Anthropic ontdekt een globale werkruimte in LLM’s (J-space), Runway opent een physical AI-hub in Parijs, Claude Code legt agentische lussen uit

Deze 6 juli markeert een drukke dag tussen fundamentele interpreteerbaarheid en fysieke infrastructuur: Anthropic publiceert onderzoek naar de J-space, een globale werkruimte ontdekt in LLM’s, die doet denken aan neurowetenschappelijke theorieën over bewustzijn; Runway kondigt zijn eerste kantoor in Frankrijk aan met 30 M USD geïnvesteerd in onderzoek naar physical AI; en het Claude Code-team documenteert eindelijk de vier soorten agentische lussen die autonome workflows structureren. Aan open-sourcezijde verduidelijken LeRobot v0.6.0 en het Google DeepMind × Apptronik-partnerschap de anatomie van robotische AI in 2026.

Anthropic-onderzoek — De J-space, globale werkruimte in LLM’s

6 juli — Anthropic publiceert op transformer-circuits.pub nieuw interpreteerbaarheidsonderzoek: LLM’s bezitten een mechanisme dat analoog is aan de globale werkruimte (global workspace) zoals beschreven door de cognitieve neurowetenschappen — een actieve, bewuste, voor redenering toegankelijke informatieruimte. Dit mechanisme, J-space genoemd, ontstaat op natuurlijke wijze in taalmodellen zonder expliciet te zijn ontworpen.

Het onderzoek stelt vast dat, net zoals het menselijk brein slechts een fractie van zijn neurale activiteit toegankelijk maakt voor het bewustzijn, LLM’s hun actieve redenering concentreren in deze beperkte ruimte. Deze ontdekking heeft drie concrete implicaties:

Lezen waarover Claude op een bepaald moment actief redeneert
Auditen van de tussentijdse toestanden van de redenering
Sturen van het denkproces van het model tijdens de uitvoering

De X-post van Anthropic vermeldt een interactieve demo die via Neuronpedia beschikbaar is op open-weights-modellen, waarmee de J-space rechtstreeks kan worden verkend. Het onderzoek past binnen Anthropic’s programma voor mechanistische interpreteerbaarheid (mechanistic interpretability), dat erop gericht is de interne representaties van modellen te begrijpen om hun betrouwbaarheid te waarborgen naarmate ze krachtiger worden.

New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.

🇳🇱 Nieuw onderzoek van Anthropic: een globale werkruimte in taalmodellen. Van alles wat er op dit moment in je brein gebeurt, is slechts een miniem deel bewust toegankelijk — de gedachten die je kunt beschrijven, in gedachten kunt houden en waarover je kunt redeneren. We hebben een opvallend vergelijkbare dynamiek ontdekt in taalmodellen. De J-space stelt ons in staat te lezen, te auditen en te sturen waar Claude actief over nadenkt — nuttige hulpmiddelen om de betrouwbaarheid van modellen te behouden naarmate ze krachtiger worden. En het suggereert verrassende parallellen tussen taalmodellen en onze eigen geesten. — @AnthropicAI op X

🔗 Volledig paper — transformer-circuits.pub

Runway opent zijn eerste kantoor in Frankrijk in Parijs

6 juli — Runway kondigt de opening aan van zijn eerste Franse kantoor in Parijs, gewijd aan onderzoek naar world models (wereldmodellen) en physical AI (fysieke AI). Deze hub past binnen de Europese expansie van Runway, zes weken na de opening van zijn eerste kantoor in Londen.

Element	Detail
Locatie	Parijs, Frankrijk
Initieel team	10 personen
Investering	30 M USD
Focus	World models, physical AI
Werving	Parijs + Europa

“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”

🇳🇱 « Frankrijk heeft een van de diepste concentraties van AI-onderzoekstalent ter wereld. We zijn verheugd onze vlag in Parijs te planten terwijl we onze wereldwijde onderzoeksaanwezigheid blijven uitbreiden. » — Anastasis Germanidis, co-CEO, Runway

De co-CEO wijst op de dichtheid van talent afkomstig van de grote Franse onderzoeksinstellingen en op steun van de overheid als doorslaggevende factoren. Runway werft actief in Parijs en in heel Europa. De investering van 30 M USD positioneert Parijs als een centrum voor fundamenteel onderzoek, complementair aan de op commercialisering gerichte Londense hub.

