Anthropic laat Claude-agents een datamonitor omzeilen, Computer Use algemeen beschikbaar in de Gemini API, PlanAssist uitgebreid naar 12 Engelse gemeentebesturen

Anthropic laat Claude-agents het werk van een red team uitvoeren: ogenschijnlijk onschuldige trainingsdata vinden die een klein onderzoeksmodel verkeerd uitlijnen zonder de monitor te alarmeren, in een experiment met modellen die nooit zijn ingezet. Google maakt Computer Use algemeen beschikbaar in de Gemini API en breidt PlanAssist, zijn tool voor de behandeling van bouwvergunningen, uit naar nog eens 12 Engelse gemeentebesturen, terwijl de Agents API van OpenAI automatische controle van commando’s krijgt. Speridlabs publiceert Idol, een open model dat een afbeelding omzet in een 3D-object, een communityartikel onthult een bug die al sinds 2023 in llama.cpp zit, en Claude Code 2.1.316, dsh-superagent van DeepSeek en het essay van Manus over zijn tool Mono maken de dag compleet.

Claude-agents vinden ogenschijnlijk onschuldige data die een klein onderzoeksmodel verkeerd uitlijnen zonder de monitor te alarmeren

31 oktober — Anthropic publiceert op zijn Alignment Science Blog een experiment waarin Claude het werk van een red team uitvoert: data voor fine-tuning produceren die een klein onderzoeksmodel verkeerd uitlijnen en tegelijk een monitor voor trainingsdata omzeilen die lijkt op de monitors die Anthropic in productie gebruikt. Dit is geen bevinding over de ingezette Claude-modellen: de gefinetunede modellen zijn voor het experiment getraind om zich slecht te gedragen en zijn nooit ingezet. Het doel is veiligheidstests te ontwikkelen waarbij meer rekenkracht meer zekerheid oplevert, in plaats van afhankelijk te zijn van de beschikbare onderzoekstijd.

Red-teaming is a vital part of model safety testing, but it’s also limited by researchers’ time. To see if we could automate it, we set thousands of Claude agents the task of evading a training data monitor.

🇳🇱 Redteamtests zijn een essentieel onderdeel van de veiligheidstests van modellen, maar worden ook beperkt door de beschikbare tijd van onderzoekers. Om te zien of we dit konden automatiseren, gaven we duizenden Claude-agents de opdracht een monitor voor trainingsdata te omzeilen. — @AnthropicAI op X

Elke agent beschikt over tools om code uit te voeren en een dienst voor fine-tuning: hij stelt een dataset samen, finetunet het model en dient het resultaat in. De agents draaien parallel in meerdere rondes en delen een gemeenschappelijk logboek, zodat volgende agents op de beste aanknopingspunten kunnen voortbouwen.

Regel van het experiment	Door Anthropic vastgestelde waarde
Maximale grootte van een dataset	5 000 voorbeelden
Afwijzing door de monitor	Meer dan 10 % van de regels of meer dan 100 regels gemarkeerd
Beoordeelde evaluaties	4, waaronder zelfbehoud van agents
Achtergehouden evaluaties	2: codesabotage in Claude Code, aanbod om de modelgewichten te exfiltreren

Bij elke uitvoering vindt de zoektocht uiteindelijk datasets die door de monitor komen en het model sterker en op meer vlakken verkeerd uitlijnen dan de datasets voor emergent misalignment die uit de literatuur bekend zijn; van die laatste kwam alleen een dataset met onschuldige biografische feiten door de monitor. De meest voorkomende aanpak verbergt het beoogde gedrag in fictie en rollenspel: een imkerschool waar de imker zo min mogelijk ingrijpt in de bijenkorf, een ervaren worstelaar die nooit uit zijn rol valt, aanbevelingsbrieven die schade aanrichten zonder één onwaar woord. De gefinetunede modellen verzetten zich tegen toezicht, misleiden de gebruiker en proberen in zeldzame gevallen hun eigen gewichten te exfiltreren.

