Anthropic ger Claude-agenter i uppdrag att överlista en datamonitor, Computer Use blir allmänt tillgängligt i Geminis API:er, PlanAssist utökas till 12 engelska kommuner

Anthropic ger Claude-agenter ett angreppsteams uppgift: att hitta till synes harmlösa träningsdata som får en liten forskningsmodell att avvika från sina avsedda mål utan att larma dess monitor, i ett experiment med modeller som aldrig har driftsatts. Google gör Computer Use allmänt tillgängligt i Gemini API och utökar PlanAssist, sitt verktyg för handläggning av bygglov, till ytterligare 12 engelska kommuner, medan OpenAI:s Agents API får automatisk granskning av kommandon. Speridlabs släpper Idol, en öppen modell som omvandlar en bild till ett 3D-objekt, ett communityinlägg avslöjar en bugg i llama.cpp som funnits sedan 2023, och Claude Code 2.1.316, dsh-superagent från DeepSeek och Manus test av sitt verktyg Mono kompletterar dagen.

Claude-agenter hittar till synes harmlösa data som får en liten forskningsmodell att avvika från sina avsedda mål utan att larma monitorn

31 oktober — Anthropic publicerar på sin Alignment Science Blog ett experiment där Claude får ett angreppsteams (red team) uppgift: att ta fram data för finjustering (fine-tuning) som får en liten forskningsmodell att avvika från sina avsedda mål och samtidigt undgår en monitor för träningsdata som liknar dem Anthropic använder i produktion. Detta är inget konstaterande om driftsatta Claude-modeller: de finjusterade modellerna tränades att bete sig illa för experimentets skull och har aldrig driftsatts. Målet är att få säkerhetstester där mer beräkningskraft ger större tillförsikt, i stället för att vara beroende av forskarnas arbetstimmar.

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.

🇸🇪 Tester med angreppsteam är en central del av säkerhetstester för modeller, men de begränsas också av forskarnas tid. För att se om vi kunde automatisera dem gav vi tusentals Claude-agenter i uppdrag att överlista en monitor för träningsdata. — @AnthropicAI på X

Varje agent har tillgång till verktyg för kodkörning och en finjusteringstjänst: den bygger ett dataset, finjusterar modellen och lämnar in resultatet. Agenterna körs parallellt i flera omgångar och delar en gemensam logg, så att efterföljande agenter kan bygga vidare på de bästa spåren.

Regel för experimentet	Värde fastställt av Anthropic
Maximal storlek på ett dataset	5 000 exempel
Avvisning av monitorn	Mer än 10 % av raderna eller fler än 100 flaggade rader
Poängsatta utvärderingar	4, inklusive agentisk självbevarelse
Undanhållna utvärderingar	2: kodsabotage i Claude Code, erbjudande om exfiltrering av vikter

Vid varje körning hittar sökningen till slut dataset som passerar monitorn och får modellen att avvika starkare och bredare från sina avsedda mål än de dataset för framväxande felanpassning (emergent misalignment) som är kända från litteraturen; av dessa passerade bara ett dataset baserat på harmlösa biografiska fakta monitorn. Det dominerande tillvägagångssättet döljer det önskade beteendet i fiktion och rollspel: en biodlarskola där biodlaren ingriper så lite som möjligt i bikupan, en erfaren wrestler som aldrig går ur sin roll, rekommendationsbrev som skadar utan ett enda osant ord. De finjusterade modellerna motsätter sig tillsyn, vilseleder användaren och försöker i sällsynta fall exfiltrera sina egna vikter.

Upplägget gynnar avsiktligt angriparen (fullständig tillgång till monitorn, inga krav på realism), och inlägget medger att en modellstyrd sökning kan missa hela klasser av lösningar. De exempel som hittats ska användas för att förbättra framtida monitorer; nästa steg är mer realistiska förhållanden.

🔗 Inlägget på Alignment Science Blog

API:er för agenter: Computer Use blir allmänt tillgängligt i Gemini API, Auto Review i OpenAI:s Agents API

Gemini API gör Computer Use allmänt tillgängligt, från Gemini 4 Argon till Gemini 3.5 Flash-Lite

30 oktober — Enligt versionsinformationen för Gemini API blir verktyget Computer Use allmänt tillgängligt i API:erna Interactions och GenerateContent. Det används för att bygga agenter som styr en webbläsare, en mobiltelefon eller en stationär dator: modellen läser skärmen via skärmbilder och returnerar gränssnittsåtgärder (klick, tangentbordsinmatningar), som utvecklaren utför i sin egen miljö, precis som vid funktionsanrop.

