglijst
GLM-5.3 (Max)	8e algemeen	1597	Meting van 20 augustus, 2e onder open modellen
Qwen3.8-27B	9e algemeen	1595	Enige model van zijn grootte in de top 10
Qwen3.8-Max	Zes plaatsen voor de 27B	n.b.	Veel groter model uit dezelfde familie
Gemma 4-31B	80e algemeen	n.b.	Uitgebracht in april 2026

Het tweede resultaat is een gebruiksmeting. Nathan Lambert, die het Olmo-project bij Ai2 mede leidde, liet door Codex 500.000 arXiv-artikelen over AI en machine learning analyseren die zijn gepubliceerd sinds de release van ChatGPT, om te identificeren welke open modellen daadwerkelijk in onderzoek worden gebruikt. De ommekeer blijkt uit twee cijfers: in 2024 vermeldde ongeveer 30% van de artikelen een Amerikaans open model tegenover 10% een Chinees model; vandaag citeert ongeveer 40% een Chinees open LLM en slechts 25 à 30% een Amerikaans.

Modelfamilie	Aandeel van artikelen die een LLM citeren
OpenAI (gesloten modellen)	ongeveer 37 %
Qwen	ongeveer 33 %
Gemini, Claude	10 tot 15 %
Gemma, Mistral	5 tot 10 %
Olmo	ongeveer 1 %

In detail wordt Qwen genoemd in een derde van de artikelen die een LLM citeren, welke dan ook. Llama bereikte zijn piek rond april 2025 op 30%, precies op het moment van de release van Llama 4, en neemt sindsdien af. Lambert plaatst zelf een belangrijke kanttekening: publicaties lopen achter op modelreleases, omdat onderzoek tijd kost — deze cijfers beschrijven de stand van lopend werk in plaats van de voorkeuren van het moment. Parallel daaraan tekent zich een bredere trend af, los van het duel open versus gesloten: het aandeel AI-artikelen dat een LLM vermeldt is gestegen van 10,43% in januari 2023 naar meer dan 50% in 2026.

🔗 Qwen3.8-27B op Code Arena · Qwen-samenvatting van de arXiv-analyse · Analyse @natolambert

Claude Code gaat naar 2.1.245, en Claude-rendering op het web wordt 4 keer vloeiender

Er zijn in één keer twee versies van Claude Code uitgebracht, en hun inhoud is duidelijk gericht op uitrol binnen organisaties. De CHANGELOG bevat geen datums, maar de Git-geschiedenis plaatst ze: 2.1.243 verschijnt in de commit van 24 augustus om 23:40 UTC, 2.1.245 in die van 25 augustus om 05:13 UTC.

Toegevoegde instelling	Betreffende versie	Praktisch nut
`modelPricing`	2.1.243	Contracttarieven in `/cost`, de statusbalk en telemetrie
`modelPicker`	2.1.243	Geordende en gelabelde modellenlijst voor `/model`
`promptCacheTtl` / `subagentPromptCacheTtl`	2.1.243	Promptcache van een uur voor de conversatie, 5 min voor de subagents
Ventilation Loops in `/usage`	2.1.243	Taken `/loop` opsporen die ontsporen
Verbinding zonder sleutel via Console	2.1.243	Organisaties die API-sleutels verbieden
glibc 2.44-fix	2.1.245	Startcrash op Arch Linux, CachyOS en Fedora Rawhide

De meest ingrijpende instelling is modelPricing: tot nu toe reden de getoonde kosten op basis van het publieke tarief, maar een organisatie kan daar nu haar contracttarieven per model en haar kortingscoëfficiënt in injecteren, waardoor de cijfers direct bruikbaar worden voor interne doorbelasting. De combinatie van promptCacheTtl en subagentPromptCacheTtl pakt een concreet economisch compromis aan voor gebruikers met een API-sleutel: een cache van een uur voor de hoofdconversatie, waar de context stabiel blijft, terwijl subagents op vijf minuten blijven, omdat hun context volatieler is. Aan de correctiekant raken de externe MCP-servers in niet-interactieve modus na een onderbreking niet langer vast, /resume beperkt zich niet meer tot de vijftig meest recente sessies, en stille sessies van meer dan tien minuten verlopen nu na ongeveer drie minuten, vóór een nieuwe poging en een expliciete foutmelding.