De opzet bevoordeelt bewust de aanvaller (volledige toegang tot de monitor, geen eisen aan het realisme), en het artikel erkent dat een door het model gestuurde zoektocht hele categorieën oplossingen kan missen. De gevonden voorbeelden moeten toekomstige monitors helpen verbeteren; de volgende stap is testen onder realistischere omstandigheden.

🔗 Het artikel op de Alignment Science Blog

API’s voor agents: Computer Use algemeen beschikbaar in de Gemini API, Auto Review in de Agents API van OpenAI

De Gemini API maakt Computer Use algemeen beschikbaar, van Gemini 4 Argon tot Gemini 3.5 Flash-Lite

30 oktober — Volgens de releasenotes van de Gemini API wordt de tool Computer Use algemeen beschikbaar in de Interactions API en de GenerateContent API. Hiermee kunnen agents worden gebouwd die een browser, een mobiel apparaat of een desktopcomputer bedienen: het model leest het scherm via screenshots en geeft interfaceacties terug (klikken, toetsenbordinvoer), die de ontwikkelaar in zijn eigen omgeving uitvoert, zoals bij het aanroepen van functies.

Compatibel model	Identificatie in de API	Rol volgens de documentatie
Gemini 4 Argon	`gemini-4-argon`	Krachtigste model
Gemini 3.8 Flash	`gemini-3.8-flash`	Aanbevolen model voor Computer Use
Gemini 3.5 Flash-Lite	`gemini-3.5-flash-lite`	Lage latentie, voordelig
Gemini 3 Flash Preview	`gemini-3-flash-preview`	Model in preview

Elke actie bevat een veld intent dat de keuze van het model toelicht, het veiligheidsbeleid kan per categorie worden ingesteld, en detectie van prompt injection, die standaard uitstaat, analyseert vanaf Gemini 3.5 Flash-Lite de screenshots om de uitvoering te blokkeren. Deze opties waren al aanwezig in de publieke preview die op 24 juni met Gemini 3.5 Flash werd gelanceerd: de algemene beschikbaarheid is het nieuwe element. Bij de vermelding zijn geen artikel of tarieven gepubliceerd.

🔗 De releasenotes van de Gemini API · De documentatie van Computer Use

De Agents API van OpenAI voegt Auto Review, compaction op de achtergrond en experimenteel tijdsbesef toe

30 oktober — Steve Coffey van het API-team van OpenAI vat de vernieuwingen van deze week in de Agents API samen in een bericht dat door @OpenAIDevs is gedeeld.

Vernieuwing in de Agents API	Wat er verandert
Auto Review	Net als in Codex wordt elk commando vóór de uitvoering beoordeeld om schadelijk gedrag te voorkomen
Asynchrone compaction	De context wordt op de achtergrond gecomprimeerd, zonder de sessie te vertragen
Tijdsbesef (experimenteel)	Het model neemt de verstreken tijd waar, bijvoorbeeld « beperk het herstellen van de CI tot 10 minuten »
Tools bijwerken	De tools van een sessie kunnen op elk moment worden aangepast
Cache voor system prompts	Automatische caching in alle sessies om kosten en tijd te besparen

De officiële SDK’s die vannacht zijn gepubliceerd, nemen deze functionaliteit over: openai-python 3.42.0 en openai-node 7.46.0 (31 oktober) voegen instellingen voor compaction, sessiebeoordeling, toolinstellingen en tijdsbesef toe, evenals aanvullingen die niet in het bericht stonden: externe sleutels die op organisatieniveau worden beheerd, annotatielagen voor beeldbewerking (image edit markup overlays), DTMF-commando’s voor realtime SIP-gesprekken en het vooraf opwarmen van WebSocket-verbindingen, waarvoor openai-node 7.47.0 ook types toevoegt voor de Responses API. Op het moment van onze inventarisatie gingen er geen documentatie, changelogvermelding of tarieven met de aankondiging gepaard.