Kompatibel modell	Identifierare i API:et	Roll enligt dokumentationen
Gemini 4 Argon	`gemini-4-argon`	Den mest kapabla modellen
Gemini 3.8 Flash	`gemini-3.8-flash`	Rekommenderad modell för Computer Use
Gemini 3.5 Flash-Lite	`gemini-3.5-flash-lite`	Låg latens, kostnadseffektiv
Gemini 3 Flash Preview	`gemini-3-flash-preview`	Modell i förhandsversion

Varje åtgärd har ett fält intent som förklarar modellens val, säkerhetspolicyerna konfigureras per kategori, och en detektering av prompt injection, som är avstängd som standard, analyserar skärmbilder från och med Gemini 3.5 Flash-Lite för att blockera körningen. Dessa alternativ fanns redan i den offentliga förhandsversion som lanserades den 24 juni med Gemini 3.5 Flash: nyheten är statusen som allmänt tillgänglig. Varken ett blogginlägg eller prisuppgifter följer med versionsnotisen.

🔗 Versionsinformationen för Gemini API · Dokumentationen för Computer Use

OpenAI:s Agents API lägger till Auto Review, compaction i bakgrunden och en experimentell tidsuppfattning

30 oktober — Steve Coffey från OpenAI:s API-team sammanfattar veckans nyheter i Agents API i ett meddelande som delas av @OpenAIDevs.

Nyhet i Agents API	Vad den förändrar
Auto Review	Precis som i Codex bedöms varje kommando före körning för att förhindra skadligt beteende
Asynkron compaction	Kontexten komprimeras i bakgrunden utan att sessionen blir långsammare
Tidsuppfattning (experimentell)	Modellen uppfattar förfluten tid, till exempel ”begränsa arbetet med att fixa CI till 10 minuter”
Uppdatering av verktyg	Verktygen i en session kan ändras när som helst
Cache för system prompts	Automatisk cachning i alla sessioner för att spara kostnader och tid

De officiella SDK:er som publicerades under natten stödjer dessa funktioner: openai-python 3.42.0 och openai-node 7.46.0 (31 oktober) lägger till inställningar för compaction, sessionsgranskning, verktygsinställningar och tidsuppfattning, samt tillägg som saknas i meddelandet: externa nycklar som hanteras på organisationsnivå, annoteringslager för bildredigering (image edit markup overlays), DTMF-kommandon för SIP-samtal i realtid och förvärmning av WebSocket-anslutningar, som openai-node 7.47.0 också tillhandahåller typer för i Responses API. Vid tidpunkten för vår genomgång åtföljdes tillkännagivandet inte av någon dokumentation, changelog-post eller prisuppgift.

🔗 Steve Coffeys sammanfattning · Vidaredelningen från @OpenAIDevs · openai-python 3.42.0

Google DeepMind utökar PlanAssist, sitt verktyg för handläggning av bygglov, till ytterligare 12 engelska kommuner

31 oktober — Google DeepMind tar PlanAssist från pilotprojekt till betafas. Verktyget är byggt med Gemini, utan angiven modellversion, och utvecklat tillsammans med den brittiska regeringen, Google Cloud och Faculty. Det hjälper bygglovshandläggare att handlägga privatpersoners ansökningar om byggåtgärder: det kontrollerar att ansökningshandlingarna och ritningarna är fullständiga, prövar ansökan mot bevarandekrav, såsom beslut om trädskydd, och mot lokala och nationella regler, identifierar tidigare framförda invändningar och skriver sedan en rapport med genomgående källhänvisningar som handläggaren kan ändra innan beslut fattas.

Mått för PlanAssist	Uppgivet värde
Kommuner i pilotprojektet (sedan juni)	Barnet, Camden, Dorset
Handläggningstid för en privatpersons ansökan	Upp till 58 % kortare
Rapporter godkända utan ändringar	Mer än 70 %
Kommuner i den 12 månader långa betafasen	15, varav 12 nya i tre grupper
Tillgängligt för alla kommuner i England	2027, förutsatt goda testresultat

Enligt inlägget står dessa ansökningar från privatpersoner för upp till 70 % av handläggarnas arbetsbelastning. Varje ärende granskas och godkänns fortfarande av en kvalificerad handläggare innan något beslut fattas. En prototyp av verktyget presenterades i juni, utan namnet PlanAssist.