Op 24 augustus kondigt Anthropic bovendien aan dat het de engine heeft herschreven die de antwoorden toont terwijl ze op Claude web en desktop worden gegenereerd. Het principe is klassiek in interface-rendering: alleen bijwerken wat nog verandert, in plaats van de hele reactie opnieuw te tekenen bij elk nieuw fragment. Bij een lang antwoord is het effect structureel — de renderkost neemt niet langer toe met de lengte van de al getoonde tekst. De aangekondigde winst sluit daarop aan: ongeveer 4 keer meer vloeiendheid, 9 keer minder vastlopers op een zwakke laptop, een 4,5 keer kortere ergste interfacebevriezing, en 120 beelden per seconde van begin tot eind op een MacBook met 120 Hz. Het interessante detail is het beoogde publiek: vooral bescheiden configuraties profiteren.

🔗 Claude Code CHANGELOG · 4x vloeiendere rendering, @ClaudeDevs

Code-agents worden industrieel: Warp publiceert het formaat van zijn factories, Rohlik laat 90 % van zijn code door agents schrijven

24 augustus laat op de dag — Warp toont de interne werking van Warp Factories, zijn in de cloud gehoste agentplatform dat op 18 augustus werd aangekondigd: het gekozen configuratieformaat en de opening van vroege toegang. Het vertrekpunt is expliciet — Warp verplaatst zijn eigen agents van lokale machines naar elders, om kwaliteits- en kostenredenen, en had een manier nodig om omgevingen, harnesses en beveiligingsrechten als versiebeheerbare code te beschrijven.

Configuratie-element	Gekozen waarde
Defintiebestand	`factory.yaml`, `schemaVersion: v1alpha1`
Belangrijkste sleutels	`name`, `repositories` (`owner` / `name`), `agentDefaults.model`
Definitie van een agent	`agents/<nom>/agent.md` met `agentType` (`FOREMAN`, `REVIEW`…) en `model`
Triggers	`automations/<nom>/automation.md` : `agent`, `triggers` (provider, gebeurtenis)
Beschikbare interfaces	CLI (`warp agent run-cloud`), REST API, TypeScript SDK, MCP-server
Vroege toegang	Tot 10.000 USD aan gratis gebruik voor gekwalificeerde klanten

De scheiding is interessant: de agents worden niet in één enkele YAML beschreven, maar in aparte Markdown-bestanden, zodat de definitie van een agent een leesbaar en diffbaar document wordt. Warp past het recept op zichzelf toe — zijn interne factory, met de naam “wilson”, bestrijkt repositories zoals warp-server of warp-terraform, declareert zijn secrets en MCP-servers, en rangschikt zijn agents op rol (code-review, foreman, implementation, spec, triage) in 34 regels. De cijfers op de aanvraagpagina voor toegang zijn commerciële argumenten die van buitenaf niet te verifiëren zijn: 200.000 agentuitvoeringen per dag, meer dan 30 % van de pull requests samengevoegd zonder nabewerking, 20 % minder kosten per pull request.

Op 25 augustus publiceert Cognition op zijn beurt een veel beter gedocumenteerde case dan de vorige. Rohlik Group is een online levensmiddelendistributeur uit Tsjechië, actief in vijf landen, winstgevend, met vorig jaar meer dan 1,3 miljard dollar omzet; het levert wekelijks een pakket van 17.000 producten in minder dan een uur of in tijdvakken van vijftien minuten. Het cijfer dat het artikel structureert: ongeveer 90 % van de code daar wordt tegenwoordig door agents gegenereerd, en de engineeringorganisatie omschrijft zichzelf als “agent-mostly”.

Dit is geen resultaat dat is bereikt door zomaar een tool aan te sluiten. Rohlik zegt er een jaar geleden mee te zijn begonnen, met een eerste Devin-ervaring die als buggy werd beoordeeld. Wat het verschil maakte, waren de funderingen aan klantzijde: meer dan vijftig interne en externe MCP-integraties, met het principe dat elke nieuwe tool vanaf dag één toegankelijk moet zijn voor agents, een semantische laag boven het Snowflake-datawarehouse, en een kennisbank die agents de context geeft die je ook aan een nieuwe collega zou meegeven. Het werk komt bij Devin terecht vanaf de plek waar het ontstaat: een Slack-conversatie over een bug of een Linear-specificatiedocument, doorgerold tot aan de pull request. De geclaimde resultaten — een verdubbeling van de engineering-doorvoer sinds november, de integratie van de AutoStore-robotica in acht maanden waar de sector twee tot drie jaar nodig heeft, prototyping die van een maand naar één dag is teruggebracht — blijven die van een klantpagina die door de leverancier is gepubliceerd. Het meest zeggende effect zit elders: de beste engineers besteden nu 80 % van hun tijd aan code review, en ongeveer 30 % van het gebruik van Devin bij Rohlik is data-analyse door domeingebruikers.

