Anthropic upptäcker ett globalt arbetsutrymme i LLM:er (J-space), Runway öppnar ett physical AI-nav i Paris, Claude Code förklarar de agentiska looparna

Den 6 juli markerar en intensiv dag mellan grundläggande tolkningsbarhet och fysisk infrastruktur: Anthropic publicerar en studie om J-space, ett globalt arbetsutrymme som upptäckts i LLM:er och som påminner om neurovetenskapliga teorier om medvetandet; Runway tillkännager sitt första kontor i Frankrike med 30 M USD investerade i forskning om physical AI; och Claude Code-teamet dokumenterar äntligen de fyra typerna av agentiska loopar som strukturerar autonoma arbetsflöden. På open source-sidan preciserar LeRobot v0.6.0 och partnerskapet mellan Google DeepMind × Apptronik anatomin hos robotisk AI 2026.

Anthropic-forskning — J-space, ett globalt arbetsutrymme i LLM:er

6 juli — Anthropic publicerar på transformer-circuits.pub en ny tolkningsbarhetsstudie: LLM:er har en mekanism som är analog med det globala arbetsutrymmet (global workspace) beskrivet av kognitiv neurovetenskap — ett aktivt, medvetet och resonemangsåtkomligt informationsområde. Denna mekanism, kallad J-space, uppstår naturligt i språkmodeller utan att ha designats uttryckligen.

Studien fastställer att, precis som den mänskliga hjärnan bara gör en bråkdel av sin neurala aktivitet tillgänglig för medvetandet, koncentrerar LLM:er sitt aktiva resonemang i detta begränsade utrymme. Denna upptäckt har tre konkreta konsekvenser:

Läsa vad Claude aktivt resonerar om vid ett givet tillfälle
Granska resonemangets mellanliggande tillstånd
Styra modellens tankeprocess under körning

Anthropics X-tråd nämner en interaktiv demo tillgänglig via Neuronpedia på open-weights-modeller, vilket gör det möjligt att utforska J-space direkt. Forskningen ingår i Anthropics program för mekanistisk tolkningsbarhet (mechanistic interpretability), som syftar till att förstå modellernas interna representationer för att säkerställa deras tillförlitlighet i takt med att de blir mer kapabla.

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.

🇸🇪 Ny forskning från Anthropic: ett globalt arbetsutrymme i språkmodeller. Av allt som händer i din hjärna just nu är bara en liten bråkdel medvetet tillgänglig — de tankar du kan beskriva, hålla i minnet och resonera om. Vi har upptäckt en förvånansvärt liknande dynamik i språkmodeller. J-space gör det möjligt för oss att läsa, granska och styra vad Claude aktivt tänker på — användbara verktyg för att upprätthålla modellernas tillförlitlighet i takt med att de blir mer kapabla. Och det antyder överraskande paralleller mellan språkmodeller och våra egna sinnen. — @AnthropicAI på X

🔗 Fullständigt papper — transformer-circuits.pub

Runway öppnar sitt första kontor i Frankrike i Paris

6 juli — Runway tillkännager öppningen av sitt första franska kontor i Paris, dedikerat till forskning om world models (världsmodeller) och physical AI (fysisk AI). Detta nav ingår i Runways europeiska expansion, sex veckor efter öppningen av dess första kontor i London.

Element	Detalj
Plats	Paris, Frankrike
Initialt team	10 personer
Investering	30 M USD
Fokus	World models, physical AI
Rekrytering	Paris + 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.”

🇸🇪 « Frankrike har en av världens djupaste koncentrationer av talang inom AI-forskning. Vi är glada över att sätta vår flagga i Paris medan vi fortsätter att bygga ut vår globala forskningsnärvaro. » — Anastasis Germanidis, med-VD, Runway

Med-VD:n hänvisar till tätheten av talanger från de stora franska forskningsinstitutionerna och regeringens stöd som avgörande faktorer. Runway rekryterar aktivt i Paris och i hela Europa. Investeringen på 30 M USD positionerar Paris som ett centrum för grundforskning, kompletterande till det London-baserade navet med fokus på kommersialisering.