🔗 Officiële aankondiging Runway

Claude Code — Gids over de vier soorten agentische lussen

6 juli — Het Claude Code-team publiceert via @ClaudeDevs een diepgaande gids, die al 316.000 keer is bekeken, over het ontwerpen van agentische lussen. De gids vertrekt van een nauwkeurige definitie: een lus is een agent die werkcycli herhaalt totdat een stopconditie is bereikt.

Type lus	Triggervoorwaarde	Stopconditie	Claude Code-primitief	Typische use-case
Beurt-voor-beurt (turn-based)	Gebruikersprompt	Claude acht de taak voltooid	Agentic loop	Korte en verkennende taken
Doelgericht (goal-based)	Prompt + expliciet criterium	Criterium bereikt of max. aantal beurten	`/goal`	Taken met verifieerbaar exitcriterium
Tijdgebaseerd (time-based)	Tijdsinterval	Annulering of einde van het werk	`/loop`, `/schedule`	Herhalend werk of externe systemen
Proactief (proactive)	Evenement of schedule zonder mens	Einde van elke subtake	Dynamic workflows + auto-modus	Goed gedefinieerde terugkerende workflows

Concrete voorbeelden in de gids: /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based). De gids behandelt ook het kwaliteitsbeheer van code in lange lussen (SKILL.md voor zelfcontrole, tweede agent voor review) en het sturen van tokengebruik (keuze van het geschikte model, duidelijke stopcriteria).

🔗 Thread @ClaudeDevs — Aan de slag met lussen

Regering van Alberta — 466 miljoen regels geaudit in 20 uur

6 juli — Anthropic publiceert een gedetailleerde use-case van de regering van Alberta (Canada): sinds 2025 gebruikt de provincie Claude Code met de Opus- en Sonnet-modellen om de beveiliging van haar overheids-IT-systemen te auditen. De resultaten zijn indrukwekkend.

Metriek	Waarde
Gescande code regels	466 miljoen
Duur van de scan	20 uur
Parallelle agents	~50 (Opus + Sonnet)
Gedekte applicaties	1 280
Gedekte repositories	3 400
Betrokken ministeries	27
Beveiligingscontroles per ronde	~95

De architectuur berust op twee soorten agents die zijn gebouwd met de Claude Agent SDK: een « red team »-agent die applicaties onderzoekt als een aanvaller, en een « blue team »-agent die de verdedigingen evalueert volgens een internationale beveiligingsstandaard en het remediatieplan opstelt. Een Java-subsidieportaal van 25 jaar oud werd in 4 tot 5 dagen opnieuw opgebouwd (tegen 5 maanden oorspronkelijk). Alberta publiceert technische whitepapers zodat andere overheden de aanpak kunnen repliceren.

🔗 Case study — anthropic.com

Sakana AI lanceert Sakana Translate — realtime JA/EN/ZH-vertaling

6 juli — Sakana AI, het in Tokio gevestigde lab gespecialiseerd in biologisch geïnspireerde neurale netwerken, lanceert Sakana Translate, geïntegreerd in zijn Sakana Chat-dienst. De tool ondersteunt tweerichtingsvertaling Japans ↔ Engels ↔ Chinees met drie verschillende modi:

Modus	Werking
Translate	Lange vertaling in realtime
Proofread	Verfijnt toon en formulering met wijzigingsregistratie
Ask	Verduidelijkt genuanceerde woordkeuzes

Deze lancering markeert de intrede van Sakana AI in consumentgerichte vertaaltools, met een duidelijke positionering rond de drie grote Oost-Aziatische talen. De dienst is toegankelijk via translate.sakana.ai.

🔗 Tweet Sakana AI

HuggingFace LeRobot v0.6.0 — world models, reward models, 9 benchmarkfamilies

5-6 juli — HuggingFace publiceert LeRobot v0.6.0 onder de titel « Imagine, Evaluate, Improve », een versie die robotisch leren structureert rond drie complementaire assen.

Beleidsmodellen met wereldmodel:

Beleid	Beschrijving
VLA-JEPA	Compacte VLA (Qwen3-VL-2B) die de toekomst in latente ruimte voorspelt
LingBot-VA	Autoregressief video-actie-model dat toekomstige video en acties tegelijk voorspelt
FastWAM	Evalueert of verbeelding tijdens inferentie de prestaties echt verbetert

Nieuwe geïntegreerde VLA’s: GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, inferentie ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 Md parameters).