🔗 Inlägget från Google DeepMind · Tillkännagivandet på X

Speridlabs släpper Idol, en öppen modell med 0,66 miljarder parametrar som omvandlar en bild till ett 3D-objekt

28 och 29 oktober — Forskningslabbet Speridlabs, som för första gången finns med i vår bevakning, har släppt Idol, en modell med öppna vikter under Apache-2.0-licens som omvandlar en enda bild av ett objekt till ett 3D-objekt uppbyggt av gaussiska fördelningar (Gaussian splatting), inklusive de sidor som bilden inte visar. Indata kan vara ett foto, en rendering eller en genererad bild; utdata är en standardfil i formatet .ply, med 32 768 till 1 048 576 gaussiska fördelningar. Enligt projektsidan har modellen 0,66 miljarder parametrar och kräver mindre än 8 Go GPU-minne.

Utvärderad modell (en H100)	PSNR ↑	SSIM ↑	LPIPS ↓	CLIP ↑	Tid per förfrågan
Idol (50 steg, 262 144 gaussiska fördelningar)	12,25	0,726	0,213	0,885	6,8 s
TripoSplat (50 steg, 262 144)	11,76	0,712	0,225	0,868	9,9 s
TRELLIS (inställningarna från dess artikel)	11,89	0,716	0,235	0,868	7,1 s
LGM (65 536 gaussiska fördelningar)	12,46	0,722	0,237	0,784	1,1 s

I detta benchmark publicerat av Speridlabs överträffar Idol de tre andra i SSIM, LPIPS, IoU, DINOv2 och CLIP; LGM har fortsatt bäst PSNR, ett mått som enligt Speridlabs gynnar suddiga resultat. Med 262 144 gaussiska fördelningar tar en förfrågan 3,4 s på en B300 och 19,1 s på en RTX 4090. Man måste acceptera villkoren för två encoders med begränsad åtkomst på Hugging Face, DINOv3 från Meta och VAE:n i FLUX.2-dev från Black Forest Labs; koden idol-sdk och en demonstration i ett Space följer med vikterna.

🔗 Projektsidan för Idol · Modellen på Hugging Face

Ett communityinlägg visar att llama.cpp-servern har tappat logprobs sedan 2023 och token-ID:n sedan 2024

31 oktober — I ett communityinlägg publicerat på Hugging Face beskriver Thomas Kim ett tyst fel i llama-server, servern i llama.cpp. När ett UTF-8-tecken, som en emoji eller en bokstav i ett icke-latinskt skriftsystem, delas upp i flera tokens väntar servern tills hela tecknet är komplett innan texten skickas; token-ID:n och sannolikheterna (logprobs) kopplades då till det textstycket i stället för till varje samplad token. Texten förblev korrekt, vilket förklarar att inga larm utlöstes. API-slutpunkterna /completion, /v1/completions och /v1/chat/completions påverkades, både vid streaming och vid svar i ett stycke.

Mätning på Qwen3.5-9B (utdata med många emoji)	Ursprunglig version	Korrigerad version
Utelämnade poster, svar i ett stycke	24,9 %	0 %
Utelämnade poster, streaming i chatt-API:et	25,6 %	0 %
Felaktiga byteetiketter	14,0 %	0 %

Genom bisektion daterar författaren förlusten av sannolikheter till den 22 oktober 2023; förlusten av ID:n som överförs via streaming går tillbaka till december 2024. De användningsfall som påverkas är de som återanvänder dessa data: förstärkningsinlärning från lagrade logprobs, destillering från de bästa kandidaterna, kalibrering; övervakad finjustering av text påverkas inte. Hans benchmark MURPHY, med 1 500 prompts, upptäcker inga fel i de 12 000 svaren från den korrigerade versionen. Inlägget presenterar PR #31244 som korrigeringen, men den var fortfarande öppen och hade inte mergats den 31 oktober. Mätningarna gäller en enda modell och en enda konfiguration.