🔗 Officiellt tillkännagivande från Runway

Claude Code — Guide om de fyra typerna av agentiska loopar

6 juli — Claude Code-teamet publicerar via @ClaudeDevs en djupgående guide, redan visad 316 000 gånger, om utformningen av agentiska loopar. Guiden utgår från en precis definition: en loop är en agent som upprepar arbetscykler tills ett stoppvillkor uppnås.

Typ av loop	Utlösare	Stoppvillkor	Claude Code-primitiv	Typiskt användningsfall
Steg för steg (turn-based)	Användarprompt	Claude bedömer att uppgiften är klar	Agentic loop	Korta och utforskande uppgifter
Målinriktad (goal-based)	Prompt + uttryckligt kriterium	Kriterium uppnått eller max antal varv	`/goal`	Uppgifter med verifierbart utgångskriterium
Tidsbaserad (time-based)	Tidsintervall	Avbrytande eller arbetets slut	`/loop`, `/schedule`	Återkommande arbete eller externa system
Proaktiv (proactive)	Händelse eller schema utan människa	Slutet på varje deluppgift	Dynamic workflows + auto-läge	Väl definierade återkommande arbetsflöden

Konkreta exempel som ges i guiden: /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). Guiden tar också upp kodkvalitet i långa loopar (SKILL.md för självkontroll, andra agenten för granskning) och styrning av tokenanvändning (val av lämplig modell, tydliga stoppkriterier).

🔗 Tråd @ClaudeDevs — Komma igång med loopar

Alabamas regering — 466 miljoner rader granskade på 20 timmar

6 juli — Anthropic publicerar ett detaljerat användningsfall för Alabamas regering (Kanada): sedan 2025 använder provinsen Claude Code med Opus- och Sonnet-modellerna för att granska säkerheten i sina statliga IT-system. Resultaten är slående.

Mätvärde	Värde
Skannade kodrader	466 miljoner
Skanningstid	20 timmar
Parallella agenter	~50 (Opus + Sonnet)
Täckta applikationer	1 280
Täckta repositorier	3 400
Berörda ministerier	27
Säkerhetskontroller per pass	~95

Arkitekturen bygger på två typer av agenter som skapats med Claude Agent SDK: en « röd team »-agent (red team) som sonderar applikationerna som en angripare, och en « blå team »-agent (blue team) som utvärderar försvaret enligt en internationell säkerhetsstandard och skriver remediationsplanen. En 25 år gammal Java-bidragsportal byggdes om på 4 till 5 dagar (jämfört med 5 månader från början). Alberta publicerar tekniska white papers så att andra regeringar kan reproducera metoden.

🔗 Fallstudie — anthropic.com

Sakana AI lanserar Sakana Translate — realtidsöversättning JA/EN/ZH

6 juli — Sakana AI, ett Tokyo-baserat laboratorium specialiserat på bioinspirerade neuronnät, lanserar Sakana Translate, integrerat i tjänsten Sakana Chat. Verktyget stödjer tvåvägsöversättning japanska ↔ engelska ↔ kinesiska med tre distinkta lägen:

Läge	Funktion
Translate	Lång översättning i realtid
Proofread	Förfinar ton och formulering med ändringsspårning
Ask	Förtydligar nyanserade ordval

Lanseringen markerar Sakana AIs inträde på konsumentverktyg för översättning, med en medvetet inriktning på de tre stora östasiatiska språken. Tjänsten är tillgänglig på translate.sakana.ai.

🔗 Tweet från Sakana AI

HuggingFace LeRobot v0.6.0 — world models, reward models, 9 familjer av benchmarks

5-6 juli — HuggingFace publicerar LeRobot v0.6.0 under titeln « Imagine, Evaluate, Improve », en version som strukturerar robotiskt lärande i tre kompletterande axlar.

Policyer med världsmodell:

Policy	Beskrivning
VLA-JEPA	Kompakt VLA (Qwen3-VL-2B) som förutsäger framtiden i latent utrymme
LingBot-VA	Autoregressiv video-action-modell som samtidigt förutsäger framtida video och handlingar
FastWAM	Utvärderar om fantasi vid inferens faktiskt förbättrar prestandan

Nya integrerade VLA:er: GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, inferens ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 Md parametrar).