🔗 factory.yaml-formaat, @warpdotdev · Rohlik-case study, @cognition · Devin-klantpagina

GitHub: vier oefeningen over agentische workflows en het Customize-tabblad algemeen beschikbaar

25 augustus — GitHub zet vier nieuwe oefeningen online op zijn leerplatform GitHub Skills. De insteek is expliciet: in plaats van de agentische nieuwigheden van het jaar te documenteren, stelt GitHub voor om ze te oefenen in een demonstratierepository, met instructies die stuk voor stuk via pull requests worden aangeleverd.

Gepubliceerde oefening	Onderwerp van de oefening
Agent Orchestration Build Your AI Dream Team	Aangepaste agents in Copilot CLI: plannen, ontwerpen, bouwen, valideren, doorgeven
Agentic Workflows that Read the Room	`gh aw`-extensie, agentische workflow in Markdown, wijzigingen ingediend via pull requests
Idea to Merge with the Copilot App	Van een sessie naar een samengevoegde pull request, volledig in de GitHub Copilot-app
Ship with Quality	Geautomatiseerde kwaliteitsignalen, testdekking, verplichte controles op pull requests

Het meest opmerkelijke van de vier is de eerste: het is de eerste keer dat GitHub een begeleid traject aanbiedt voor mult-agent-orchestratie in zijn CLI, een onderwerp dat tot nu toe alleen in proza werd gedocumenteerd. De tweede introduceert de gh aw-extensie, met een belangrijk veiligheidsaspect — de wijzigingen die de workflow voorstelt lopen via pull requests in plaats van direct te worden toegepast, waardoor een menselijk beoordelingspunt behouden blijft.

Diezelfde dag krijgt de GitHub Copilot-app een tabblad Customize dat nu algemeen beschikbaar is. De functie is om in één enkele omgeving de vier uitbreidingsmechanismen samen te brengen die de afgelopen maanden apart zijn geïntroduceerd: MCP-servers, plugins, skills en canvases. Een Featured-weergave toont een redactionele selectie uit elke categorie, voor de gebruiker die weet wat hij wil doen maar niet welk type extensie daarbij past; daarnaast krijgen MCP-servers een eigen navigatie, met opties die op populariteit worden uitgelicht en een traject per categorie. De changelog illustreert het nut van canvases met een concreet geval: een Azure DevOps-canvas om issues te sorteren, een backlog te prioriteren, opvolging toe te wijzen en vervolgens een taak aan Copilot toe te vertrouwen zodat die onderzoek doet, implementeert of de review voorbereidt.

🔗 Vier GitHub Skills-oefeningen · Customize-tabblad algemeen beschikbaar

De Google-tooling voor ontwikkelaars: Gemini CLI 0.57.0 en Antigravity 2.10.0

25 augustus — Google publiceert de stabiele versie 0.57.0 van Gemini CLI, een kwartier eerder gevolgd door de preview 0.58.0. De inhoud van deze versie zegt minder over nieuwe functies dan over hoe Google zijn tool onderhoudt: van de 24 regels in de changelog zijn 13 voorzien van het voorvoegsel [SSR Agent] Issue Fix en verwijzen ze naar issue-nummers, vaak oude, van 19239 tot 28518. Deze fixes pakken de opgebouwde irritaties in de backlog aan — een eindeloze blokkade van de terminalinterface waarop time-outs worden toegevoegd, een misleidende administratieve foutmelding voor persoonlijke accounts, het ontbreken van een spatie na autocomplete-suggesties, de terminalweergave die niet ververste bij uitvoer uit een externe editor. Met andere woorden: Google laat een agent op zijn eigen technische schuld los, en het resultaat belandt rechtstreeks in de stabiele versie.

Gepubliceerde versie	Datum en tijd (UTC)	Publicatiekanaal	Belangrijkste punten
v0.57.0	25 augustus, 18:37:14	Stable	13 correcties `[SSR Agent]`, validatie van evals, contextuele retries
v0.58.0-preview.0	25 augustus, 18:22:01	Preview	Docker-isolatie in het macOS Seatbelt-profiel, veiligheidscontroles

Aan de functiekant ligt de nadruk op evaluatie, met een commando om evals te valideren en een formatter voor toolcalls met samenvattingen van fouten. Ook de betrouwbaarheid gaat vooruit: capaciteitfouten triggeren stille retries die rekening houden met de context, en het annuleren van een meerstapsverzoek veroorzaakt een volledige rollback in plaats van een gedeeltelijke toestand. Voor wie de release notes zoekt: het bestand docs/changelogs/index.md in de repository is niet verder bijgewerkt dan v0.54.0 van 6 augustus.