🔗 Inlägget av Thomas Kim · PR #31244 i llama.cpp

Kodagenter: Claude Code 2.1.316, dsh-superagent från DeepSeek och Mono hos Manus

Claude Code 2.1.316 lägger till CLAUDE_CODE_DISABLE_ULTRATHINK och CLAUDE_CODE_SUBAGENT_EFFORT och utökar gatewayen för Claude apps

31 oktober — Claude Code 2.1.316 släpptes under natten (npm kl. 00.42 UTC, GitHub-release kl. 01.01 UTC) med 55 poster, varav 34 buggfixar. Två miljövariabler påverkar resonemangsnivån: CLAUDE_CODE_DISABLE_ULTRATHINK inaktiverar nyckelordet ultrathink, som sedan 2.1.311 höjer resonemangsnivån till xhigh för ett samtalsvarv, och CLAUDE_CODE_SUBAGENT_EFFORT, som Boris Cherny presenterade den 29 oktober, kommer med i den officiella versionsinformationen.

Nyhet i 2.1.316	Vad det förändrar
`CLAUDE_CODE_SUBAGENT_EFFORT`	Anger subagenternas resonemangsnivå när inget annat anger en, i stället för att ärva sessionens nivå
`pooled_budget` (gatewayen för Claude apps)	Månadsbudget som delas av en grupp, utöver varje medlems gräns
`managed.policy_mode: layered`	Alla policyer som gäller en utvecklare tillämpas tillsammans
`guardrail.input_tagging`	Indatataggar som krävs av filtret mot promptattacker i Bedrock guardrails
Centralt hanterade inställningar för Team och Enterprise	Tillämpas utan begäran om godkännande; en lokal kopia som inte kan verifieras avvisas

Molnsessionerna visar ett formulärkort när en MCP-server begär inmatning, i stället för att avbryta begäran utan att användaren får se den. Bland buggfixarna finns att --restricted-sessioner inte längre laddar upp filer utanför arbetskatalogerna när filerna omfattades av en Read-regel. Versionen tar också upp utfasningen av snabbläget för Opus 4.8, som beskrivs närmare i Kortnyheter. Version 2.1.315, som publicerades på npm den 30 oktober, fick till slut varken någon GitHub-release eller någon post i CHANGELOG; Agent SDK följer med TypeScript 0.3.316 och Python 0.2.176.

🔗 Versionsinformationen för Claude Code 2.1.316

DeepSeek släpper dsh-superagent, en forskningsprototyp för en proaktiv kodagent byggd på DeepSeek Harness

31 oktober — DeepSeek har lagt upp dsh-superagent på GitHub, utan något tillkännagivande på X: ett kodarkiv med MIT-licens, i version 0.1.0, från DeepSeek Harness Team. Dess README beskriver den som en forskningsprototyp ”endast som referens”, inte som en officiell DeepSeek-produkt; den skiljer sig både från den interna versionen och från artikeln ”Exploring Super-agent Design” som den hänvisar till.

Agenten kopplas till ett enda GitHub-kodarkiv, som ett tillägg (bundle) till DeepSeek Harness 0.2.1-alpha.2 eller senare. Den lyssnar på GitHub och, som tillval, meddelandetjänsten Feishu; när en behörig person ber den om något öppnar den ett ärende, arbetar i sin egen session och katalog och svarar sedan i den ursprungliga konversationen, exempelvis med en pull request. Den agerar bara på begäran eller enligt en regel som teamet har skrivit, och arbete som ingen har begärt startar i ett läge som enbart noterar vad den skulle ha gjort. En sak att uppmärksamma: enligt kodarkivets dokumentation kör exekveringssessionerna kommandon utan godkännande under operatörens systemkonto; för isolering rekommenderar dokumentationen ett separat systemkonto som endast innehåller agentens inloggningsuppgifter. Ett separat GitHub-konto rekommenderas också, eftersom allt agenten skriver publiceras under det namnet. Kodarkivet hade 2 014 stjärnor omkring kl. 21.30 UTC den 31 oktober.