Rewardmodellen: Robometer (zero-shot op elke LeRobot-dataset) en TOPReward (gebruikt Qwen3-VL als beoordelaar).

De benchmarks bestrijken nu 9 families: LIBERO, Meta-World, NVIDIA IsaacLab-Arena en 6 nieuwe. De infrastructuur wordt verrijkt met de CLI lerobot-rollout voor deployment met DAgger-strategie, FSDP-ondersteuning om modellen te trainen die groter zijn dan het beschikbare GPU-geheugen, en HF Jobs voor cloudtraining met één commando.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — uitgebreid Robot Park, Apollo 2-data voor Gemini Robotics

6 juli — Google DeepMind kondigt de uitbreiding aan van zijn onderzoekspartnerschap met Apptronik. Ter gelegenheid van de uitbreiding van Apptronik’s Robot Park zullen de in echte omstandigheden verzamelde gegevens van het humanoïde platform Apollo 2 rechtstreeks worden gebruikt voor de training van Gemini Robotics.

Element	Detail
Partner	Apptronik (uitgebreid Robot Park)
Platform	Apollo 2 (humanoïde robot)
Gebruik	Echte data → training van Gemini Robotics

Deze aankondiging illustreert de strategie van Google DeepMind: robotische AI verankeren in veldgegevens in plaats van in simulaties, door te steunen op fysieke humanoïde robots die in echte omgevingen worden ingezet.

🔗 Tweet @GoogleDeepMind

Korte berichten

Kimi K2.7 Code vs Claude Fable 5 — landingspagina’s met -94 % kosten — Together AI publiceert een vergelijking: 12 gegenereerde landingspagina’s, Kimi K2.7 Code kost ongeveer 4 cent per pagina tegenover 1,09 USD voor Fable 5 (gemiddeld 16× goedkoper), met GPT-5.5-scores die per pagina 4 tot 12 punten uiteenlopen. Het voordeel van Kimi wordt versterkt met een MCP-server voor visuele referenties. 🔗 Together AI Blog

Wat dit betekent

Interpreteerbaarheid verschuift van het lab naar het toezichtinstrument. Anthropic’s ontdekking van de J-space is niet zomaar een geïsoleerd academisch resultaat: het is de eerste keer dat een intern mechanisme van LLM’s in realtime kan worden gelezen, geaudit en gestuurd, zonder het model te wijzigen. Als toezichttools op basis van dit onderzoek operationeel worden, zou dat fundamenteel veranderen hoe we verifiëren waar een autonome agent mee bezig is te plannen — iets dat zowel beveiligingsteams als ontwikkelaars die agentische workflows debuggen aangaat.

Physical AI vestigt zich in Europa via Parijs. De opening van Runway’s Parijse kantoor, gecombineerd met LeRobot v0.6.0 van HuggingFace en het Google DeepMind × Apptronik-partnerschap, schetst een samenhangend ecosysteem rond physical AI: modellen die hun acties inbeelden voordat ze ze uitvoeren (world model policies), echte data van humanoïde robots voor training, en cloudinfrastructuur om toegang te democratiseren. Runway kiest Parijs vanwege de dichtheid van fundamenteel onderzoek — een signaal over de toekomstige geografie van dit domein.

Agentische AI treedt in productie bij de overheid. Het Alberta-geval is geen pilot: 466 miljoen regels gescand in 20 uur door 50 parallelle agents, 1 280 applicaties en 27 ministeries gedekt, whitepapers gepubliceerd voor andere overheden. Gecombineerd met de Claude Code-gids over lussen, die de primitieve /goal, /loop, /schedule documenteert voor volledig autonome workflows, is dit het teken dat agentische AI nu betrouwbaar genoeg is om op kritieke systemen te worden ingezet — met gesuperviseerde multi-agentarchitecturen.

De kosten-kwaliteitsvergelijking verschuift. De vergelijking Kimi K2.7 Code vs Fable 5 die door Together AI is gepubliceerd, concretiseert een structurele spanning: voor taken met hoge frequentie (pagina-generatie, repetitieve workflows) verlagen goed geoptimaliseerde open-weightmodellen de kosten met een factor 16 voor een kwaliteitsverschil van minder dan 10 %. Dat betekent niet dat gesloten modellen hun waarde verliezen, maar wel dat hun voordeel steeds meer geconcentreerd raakt op taken waar marginale kwaliteit echt telt.