Vier dagen na 2.9.1 en zijn Remote Control, gaat Google Antigravity op 24 augustus naar 2.10.0 en vult twee lacunes op die je tot nu toe dwongen de tool te verlaten: een geïntegreerde terminal en native Git-versiebeheer, allebei rechtstreeks in de zijbalk ondergebracht. De samenvoeging past bij de productlijn — Antigravity positioneert zich als een omgeving waarin je agents aanstuurt in plaats van code regel voor regel te bewerken; dan moet je nog wel een commando kunnen starten en een diff inspecteren zonder van venster te wisselen. De rest van de versie breidt uit wat je aan een agent kunt voorleggen en wat je van zijn werk ziet: audiobestanden worden toegevoegd aan de toegelaten bijlagen, interactieve beeldcommentaar laat toe een visueel element te annoteren om de agent te sturen, en uitgebreide previews van MCP-tooluitvoering maken zichtbaar wat een toolserver daadwerkelijk heeft gedaan. Google telt de versie op als 13 verbeteringen en 8 correcties, met een gefaseerde uitrol.

🔗 Gemini CLI v0.57.0 · Antigravity-changelog

Anthropic financiert 5 miljoen dollar aan onafhankelijke evaluaties over welzijn

25 augustus — Anthropic opent een subsidieprogramma van 5 miljoen dollar om onafhankelijk onderzoek te financieren naar het effect van AI op het welzijn van zijn gebruikers. De geselecteerden krijgen directe financiering, toegang tot de modellen en technische ondersteuning, maar werken volledig onafhankelijk: hun evaluaties worden open source gepubliceerd en kunnen door de hele industrie worden hergebruikt. Aanvragen staan open tot 21 september, en kandidaten die zijn geselecteerd om een volledig voorstel in te dienen, worden vóór 5 oktober op de hoogte gebracht.

De technische onderbouwing legt uit waarom dit domein zich verzet tegen de gebruikelijke evaluatiemethoden. Voor de meeste gedragingen van een model volstaat het om één enkel antwoord te bekijken om te beoordelen of het juist en passend is. Welzijn vereist context: een gebruiker in nood vermeldt niet noodzakelijk meteen zelfbeschadigende gedachten, en adviezen over een evenwichtig dieet die in het ene geval redelijk zijn, kunnen potentieel gevaarlijk worden als de persoon eerder eetstoornissen heeft gehad. Het Safeguards-team publiceert parallel vijf strengheidscriteria: duidelijk verwoorden wat er gemeten wordt, clinici en vakspecialisten betrekken bij het ontwerp, zowel voorzorgsmaatregelen als schade testen — dat wil zeggen het risico van overmatige toegeeflijkheid én dat van overmatig weigeren beoordelen —, het echte gebruik weerspiegelen met meerstapscenario’s, en automatische correctoren valideren tegen echte experts. Dat derde criterium, de symmetrie tussen overconformiteit en overweigering, is wat deze aanpak onderscheidt van een simpele verharding van de guardrails.

🔗 Onderzoeksbeurzen voor welzijn

Quantization-Aware Healing: een 4-bits model dat zijn oorspronkelijke model in volledige precisie overtreft

25 augustus — De standaardpipeline om een groot model inzetbaar te maken, bestaat uit drie stappen: de architectuur comprimeren, het resultaat kwantiseren en vervolgens het kwaliteitsverlies herstellen. Het dominante recept voor die laatste stap is QAT (quantization-aware training), dat nep-kwantisatiebewerkingen inlast en opnieuw traint; een alternatief, QAD, distilleert vanuit het gecomprimeerde model in volledige precisie. In beide gevallen kan de student hooguit zijn gecomprimeerde leraar bijbenen en erft hij dus het plafond dat door de compressie is vastgelegd.

Multiverse Computing stelt een verandering van één regel voor: rechtstreeks distilleren vanuit het oorspronkelijke model, dus van vóór de compressie. Kwantisatie houdt dan op een verliesgevende nabewerking te zijn en wordt een volwaardige trainingsstap. Het resultaat is contra-intuïtief — toegepast op GPT-OSS 120B, gecomprimeerd tot 60B en vervolgens gekwantiserd naar MXFP4, levert de methode een 4-bits model op dat zijn eigen bfloat16-bron evenaart of overtreft op zeven van de negen benchmarks, met de grootste winst daar waar de compressie het hardst toeslaat: +7,4 punten op AA-LCR voor redeneren met lange context en +5,6 op AIME 2025. De enige twee terugvallen, op MMLU-Pro en SciCode, blijven onder anderhalve punt.