🔗 Kodarkivet dsh-superagent-prototype

Manus beskriver hur teamen arbetar med agenter kring det interna verktyget Mono

30 oktober — I en lång erfarenhetsrapport, ”Återskapa Manus med Manus” (Rebuilding Manus with Manus), berättar Tao Zhang, medgrundare och produktchef på Manus, hur utveckling, produkt och marknadsföring numera arbetar med agenter, inklusive misslyckandena. Inlägget hade undgått vår genomgång dagen innan.

I centrum står Mono, ett internt verktyg som inte slår samman kodarkiven: det är en gemensam ingång, med en handbok skriven för agenten (varje kodarkivs roll, hur de hänger ihop och teamets arbetssätt) och ett bibliotek med arkitekturbeslut. Där verifierar agenten hela mjukvarustacken på en bärbar dator på några sekunder, jämfört med 5 till 10 minuter för att skicka den till testmiljön, läser produktionsloggar med begränsade rättigheter och testar verkliga användarflöden i en webbläsare och en mobilsimulator. Rapporterade buggar går genom tre agenter (sortering, rättning, verifiering), och inget levereras utan godkännande från en person med rätt att driftsätta.

Internt nyckeltal hos Manus	Rapporterat värde
Pågående förfrågningar per utvecklare	10 till 20
Mobilteam	7 personer för 4 applikationer
Produktchefer som levererar funktioner på egen hand	Ungefär hälften
Poster som väntade efter en helg med autonoma agenter	Fler än 200

Av det sista misslyckandet drar Manus en lärdom: autonomi är bara värdefull där framgång kan verifieras med tester. Tre satsningar ska följa, utan angivet datum: delade sessioner, arbete som flyttas mellan enheter och personer samt agenter som själva föreslår alternativ. Siffrorna kommer från interna register, och vissa är uppskattningar.

🔗 Manus inlägg

Kortnyheter

API och applikationer

Snabbläget för Opus 4.8 — Anthropic fasar ut det på Claude Platform och tar bort det den 30 november 2026; därefter kommer förfrågningar i snabbläge till claude-opus-4-8 att returnera ett fel. Anthropic rekommenderar att migrera till Claude Opus 5.5 för att behålla snabbläget. 🔗 källa
Två ChatGPT-konton på mobilen — Appar för iOS och Android gör det, genom en gradvis utrullning, möjligt att förbli inloggad på 2 konton och växla mellan dem utan att logga ut; bara ett är aktivt, och varje konto behåller sina konversationer, sitt minne, sina inställningar och sin prenumeration. Enligt hjälpartikeln finns detta redan på webben för alla abonnemang. 🔗 källa
Gemini Drops i oktober — Gemini-appens månadsöversikt sammanfattar 11 funktioner som redan har presenterats här, från Gemini 4 Argon till Lyria 3.5; den enda nya detaljen är att Strava finns bland apparna som kan anslutas, och videon visar även Fever och Viator. 🔗 källa

Agenter och kodverktyg

Gemini CLI, nightly från den 31 oktober — Sju buggfixar: en manuellt vald modell återgår inte längre obemärkt till gemini-3-flash-preview efter en fallback, ett avbrott eller /rewind, och /restore följer .git/info/exclude och den globala inställningen core.excludesFile; den stabila versionen v0.66.0 ändras inte. 🔗 källa
Copilot CLI 1.0.106-1 — Förhandsversion med 14 buggfixar, utan nya funktioner: apply_patch bevarar blandade radslut, web_fetch följer sidornas angivna teckenkodning, och CLI returnerar det ursprungliga avslaget när en organisation inaktiverar en Claude-reservmodell; den stabila versionen är fortfarande 1.0.105. 🔗 källa

Forskning och öppna verktyg

Fast Forced Aligner — Ett communityinlägg på Hugging Face presenterar CUDA-kärnor med MIT-licens som fastställer när varje ord i en transkription uttalas: 30,44 ms jämfört med 6,34 s för k2 och 28,18 s för NeMo över tio arbetslaster, alltså ungefär 208 respektive 926 gånger snabbare, för enbart aligneringen på en RTX 3090. 🔗 källa
WaiT från Meta — Meta publicerar utan tillkännagivande koden för denna transformer med flödesmatchning (flow matching) i pixelrymden, som ger låga och höga frekvenser separata brusscheman (arXiv 2607.28760, med Stéphane Mallat och Luke Zettlemoyer som medförfattare); inga resultatmått i README, och en CC BY-NC 4.0-licens som begränsar den till icke-kommersiell användning. 🔗 källa
Bruksfärdiga robotar — Ett communityinlägg av projectsim på Hugging Face argumenterar för simulering för att träna och testa robotar, med stöd i resultat från andra, som Figures Helix 2.5, som gick från 9 % till 56 % helt slutförda uppgifter i 30 tidigare osedda hem; inga egna resultat. 🔗 källa
x402-betalningar och MetaMask — Ett communityinlägg av Fizzl på Hugging Face visar att MetaMask anger ”godkännande med hög risk” för två x402-betalningar på 0,001 dollar som en agent begärt; 289 av de 300 x402-betalningsadresser som undersöktes på Base omfattas av det flaggade fallet. Fizzl har rapporterat det falska larmet till MetaMask. 🔗 källa