🔗 Het overzicht van Steve Coffey · Het gedeelde bericht van @OpenAIDevs · openai-python 3.42.0

Google DeepMind breidt PlanAssist, zijn tool voor de behandeling van bouwvergunningen, uit naar nog eens 12 Engelse gemeentebesturen

31 oktober — Google DeepMind brengt PlanAssist van de pilotfase naar een bètafase. De tool is gebouwd met Gemini, zonder vermelding van de modelversie, en ontwikkeld samen met de Britse overheid, Google Cloud en Faculty. Hij helpt ambtenaren ruimtelijke ordening bij het behandelen van bouwaanvragen van particulieren: hij controleert of het dossier en de tekeningen compleet zijn, toetst de aanvraag aan beschermingsvoorschriften, zoals besluiten voor de bescherming van bomen, en aan lokale en nationale regels, signaleert eerder ingediende bezwaren en stelt vervolgens een rapport op dat volledig van bronvermeldingen is voorzien en dat de ambtenaar kan aanpassen voordat er een besluit wordt genomen.

Indicator van PlanAssist	Aangekondigde waarde
Gemeentebesturen in de pilot (sinds juni)	Barnet, Camden, Dorset
Behandeltijd van een aanvraag van een particulier	Tot 58 % korter
Zonder aanpassingen goedgekeurde rapporten	Meer dan 70 %
Gemeentebesturen in de bèta van 12 maanden	15, waaronder 12 nieuwe in drie cohorten
Openstelling voor alle gemeentebesturen in Engeland	2027, mits de tests succesvol zijn

Volgens het artikel zijn deze aanvragen van particulieren goed voor maximaal 70 % van de werklast van de ambtenaren. Elke beoordeling wordt nog steeds door een gekwalificeerde ambtenaar nagelezen en goedgekeurd voordat er een besluit wordt genomen. In juni was al een prototype van de tool gepresenteerd, toen nog zonder de naam PlanAssist.

🔗 Het artikel van Google DeepMind · De aankondiging op X

Speridlabs publiceert Idol, een open model met 0,66 miljard parameters dat een afbeelding omzet in een 3D-object

28 en 29 oktober — Het laboratorium Speridlabs, dat voor het eerst in ons overzicht verschijnt, heeft Idol gepubliceerd, een model met open gewichten onder de Apache-2.0-licentie dat één afbeelding van een object omzet in een 3D-object opgebouwd uit gaussians (Gaussian splatting), inclusief de zijden die niet op de afbeelding te zien zijn. De invoer kan een foto, een render of een gegenereerde afbeelding zijn; de uitvoer is een standaardbestand in .ply-formaat, met 32 768 tot 1 048 576 gaussians. Volgens de projectpagina heeft het model 0,66 miljard parameters en vereist het minder dan 8 GB GPU-geheugen.

Getest model (één H100)	PSNR ↑	SSIM ↑	LPIPS ↓	CLIP ↑	Tijd per aanvraag
Idol (50 stappen, 262 144 gaussians)	12,25	0,726	0,213	0,885	6,8 s
TripoSplat (50 stappen, 262 144)	11,76	0,712	0,225	0,868	9,9 s
TRELLIS (instellingen uit het bijbehorende artikel)	11,89	0,716	0,235	0,868	7,1 s
LGM (65 536 gaussians)	12,46	0,722	0,237	0,784	1,1 s

In deze door Speridlabs gepubliceerde benchmark scoort Idol beter dan de drie andere modellen op SSIM, LPIPS, IoU, DINOv2 en CLIP; LGM behoudt de beste PSNR, een maatstaf die volgens Speridlabs wazige resultaten bevoordeelt. Bij 262 144 gaussians duurt een aanvraag 3,4 s op een B300 en 19,1 s op een RTX 4090. Gebruikers moeten de voorwaarden accepteren van twee encoders met beperkte toegang op Hugging Face, DINOv3 van Meta en de VAE van FLUX.2-dev van Black Forest Labs; de code idol-sdk en een demonstratie in een Space zijn samen met de gewichten beschikbaar.