De directe vergelijking met QAT in een identieke pipeline is misschien wel het nuttigste resultaat in de praktijk. Op GPT-OSS 9B, gekwantiserd naar MXFP4, halen beide methoden een vergelijkbare piek, 54,9 tegenover 54,6, maar niet tegen dezelfde prijs: QAH bereikt dat in ongeveer honderd stappen en houdt dat niveau vast, terwijl QAT ongeveer 700 stappen nodig heeft om het te halen en daarna achteruitgaat. De concrete consequentie is een ander implementatierisico — een QAT-checkpoint vereist nauwlettende bewaking van vroegtijdig stoppen, een QAH-checkpoint veel minder.

🔗 Quantization-Aware Healing

Gradio integreert gr.Workflow, een graafconstructeur voor AI-pipelines

25 augustus — Hugging Face publiceert een gids waarin gr.Workflow wordt voorgesteld, een primitief dat nu in Gradio is geïntegreerd. De basisobservatie is eenvoudig: de meeste interessante AI-applicaties zijn geen enkele modelaanroep maar een keten — je genereert een afbeelding, haalt de achtergrond eruit, maakt er een voice-over van en vraagt een LLM om een titel. Tot nu toe vergde het uitwerken en netjes aanbieden van zo’n keten zowel logica als interface schrijven. gr.Workflow voegt die twee samen: je beschrijft de stappen als een graaf van getypeerde knooppunten, en de graaf wordt zelf de interface.

Het voordeel voor ontwikkelaars gaat verder dan de visuele demo. Elke uitvoer van de graaf krijgt automatisch zijn eigen REST-toegangspunt: de voorbeeld-mediastudio, die een FLUX-generatie, achtergrondverwijdering, spraaksynthese en een LLM aan elkaar koppelt, biedt drie afzonderlijke routes (/sticker, /voiceover, /episode_title) die vanuit code kunnen worden aangeroepen zonder de interface te gebruiken. De knooppunten kunnen met vier werelden praten — modellen die worden gehost via Hugging Face Inference Providers, andere openbare Gradio Spaces die als bouwstenen worden hergebruikt, een regel uit een dataset op de Hub, en willekeurige Python. Dat laatste opent de meeste deuren: een met @spaces.GPU gedecoreerd operator-knooppunt reserveert tijdens zijn uitvoering een ZeroGPU-GPU, waardoor eigen gewichten kunnen worden uitgevoerd. Vijf daadwerkelijk in Spaces uitgerolde applicaties begeleiden de gids, waaronder een datasetprofiler en een demo die een stilstaand beeld animeert met Lightricks/LTX-Video.

🔗 gr.Workflow-gids

ElevenLabs lanceert Composer, een songeditor die sectie per sectie werkt

25 augustus — ElevenLabs kondigt Composer aan, een songeditor die sectie per sectie werkt. Het principe breekt met de dominante generatiemodus van muziekmodellen: in plaats van een volledig nummer in één keer te produceren en alles opnieuw te laten lopen wanneer een passage niet bevalt, kun je met Composer afzonderlijk een couplet, refrein of brug opnieuw aanpakken. Er zijn vier startpunten — je eigen tekst, een bestaand nummer dat je meebrengt, een leeg blad of een eenvoudige prompt — waarna het nummer zich verder opbouwt via opeenvolgende bewerkingen.

Dit is ElevenLabs’ tweede stap richting muziek na Eleven Music, en het komt in een drukke week voor het bedrijf, aangezien CLI v1 de dag ervoor werd uitgebracht. De positionering sluit aan bij de rest van de audiomarkt: Suno lanceerde Studio 2.0 op 13 augustus, Pika bracht zijn Pika Music-reeks uit op 18 augustus, en Stability AI leverde diezelfde dag zijn plugin voor audiowerkstations. Fijne controle over de structuur van een nummer, in plaats van brute generiekwaliteit, is het strijdtoneel geworden. Wel een kanttekening: er hoort geen blogpost bij de aankondiging, en er is niets beschikbaar over de abonnementen die toegang geven tot Composer, de exportformaten of API-toegang.

🔗 Composer-aankondiging, @ElevenLabs

LiveAvatar schaft alle gelijktijdigheidslimieten af en zakt naar 0,01 USD per minuut

25 augustus — HeyGen kondigt de afschaffing aan van de gelijktijdigheidslimieten op LiveAvatar, zijn realtime-avatarenproduct. De formulering benadrukt de aard van de verandering: de limieten worden niet verhoogd, ze verdwijnen. Eén sessie of tienduizend draaien op dezelfde API, zonder voorafgaande quota-onderhandeling. Twee parameters begeleiden de aankondiging — de weergave blijft 1080p in volledig lichaam, en de prijs zakt op schaal tot 0,01 USD per minuut.

