Laatste AI-notities
15 oktober 2026
Een AI-speurneus voor code, met de stopwatch als bijsluiter
Waar zit die ene functie ook alweer? ColGrep-Agent is bedoeld voor precies dat speurwerk. LightOn introduceerde het model op 12 oktober 2026; de bijbehorende preprint verscheen al op 4 oktober. Het recente nieuws gaat dus over een gespecialiseerde codezoeker met metingen, niet over een programmeerwonder dat deze week uit het niets opdook. [1] [2]
Je beschrijft in gewone taal wat je zoekt. Vervolgens doorzoekt ColGrep-Agent het project, leest het kandidaatbestanden en scherpt het de zoekopdracht aan. Het resultaat: relevante bestanden en regelnummers waarmee een grotere programmeerassistent verder kan. Zelf repareren hoort niet bij de opdracht. Denk aan een digitale wegwijzer: wel het juiste gangpad aanwijzen, niet meteen de hele winkel verbouwen. [1]
LightOn testte vier zoekconfiguraties met Claude Code: 52 vragen over 13 codeprojecten, telkens drie keer, samen 624 sessies. Vergeleken met de ingebouwde zoekhulpmiddelen daalde het API-tokengebruik per vraag van 142.000 naar 93.000. Dat is volgens de makers 34,3 procent minder. De stopwatch was minder enthousiast: de gemiddelde zoektijd steeg van 13,0 naar 21,6 seconden. [1]
Ook de kwaliteit verdient een vergrootglas. Het aandeel correcte antwoorden ging van 83,3 naar 80,8 procent. Dat verschil was niet statistisch significant, maar de onzekerheidsmarge sluit een relevante achteruitgang niet uit. Bovendien ging het uitsluitend om zoekvragen, niet om complete programmeerklussen. Lokale modeltokens tellen niet mee in de API-tokenbesparing, en een taalmodel beoordeelde de antwoorden. [1]
Dit zijn auteursmetingen: de bronnen bieden geen onafhankelijke replicatie en komen uit dezelfde onderzoekslijn. De arXiv-vermelding toont ook geen bevestigde tijdschrift- of conferentiepublicatie. Lokaal draaien kan, met een standaardmodeldownload van ongeveer 2,5 GB. Toch betekent lokaal zoeken niet automatisch dat alles lokaal blijft: gevonden code kan naar een grotere assistent gaan. De privacy hangt dus mede van die vervolgstap af. [1] [2]
De interessantste rol lijkt daarmee bescheiden maar bruikbaar: wegwijs worden in onbekende code. Een klein experiment zou zijn om vijf vragen over een eigen testproject te stellen en de aangewezen regels handmatig te controleren. Geen gerapporteerd resultaat, wel een manier om te ontdekken of deze speurneus werkelijk het juiste spoor volgt. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
14 oktober 2026
AI naast het Windows-klokje: minder sleutelen, niet ineens slimmer
Een lokaal taalmodel bedienen vanuit het Windows-systeemvak: dat is het idee achter Llama Windows. Hugging Face kondigde de app op 13 oktober 2026 aan. Nieuw is vooral die aankondiging, niet het bestaan van de software: versie 0.12.0 verscheen al op 10 oktober en eerdere versies dateren uit augustus. Ook software heeft soms vóór de officiële kennismaking al een verleden. [1] [2]
Llama Windows is geen nieuw taalmodel, maar een bedieningslaag voor llama.cpp op Windows 11. Volgens de makers zijn daarvoor geen terminal, compilatiestap of beheerdersrechten nodig. De aantrekkingskracht zit dus vooral in minder handwerk rond lokale AI. Het model wordt er niet plotseling slimmer van; de route ernaartoe moet overzichtelijker worden. [1]
De documentatie beschrijft modeldownloads vanaf Hugging Face en ramingen van het geheugengebruik bij verschillende contextlengtes. Met Alt+Space verschijnt een chatvenster voor het geladen model. Wie eigen software wil aansluiten, kan volgens de aankondiging een lokale server met een OpenAI-compatibele API gebruiken. Dat is een aansluitmogelijkheid, geen garantie dat iedere toepassing meteen gezellig meedoet. [1] [2]
En hoe lokaal is lokaal? Volgens de README blijven prompts en modelberekeningen op de computer en verstuurt de app geen telemetrie. Voor modeldownloads en updatecontroles zijn er wel netwerkverbindingen. De internetkabel hoeft dus niet ceremonieel doorgeknipt te worden. Belangrijker: dit zijn verklaringen van het project, geen uitkomsten van een onafhankelijke privacycontrole. [1]