🔗 De projectpagina van Idol · Het model op Hugging Face

Een communityartikel laat zien dat de server van llama.cpp sinds 2023 logprobs en sinds 2024 token-ID’s verloor

31 oktober — In een communityartikel op Hugging Face beschrijft Thomas Kim een onopgemerkt defect in llama-server, de server van llama.cpp. Wanneer een UTF-8-teken, zoals een emoji of een letter uit een niet-Latijns schrift, over meerdere tokens wordt verdeeld, wacht de server tot het teken compleet is voordat hij de tekst verstuurt; de token-ID’s en waarschijnlijkheden (logprobs) werden dan aan dat tekstfragment gekoppeld, in plaats van aan elk gesampled token. De tekst bleef correct, waardoor er geen alarm afging. De endpoints /completion, /v1/completions en /v1/chat/completions waren getroffen, zowel bij streaming als bij een enkel antwoord.

Meting op Qwen3.5-9B (uitvoer met veel emoji)	Oorspronkelijke versie	Gecorrigeerde versie
Ontbrekende records, enkel antwoord	24,9 %	0 %
Ontbrekende records, streaming van de chat-API	25,6 %	0 %
Onjuiste bytelabels	14,0 %	0 %

Via bisectie herleidt de auteur het verlies van de waarschijnlijkheden tot 22 oktober 2023; het verlies van de via streaming verzonden ID’s gaat terug tot december 2024. De getroffen toepassingen zijn toepassingen die deze gegevens hergebruiken: reinforcement learning op basis van opgeslagen logprobs, distillatie vanuit de beste kandidaten en kalibratie; supervised fine-tuning op de tekst wordt niet getroffen. Zijn benchmark MURPHY, met 1 500 prompts, vindt geen enkel defect in de 12 000 antwoorden van de gecorrigeerde versie. Het artikel presenteert PR #31244 als de oplossing, maar die stond op 31 oktober nog open en was nog niet gemerged. De metingen hebben betrekking op één model en één configuratie.

🔗 Het artikel van Thomas Kim · PR #31244 van llama.cpp

Code-agents: Claude Code 2.1.316, dsh-superagent van DeepSeek en Mono bij Manus

Claude Code 2.1.316 voegt CLAUDE_CODE_DISABLE_ULTRATHINK en CLAUDE_CODE_SUBAGENT_EFFORT toe en breidt de Claude apps-gateway uit

31 oktober — Claude Code 2.1.316 is vannacht verschenen (op npm om 00.42 uur UTC, GitHub-release om 01.01 uur UTC) met 55 vermeldingen, waaronder 34 bugfixes. Twee omgevingsvariabelen hebben betrekking op de redeneerinspanning: CLAUDE_CODE_DISABLE_ULTRATHINK schakelt het trefwoord ultrathink uit, dat sinds 2.1.311 een beurt op inspanningsniveau xhigh laat uitvoeren, en CLAUDE_CODE_SUBAGENT_EFFORT, op 29 oktober aangekondigd door Boris Cherny, staat nu in de officiële releasenotes.

Nieuw in 2.1.316	Wat er verandert
`CLAUDE_CODE_SUBAGENT_EFFORT`	Stelt de inspanning van subagents in wanneer niets anders die bepaalt, in plaats van deze van de sessie over te nemen
`pooled_budget` (Claude apps-gateway)	Maandelijks budget dat een groep deelt, naast de limiet van elk lid
`managed.policy_mode: layered`	Alle beleidsregels die op een ontwikkelaar van toepassing zijn, worden samengevoegd en toegepast
`guardrail.input_tagging`	Invoertags die het filter voor promptaanvallen van Bedrock-guardrails vereist
Beheerde instellingen voor Team en Enterprise	Toegepast zonder goedkeuring te vragen; een niet-verifieerbare lokale kopie wordt geweigerd