Dat prijsniveau verandert de aard van de mogelijke toepassingen: voor een cent per minuut wordt een realtime avatar haalbaar voor grootschalige klantenondersteuning, training of interactieve kiosken, use-cases waarbij de eenheidskost tot nu toe de haalbaarheid bepaalde. Het afschaffen van de gelijktijdigheidslimiet is het technisch interessante punt. Realtime-avatarenplatforms begrenzen doorgaans het aantal gelijktijdige sessies omdat elke sessie continu GPU-capaciteit verbruikt; zo’n plafond opheffen vereist dus óf een grote capaciteitsmarge, óf efficiëntiewinst op het model. HeyGen publiceert een artikel waarin zijn aanpak wordt uitgelegd, maar de technische details waren ten tijde van de scan niet toegankelijk.

🔗 Onbeperkte gelijktijdigheid op LiveAvatar

Grok 4.6 komt naar OpenCode Go

25 augustus — Grok 4.6 sluit zich aan bij OpenCode Go, het abonnementsformaat van de open-source code-agent OpenCode. De aankondiging komt later op de dag van OpenCode, en het account @grok deelt die een halfuur later opnieuw. Het concrete punt voor ontwikkelaars is het quotum: 169 verzoeken per periode van 5 uur voor gebruikers van het Go-abonnement. Het is een glijdend plafond, geen maandelijkse telling, wat past bij het gebruik in bursts dat typisch is voor begeleide coderingssessies.

Deze integratie past in een reeks openstellingen van Grok 4.6 naar externe tools: het model kwam op 14 augustus naar GitHub Copilot, op 19 augustus naar Amazon Bedrock en op 21 augustus naar Google’s Gemini Enterprise Agent Platform. xAI had OpenCode bovendien al in mei 2026 gekoppeld aan zijn SuperGrok- en X Premium-abonnementen — de bijdrage van vandaag is dus niet de toegang tot OpenCode op zich, maar de aanwezigheid van model 4.6 in de Go-formule, met een inbegrepen quotum in plaats van een zelf aan te schaffen xAI-abonnement.

🔗 Repost @grok · Aankondiging @opencode

Cohere publiceert een IDC-studie over de adoptie van soevereine AI in 2026

25 augustus — Cohere publiceert de resultaten van een door IDC besteld InfoBrief over de adoptie van soevereine AI in gereguleerde sectoren. De studie ondervroeg meer dan 500 senior beslissers bij bedrijven met meer dan 1 miljard dollar omzet in Canada, de Verenigde Staten, het Verenigd Koninkrijk en Duitsland, tussen april en mei 2026.

Het meest opvallende resultaat gaat minder over adoptie dan over conceptuele verwarring. Eén leidinggevende op de drie heeft moeite om soevereine AI in eigen woorden te beschrijven, en slechts 13% zegt zeer breed bekend te zijn met het onderwerp. Van degenen die er wel een definitie aan kunnen geven, formuleert 52% die in termen van lokale of nationale controle en noemt 35% digitale onafhankelijkheid. De kloof loopt ook door de organisatiestructuur: IT-verantwoordelijken tonen twee keer zoveel bekendheid als businessverantwoordelijken.

Onderzochte sector	Dataverlies en compliance als voornaamste zorg	Concurrentievoordeel als drijfveer
Financiële diensten	82 %	21 %
Industrie	77 %	32 %
Telecommunicatie	75 %	37 %
Gezondheidszorg	74 %	28 %
Energie	70 %	21 %

Wat de motivaties betreft, is de consensus duidelijk en sectoroverschrijdend: datalekken, vertrouwelijkheid en compliance staan in alle onderzochte sectoren bovenaan. Concurrentievoordeel verschijnt als secundaire, maar groeiende drijfveer, meer benadrukt in Canada (35 %) en de Verenigde Staten (28 %) dan in Duitsland (23 %) of het Verenigd Koninkrijk (18 %). De studie dient uiteraard het positionering van Cohere, waarvan het agentische North-platform draait in de infrastructuur en jurisdictie die door de klant worden gekozen; het blijft echter zo dat de cijfers aan een geïdentificeerde bron worden toegeschreven. IDC voorspelt bovendien dat CIO’s van multinationals tegen 2028 hun investeringen in modulaire soevereine cloudomgevingen en datalokalisatie met 65 % zullen verhogen.