Belöningsmodeller: Robometer (zero-shot på alla LeRobot-dataset) och TOPReward (använder Qwen3-VL som domare).

Benchmarks täcker nu 9 familjer: LIBERO, Meta-World, NVIDIA IsaacLab-Arena och 6 nya. Infrastrukturens utbud utökas med CLI lerobot-rollout för distribution med DAgger-strategi, FSDP-stöd för att träna modeller större än tillgängligt GPU-minne, samt HF Jobs för molnträning med ett enda kommandoradskommando.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — utökat Robot Park, Apollo 2-data för Gemini Robotics

6 juli — Google DeepMind tillkännager en expansion av sitt forskningspartnerskap med Apptronik. I samband med utökningen av Apptroniks Robot Park kommer verkliga data som samlats in av den humanoida plattformen Apollo 2 direkt att användas för träningen av Gemini Robotics.

Element	Detalj
Partner	Apptronik (utökat Robot Park)
Plattform	Apollo 2 (humanoid robot)
Användning	Verkliga data → träning av Gemini Robotics

Detta tillkännagivande illustrerar Google DeepMinds strategi: att förankra robotisk AI i fältdata snarare än i simuleringar, genom att förlita sig på fysiska humanoida robotar som är utplacerade i verkliga miljöer.

🔗 Tweet från @GoogleDeepMind

Kortnotiser

Kimi K2.7 Code vs Claude Fable 5 — landningssidor till -94 % kostnad — Together AI publicerar en jämförelse: 12 genererade landningssidor, Kimi K2.7 Code kostar ungefär 4 cent per sida jämfört med 1,09 USD för Fable 5 (16× billigare i genomsnitt), med GPT-5.5-poäng inom ett spann på 4 till 12 poäng beroende på sida. Kimi-fördelen förstärks med en MCP-server för visuella referenser. 🔗 Together AI Blog

Vad det betyder

Tolkningsbarheten går från laboratoriet till övervakningsverktyget. Anthropics upptäckt av J-space är inte ett isolerat akademiskt resultat: det är första gången som en intern mekanism i LLM:er kan läsas, granskas och styras i realtid, utan att modellen ändras. Om övervakningsverktyg baserade på denna forskning blir operativa skulle de i grunden förändra hur man verifierar vad en autonom agent håller på att planera — något som är lika relevant för säkerhetsteam som för utvecklare som felsöker agentiska arbetsflöden.

Physical AI etablerar sig i Europa via Paris. Öppningen av Runways kontor i Paris, i kombination med HuggingFaces LeRobot v0.6.0 och partnerskapet mellan Google DeepMind × Apptronik, ritar upp ett sammanhängande ekosystem kring physical AI: modeller som föreställer sig sina handlingar innan de utför dem (world model policies), verkliga data från humanoida robotar för träning och molninfrastruktur för att demokratisera tillgången. Runway väljer Paris för tätheten av grundforskning — en signal om områdets framtida geografi.

Agentisk AI går in i offentlig produktion. Fallet Alberta är inte ett pilotprojekt: 466 miljoner rader skannade på 20 timmar av 50 parallella agenter, 1 280 applikationer och 27 ministerier täckta, white papers publicerade för andra regeringar. Tillsammans med Claude Code-guiden om loopar, som dokumenterar primitivarna /goal, /loop, /schedule för helt autonoma arbetsflöden, är det ett tecken på att agentisk AI nu är tillräckligt tillförlitlig för att kunna driftsättas på kritiska system — med övervakade multiagentarkitekturer.

Kostnads-kvalitets-ekvationen förskjuts. Jämförelsen mellan Kimi K2.7 Code och Fable 5 som publicerats av Together AI konkretiserar en strukturell spänning: för högfrekventa uppgifter (sidgenerering, repetitiva arbetsflöden) minskar väloptimerade open-weight-modeller kostnaden med en faktor 16 för en kvalitetsavvikelse på mindre än 10 %. Det betyder inte att slutna modeller förlorar i värde, men att deras fördel i allt högre grad koncentreras till uppgifter där marginell kvalitet verkligen spelar roll.