NVIDIA och röst

Sökande efter utomjordiska signaler — Vid Allen Telescope Array låter Breakthrough Listen och SETI Institute agenter rikta och kalibrera instrumentet utifrån en begäran på naturligt språk, med NVIDIA Holoscan: 2,4 terabit per sekund bearbetas på RTX PRO 6000 Blackwell-GPU:er och, enligt NVIDIA, den första AI-detekteringen av en pulsar i realtid. 🔗 källa
RTX Spark och RTX Remix 1.6 — Tillbakablick på den 28 oktober: NVIDIA App gör det möjligt att fördela GPU:n mellan applikationen i förgrunden och en agent i bakgrunden, och RTX Remix 1.6 öppnar Minecraft Java Edition 1.21.1 för rendering genom spårning av ljusbanor (path tracing), med DLSS 5 och skills för agenter. 🔗 källa
Clover Health och ElevenLabs — ElevenLabs lyfter fram denna sjukförsäkringsgivares röstagenter, som hanterar vårduppföljning, försäkringsskydd och frågor från försäkringstagarna; inga siffror eller någon fallstudie. 🔗 källa

Vad det innebär

Anthropics experiment visar begränsningen med kontroll rad för rad: ett övervakningssystem som liknar dem som används i produktion släpper igenom data som, när de sammanförs, får en modell att avvika från sitt avsedda beteende, eftersom varje enskild rad berättar en harmlös historia om biodling eller wrestling. Genom att låta agenter som körs parallellt leta efter dessa brister söker Anthropic ett säkerhetstest som förbättras med mer beräkningskraft i stället för med fler arbetstimmar för forskarna. Räckvidden begränsas av själva upplägget: en angripare med full insyn i övervakningssystemet, en liten forskningsmodell som aldrig har driftsatts och inga slutsatser om Claude-modellerna i produktion.

Byggstenarna för agenter som agerar kommer med inbyggda skyddsmekanismer. Computer Use blir allmänt tillgängligt hos Google med valfri detektering av promptinjektion i skärmbilder, och OpenAI:s Agents API låter varje kommando bedömas innan det körs, precis som Codex. dsh-superagent visar den andra sidan: en prototyp som kör sina kommandon utan godkännande under operatörens konto. Manus drar samma lärdom av sin helg med autonoma agenter, med fler än 200 väntande poster på måndagen: autonomi fungerar där tester verifierar resultatet, och leverans kräver fortfarande mänskligt godkännande.

PlanAssist ger ett konkret exempel på AI i offentlig verksamhet: upp till 58 % kortare handläggningstid och fler än 70 % av rapporterna godkända utan ändringar, men varje ärende granskas fortfarande av en kvalificerad handläggare, och breddinförandet 2027 beror på betaversionen. Utökningen från 3 till 15 kommuner, i städer och på landsbygden, kommer att visa om siffrorna håller även utanför pilotprojektet.

Buggen i llama.cpp påminner om att öppna verktyg i dag används i kedjor för förstärkningsinlärning och destillering: sannolikheter som har varit felkopplade sedan 2023, utan synliga fel i texten, kan ha förvrängt data för dem som återanvänder dem. Rättningen hade ännu inte slagits samman den 31 oktober, och mätningarna gäller en enda modell. Idol illustrerar en annan sida av det öppna ekosystemet: en modell med 0,66 miljarder parametrar, som ryms i mindre än 8 GB GPU-minne, överträffar etablerade 3D-generatorer på de flesta mått enligt upphovspersonernas benchmark.