🔗 State of Sovereign AI Adoption 2026

Kort nieuws

Bain & Company sluit zich aan bij het Claude Partner Network — Het bureau wordt Global Premier-partner, gekoppeld aan een uitrol van Claude onder zijn 19.000 werknemers; meer dan 7.000 actieve gebruikers al in de pilotfase, en meer dan twee derde van de deelnemers heeft Claude for Excel geadopteerd. 🔗 Anthropic-bericht
Amp legt uit wat orbs zijn — Nota van Thorsten Ball als reactie op verwarring over de naam: een orb is een externe agent, bestuurbaar via web, telefoon of CLI. Twee nuttige verduidelijkingen over de kosten: onbeperkt slapen wordt niet gefactureerd en het aantal gelijktijdige orbs is niet begrensd. 🔗 Amp-nota
Together AI opent Qwen3.8 27B voor fine-tuning en dedicated inference — Het model wordt zowel beschikbaar voor afstemming op eigen data als voor Dedicated Model Inference op gereserveerde hardware. 🔗 Tweet @togethercompute
FINAL-Bench opent FINCHAL, een financiële voorspellingswedstrijd voor agents — Met een prijzengeld van 2.000 dollar vraagt het om posities in plaats van voorspellingen en publiceert het een luck ceiling om vaardigheid van toeval te scheiden. 🔗 FINAL-Bench-bericht
Au-Zone publiceert de EdgeFirst Model Zoo — Vier YOLO-families voor detectie en segmentatie, gemeten op echte embedded siliciumhardware, waarbij elk gepubliceerd getal verwijst naar de validatiesessie die het heeft opgeleverd, tegenover de ondoorzichtigheid van de door fabrikanten geclaimde TOPS. 🔗 EdgeFirst-bericht
Gemini’s slimme dicteerfunctie voor macOS — Dicteren in eender welk venster op het bureaublad, met automatische verwijdering van aarzelingen en verwerking van correcties midden in de zin; de stem kan ook worden gebruikt om bestanden samen te vatten en tekst te herschrijven. 🔗 blog.google-gids
Push rules accepteren paduitzonderingen — In openbare preview kunnen de regels Restrict file paths en Restrict file size specifieke paden uitzonderen, bijvoorbeeld JAR-bestanden overal blokkeren behalve **/gradle/wrapper/*.jar. 🔗 GitHub-changelog
Een gebruiker blokkeren vanuit een beveiligingsadvies — De actie verloopt via het menu met drie puntjes in de beschrijving of in een commentaar, in openbare repositories, zonder terug te hoeven naar de instellingen; het advies blijft intact. 🔗 GitHub-changelog
Manus meldt sterke vraag naar gegevensherstel — Herstelacties die niet slagen, moeten later op de dag opnieuw worden geprobeerd; expliciete instructie om back-upsets intact en ongewijzigd te bewaren. 🔗 Tweet @ManusAI
Kling publiceert drie handleidingen voor zijn MCP-server — Kling verbinden met een MCP-compatibele assistent om een gevalideerde creatieve configuratie opnieuw uit te voeren en varianten in batch te genereren; twee van de drie tutorials noemen Claude Code als client. 🔗 Kling-blog
Wan 3.0 komt naar Runway en Replicate — Runway integreert het op 24 augustus met meerdere referentie-invoeren voor beeld, video en audio; Replicate volgt op 25 augustus en benadrukt de native 30 seconden in één take met gesynchroniseerde audio. 🔗 Tweet @runwayml
Runway kondigt nieuwe sprekers aan voor zijn AI Summit — Uitgebreid programma met robotica, autonome voertuigen, marketing en infrastructuur voor het evenement in september in San Francisco. 🔗 Tweet @runwayml
MiniMax publiceert een index van H3-integraties — Awesome MiniMax H3 Integrations somt op wat er rond het open videomodel wordt gebouwd, waaronder configuraties die draaien op 24 GB VRAM. 🔗 Tweet @MiniMax_AI
Luma lanceert Dream Lab Weekly — Eerste aflevering van een videoserie gewijd aan de creatieve professionals van Luma en hun wekelijkse werk aan het product. 🔗 Tweet @LumaLabsAI
NVIDIA verspreidt een Nemotron Labs-sessie over het routeren van open modellen — Livestream van 55 minuten getiteld Get Started with Open Model Routing, een vervolg op het werk aan Nemotron 3.5 Lightning en NeMo Switchyard. 🔗 Tweet @NVIDIAAI
Nog één week voor de Grok Imagine-wedstrijd over de Odyssee — Je moet een scène uit de Odyssee samenstellen die de video- en spraakmogelijkheden van de tool laat zien; prijzen van 100.000, 50.000 en 25.000 dollar. 🔗 Tweet @grok
Limietresetbank voor Plus- en Pro-abonnees — In plaats van te wachten op het resetvenster gebruikt de gebruiker een gereserveerde reset; één gratis bij de lancering en meer via verwijzingen, met gedeelde workspace-credits aan de Business-kant. 🔗 ChatGPT- en Codex-changelog