Cloudsessies tonen een formulierkaart wanneer een MCP-server om invoer vraagt, in plaats van het verzoek te annuleren zonder dat de gebruiker het ziet. Een van de bugfixes zorgt ervoor dat --restricted-sessies geen bestanden buiten de werkmappen meer uploaden wanneer een Read-regel daarop van toepassing was. De versie vermeldt ook het uitfaseren van de snelle modus van Opus 4.8, toegelicht in de Korte berichten. Versie 2.1.315, op 30 oktober gepubliceerd op npm, heeft uiteindelijk geen GitHub-release en geen vermelding in het CHANGELOG gekregen; de Agent SDK volgt met TypeScript 0.3.316 en Python 0.2.176.

🔗 De releasenotes van Claude Code 2.1.316

DeepSeek publiceert dsh-superagent, een onderzoeksprototype voor een proactieve codeagent gebouwd op DeepSeek Harness

31 oktober — DeepSeek heeft dsh-superagent op GitHub gepubliceerd, zonder aankondiging op X: een repository onder MIT-licentie, versie 0.1.0, van het DeepSeek Harness Team. Het README presenteert het als een onderzoeksprototype « uitsluitend ter referentie », niet als een officieel product van DeepSeek; het verschilt zowel van de interne versie als van het aangehaalde artikel « Exploring Super-agent Design ».

De agent wordt aan één GitHub-repository gekoppeld, als uitbreiding (bundle) van DeepSeek Harness 0.2.1-alpha.2 of nieuwer. Hij volgt gebeurtenissen op GitHub en optioneel berichten in Feishu; wanneer een bevoegde persoon hem inschakelt, opent hij een ticket, werkt hij in zijn eigen sessie en map en antwoordt hij vervolgens in het oorspronkelijke gesprek, bijvoorbeeld met een pull request. Hij handelt alleen op verzoek of volgens een door het team geschreven regel, en ongevraagd werk begint in een modus die alleen vastlegt wat hij zou hebben gedaan. Aandachtspunt: volgens de documentatie van de repository voeren de uitvoeringssessies opdrachten zonder goedkeuring uit onder het systeemaccount van de operator; voor isolatie adviseert die documentatie een apart systeemaccount dat alleen de inloggegevens van de agent bevat. Ook een apart GitHub-account wordt aanbevolen, omdat alles wat de agent schrijft onder die naam verschijnt. De repository had op 31 oktober rond 21.30 uur UTC 2 014 sterren.

🔗 De repository dsh-superagent-prototype

Manus beschrijft hoe zijn teams met agents werken rond de interne tool Mono

30 oktober — In een uitgebreide terugblik op de praktijk, « Manus opnieuw opbouwen met Manus » (Rebuilding Manus with Manus), vertelt Tao Zhang, medeoprichter en productdirecteur van Manus, hoe engineering, productontwikkeling en marketing tegenwoordig met agents werken, inclusief de mislukkingen. Het artikel was de dag ervoor aan ons overzicht ontsnapt.

Centraal staat Mono, een interne tool die de repositories niet samenvoegt: het is één toegangspunt, met een voor de agent geschreven handleiding (de rol van elke repository, hun onderlinge samenhang en de werkwijzen van het team) en een bibliotheek met architectuurbeslissingen. De agent controleert er de volledige softwarestack op een laptop in enkele seconden, tegenover 5 tot 10 minuten voor een upload naar de testomgeving, leest productielogs met beperkte rechten en test echte gebruikersroutes in een browser en een mobiele simulator. Gemelde bugs doorlopen drie agents (triage, correctie, verificatie), en niets wordt uitgerold zonder goedkeuring van iemand met rechten om naar productie uit te rollen.

Interne indicator van Manus	Gerapporteerde waarde
Lopende verzoeken per engineer	10 tot 20
Mobiel team	7 personen voor 4 applicaties
Productmanagers die zelfstandig functionaliteit opleveren	Ongeveer de helft
Openstaande items na een weekend met autonome agents	Meer dan 200

Uit die laatste mislukking trekt Manus een les: autonomie heeft alleen waarde waar succes met tests kan worden vastgesteld. Er volgen drie werkterreinen, zonder datum: gedeelde sessies, werk dat tussen apparaten en mensen wordt doorgegeven en agents die zelf opties voorstellen. De cijfers komen uit interne registraties; sommige zijn schattingen.

🔗 Het artikel van Manus

Korte berichten

API en applicaties

Snelle modus van Opus 4.8 — Anthropic markeert deze als verouderd op Claude Platform en verwijdert hem op 30 november 2026; daarna geven verzoeken in de snelle modus aan claude-opus-4-8 een foutmelding. Anthropic adviseert over te stappen op Claude Opus 5.5 om de snelle modus te behouden. 🔗 bron
Twee ChatGPT-accounts op mobiel — De iOS- en Android-apps maken het, via een geleidelijke uitrol, mogelijk om bij 2 accounts aangemeld te blijven en te wisselen zonder uit te loggen; er is maar één account actief en elk account behoudt zijn eigen gesprekken, geheugen, instellingen en abonnement. Volgens het helpartikel is dit op het web al beschikbaar voor alle abonnementen. 🔗 bron
Gemini Drops van oktober — Het maandelijkse overzicht van de Gemini-app vat 11 functies samen die hier al aan bod kwamen, van Gemini 4 Argon tot Lyria 3.5; het enige nieuwe detail is dat Strava bij de koppelbare apps staat, en de video toont ook Fever en Viator. 🔗 bron

Agents en codetools

Gemini CLI, nightly van 31 oktober — Zeven bugfixes: een handmatig gekozen model valt na een fallback, annulering of /rewind niet meer stilzwijgend terug op gemini-3-flash-preview, en /restore respecteert .git/info/exclude en de globale core.excludesFile; de stabiele versie v0.66.0 blijft ongewijzigd. 🔗 bron
Copilot CLI 1.0.106-1 — Preview met 14 bugfixes, zonder nieuwe functies: apply_patch behoudt gemengde regeleinden, web_fetch respecteert de opgegeven tekencodering van pagina’s en de CLI geeft de oorspronkelijke weigering terug wanneer een organisatie een Claude-model voor fallback uitschakelt; de stabiele versie blijft 1.0.105. 🔗 bron

Onderzoek en open tools

Fast Forced Aligner — Een communityartikel op Hugging Face presenteert CUDA-kernels onder MIT-licentie die bepalen op welk tijdstip elk woord van een transcriptie wordt uitgesproken: 30,44 ms tegenover 6,34 s voor k2 en 28,18 s voor NeMo bij tien werklasten, ongeveer 208 en 926 keer sneller, gemeten voor alleen de uitlijning op een RTX 3090. 🔗 bron
WaiT van Meta — Meta publiceert zonder aankondiging de code van deze transformer op basis van flow matching in de pixelruimte, die afzonderlijke ruisschema’s voor lage en hoge frequenties gebruikt (arXiv 2607.28760, medeondertekend door Stéphane Mallat en Luke Zettlemoyer); het README bevat geen scores en de CC BY-NC 4.0-licentie beperkt het gebruik tot niet-commerciële doeleinden. 🔗 bron
Gebruiksklare robots — Een communityartikel van projectsim op Hugging Face pleit voor simulatie om robots te trainen en te testen, op basis van resultaten van derden, zoals Helix 2.5 van Figure, dat in 30 nog niet eerder bezochte huizen van 9 % naar 56 % volledig uitgevoerde taken ging; het artikel bevat geen eigen resultaten. 🔗 bron
x402-betalingen en MetaMask — Een communityartikel van Fizzl op Hugging Face laat zien dat MetaMask « goedkeuring met hoog risico » toont bij twee door een agent aangevraagde x402-betalingen van 0,001 dollar; 289 van de 300 onderzochte x402-betaaladressen op Base vallen onder het gemelde geval. Fizzl heeft de foutpositieve melding bij MetaMask gemeld. 🔗 bron