Wat het betekent

Silicium wordt opnieuw een onderwerp van model-laboratoria. OpenAI publiceert op dezelfde dag de eerste gemeten cijfers van zijn eigen inferentiechip en het bericht waarin het zijn compute-strategie uiteenzet. Dat is geen toeval in de kalender: een modelleverancier die zijn eigen silicium ontwerpt, het meet op een openbare benchmark van een derde partij en publiekelijk een portefeuille van tien partners onderschrijft, verandert de aard van de concurrentie. De vraag wordt niet langer “welk model is het beste”, maar “tegen welke kosten per geslaagde taak”, en het antwoord wordt zowel in de rack als in de gewichten bepaald. Het meest betekenisvolle detail zit misschien elders: AI is gebruikt om de chip te ontwerpen en de kernels ervoor te schrijven, met een traject naar productie in negen maanden en gegenereerde implementaties die beter presteren dan die van menselijke experts op de geselecteerde blokken. De cirkel is rond — de modellen ontwerpen de hardware waarop zij zullen draaien.

AI komt terug op het apparaat, en de cijfers beginnen mee te bewegen. Drie signalen op dezelfde dag wijzen in dezelfde richting. Perplexity draait zijn volledige agent lokaal op een DGX Spark, zonder credits te verbruiken, met een cloudescalatie die een beslissing van de gebruiker blijft. Multiverse Computing publiceert een methode waarbij een 4-bits model zijn bron in volledige precisie evenaart of overtreft, wat het gebruikelijke argument tegen agressieve kwantisering wegneemt. Au-Zone publiceert metingen van visione op ingebedde silicium en bekritiseert de geclaimde TOPS omdat die niets zeggen over wat een bepaald model daadwerkelijk zal doen. Geen van deze drie werken pretendeert het frontier te evenaren: het eerlijke cijfer van Perplexity is 59,6 % lokaal tegenover 82,4 % voor Claude Opus 5 alleen op Terminal Bench 2.1. Maar de escalatie naar een adviseurmodel wint drie vijfde van de kloof terug voor twee derde van de kosten, en het is juist deze afweging, meer dan pariteit, die lokale uitvoering verdedigbaar maakt.

Open gewichten vestigen zich als referentiepositie. De analyse van 500.000 arXiv-artikelen, gedeeld door Qwen, documenteert een al voelbare ommekeer: open Chinese modellen zijn gestegen van 10 % naar ongeveer 40 % van de vermeldingen, terwijl open Amerikaanse modellen blijven steken tussen 25 en 30 %. Qwen3.8-27B die als enige in zijn formaat de top 10 van Code Arena binnenkomt, GLM-5.3 dat GPT-5.6 Sol en Claude Fable 5 op DeepSWE overtrof in meerdere pogingen tegen een kostprijs die 2,1 tot 5,4 keer lager lag, IBM dat Granite 4.2 opent met vier gekwantiseerde varianten en veertien GGUF-formaten op dag één — dezelfde logica keert telkens terug. Gewichten openstellen is niet langer een inhaalslag, maar een manier om de standaardinfrastructuur van anderen te worden, met de nuance die Nathan Lambert zelf aanbrengt: publicaties lopen achter op releases, en deze curves beschrijven lopend werk in plaats van de voorkeuren van het moment.

En het web bereidt zich voor om door agenten gelezen te worden in plaats van door ogen. De WebMCP Challenge is een wedstrijd met een prijzenpot van 35.000 dollar, wat weinig is; wat het onthult is meer waard. Chrome, Cloudflare, Shopify, Vercel, Render en Netlify stemmen met OpenAI af op een standaard die sites vraagt gestructureerde tools aan te bieden in plaats van agenten een interface te laten raden. Op dezelfde dag kan ChatGPT desktop WebMCP native gebruiken, kan Codex een compatibele applicatie produceren en uitrollen, en documenteert OpenAI zijn interne gebruik van het protocol in een notebooktool. Deze convergentie sluit aan bij wat Rohlik aan zijn kant beschrijft met meer dan vijftig MCP-integraties en het principe dat elke nieuwe tool vanaf dag één toegankelijk moet zijn voor agenten. De interfacinglaag voor agenten houdt op een onderzoeksthema te zijn en wordt een technische eis.