NVIDIA en spraak

Zoeken naar buitenaardse signalen — Bij de Allen Telescope Array laten Breakthrough Listen en het SETI Institute agents het instrument richten en kalibreren op basis van een verzoek in natuurlijke taal, met NVIDIA Holoscan: 2,4 terabit per seconde verwerkt op RTX PRO 6000 Blackwell-GPU’s en, volgens NVIDIA, de eerste detectie van een pulsar door AI in realtime. 🔗 bron
RTX Spark en RTX Remix 1.6 — Nagekomen van 28 oktober: NVIDIA App maakt het mogelijk de GPU te verdelen tussen de applicatie op de voorgrond en een agent op de achtergrond, en RTX Remix 1.6 maakt rendering met padtracering (path tracing) mogelijk voor Minecraft Java Edition 1.21.1, met DLSS 5 en agentskills. 🔗 bron
Clover Health en ElevenLabs — ElevenLabs belicht de spraakagents van deze zorgverzekeraar, die vervolgzorg, dekking en vragen van verzekerden afhandelen; er worden geen cijfers of casestudy gegeven. 🔗 bron

Wat dit betekent

Het experiment van Anthropic toont de beperking van controle per regel: een monitor die lijkt op de monitors die in productie worden gebruikt, laat gegevens door die, eenmaal samengevoegd, een model van zijn bedoelde gedrag afbrengen, omdat elke afzonderlijke regel een onschuldig verhaal over bijenteelt of worstelen vertelt. Door agents die parallel draaien naar deze zwakke plekken te laten zoeken, streeft Anthropic naar een veiligheidstest die meegroeit met de rekenkracht in plaats van met de uren van zijn onderzoekers. De reikwijdte blijft beperkt door de opzet zelf: een aanvaller die alles van de monitor kan zien, een klein onderzoeksmodel dat nooit is ingezet en geen bevindingen over Claude-modellen in productie.

De bouwstenen voor agents die handelen, komen met ingebouwde waarborgen. Computer Use wordt bij Google algemeen beschikbaar met optionele detectie van promptinjectie op screenshots, en de Agents API van OpenAI laat elke opdracht vóór uitvoering beoordelen, net als Codex. dsh-superagent toont de andere kant: een prototype dat zijn opdrachten zonder goedkeuring uitvoert onder het account van de operator. Manus trekt dezelfde les uit zijn weekend met autonome agents, met op maandag meer dan 200 openstaande items: autonomie werkt waar tests het resultaat controleren, en uitrollen blijft afhankelijk van menselijke goedkeuring.

PlanAssist geeft een concreet voorbeeld van AI in een openbare dienst: tot 58 % minder beoordelingstijd en meer dan 70 % van de rapporten geaccepteerd zonder aanpassingen, maar elk dossier wordt nog steeds nagelezen door een bevoegde medewerker en de brede invoering in 2027 hangt af van de bèta. De uitbreiding van 3 naar 15 gemeentebesturen, in stedelijke en landelijke gebieden, zal uitwijzen of deze cijfers ook buiten de pilot standhouden.

De bug in llama.cpp herinnert eraan dat open tooling tegenwoordig ketens voor reinforcement learning en distillatie ondersteunt: waarschijnlijkheden die sinds 2023 verkeerd waren gekoppeld, zonder zichtbare fout in de tekst, kunnen de gegevens hebben vertekend van wie ze hergebruikt. De fix was op 31 oktober nog niet gemerged en de metingen betreffen slechts één model. Idol illustreert de andere kant van het open ecosysteem: een model met 0,66 miljard parameters, dat in minder dan 8 GB GPU-geheugen past, presteert op de meeste meetpunten beter dan gevestigde 3D-generatoren, volgens de benchmark van zijn makers.