De releasegeschiedenis levert een nuttige realitycheck. Versie 0.12.0 repareerde een fout waarbij de gekozen contextgrootte bij het laden werd genegeerd. Ook automatisch onderhoud heeft voorwaarden: onbeheerde runtime-updates worden overgeslagen zolang een vereiste script-hash niet is vastgezet. Alles regelt zichzelf is daarom een te royale samenvatting. [1]
De nuchtere conclusie: dit project bundelt gedocumenteerde functies voor het kiezen, starten en gebruiken van lokale modellen. Openbare broncode en releases maken het concreet, maar bewijzen geen kwaliteitswinst. De aankondiging bevat geen vergelijkende benchmark voor betere antwoorden of hogere productiviteit. Voorlopig draait het nieuws dus om de bediening, niet om extra hersencellen naast het klokje. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
13 oktober 2026
LightOnOCR-3 bewaart de stappen van scan naar pagina-indeling
Wat heeft een tekstherkenningsmodel precies uit een pagina gehaald? Bij het op 8 oktober 2026 aangekondigde LightOnOCR-3 is niet alleen de overgenomen tekst beschikbaar. De bijbehorende software bewaart per pagina de invoerafbeelding en modeluitvoer. In de stand ‘grounding’ komen daar uitgelezen paginablokken als JSON bij: gestructureerde gegevens die met software te verwerken zijn. Dat biedt aanknopingspunten om invoer en resultaat naast elkaar te controleren. [1] [2]
Volgens de modelkaart levert LightOnOCR-3 gelabelde kaders met coördinaten voor tekst, afbeeldingen en tabellen. Daarmee legt het model vast waar onderdelen op de pagina staan. Afbeeldingen krijgen korte beschrijvingen en grafieken kunnen worden omgezet in gegevenstabellen. Die uitvoer blijft een modelresultaat: de beschikbaarheid van coördinaten en beschrijvingen bewijst op zichzelf niet dat de onderdelen correct zijn herkend. [1]
De bediening is bewust beperkt. Een lege tekstprompt vraagt om transcriptie; het woord ‘grounding’ voegt pagina-informatie toe. De modelkaart waarschuwt dat andere opdrachten buiten het getrainde gebruik vallen. Het model is dus niet bedoeld als algemene chatbot voor willekeurige vragen over documenten. Er zijn drie varianten, aangeduid als 0.8B, 1B en 4B, met openbare modelbestanden en documentatie. [1]
De GitHub-repository bevat uitvoersoftware, een viewer en benchmarkcode. Een mogelijk experiment is om bij een eigen document de herkende blokken, tekst en leesvolgorde met de invoerafbeelding te vergelijken. Dat is een voorstel, geen uitgevoerde proef: voor dit dossier is de werking niet zelf getest. Installatie vraagt bovendien technische aandacht. De repository noemt onverenigbare softwareversies, waaronder combinaties waarbij modellen in herhaling kunnen vastlopen. [1]
Ook de prestatieclaims vragen afbakening. LightOn rapporteert eigen metingen op olmOCR-Bench; de datasetdocumentatie van Ai2 beschrijft de meetlat, niet een onafhankelijke herhaling van die tests. De aangehaalde bronnen bieden geen onafhankelijke bevestiging. De benchmarkdataset staat als Engelstalig geregistreerd, zodat prestaties op Nederlandse documenten hiermee niet zijn vastgesteld. Snelheidsmetingen gebruikte LightOn met een H100-GPU: ze tonen geen snelheid op een doorsneelaptop aan. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
12 oktober 2026
Een hoge OCR-score is nog geen foutloos document
Hoe beoordeel je een AI die documenten uitleest? Niet alleen op één totaalscore. Dat laat de aankondiging van LightOnOCR-3 zien, die ontwikkelaar LightOn op 8 oktober 2026 publiceerde. De makers presenteren nieuwe modellen voor tekstherkenning en documentindeling, maar hun resultaten tonen ook waarom een benchmark geen garantie is voor je eigen documenten. [1]
LightOn rapporteert op olmOCR-Bench een totaalscore van 86,3 voor LightOnOCR-3-4B en 85,5 voor LightOnOCR-3-0.8B. Die getallen zijn geen percentages volledig foutloze documenten. Infinity Parser Pro haalt in dezelfde, door LightOn gepubliceerde vergelijking 87,6. Op oude scans scoort LightOnOCR-3-4B bovendien 52,5. Een hoge totaalscore kan dus samengaan met een duidelijk lager resultaat voor een bepaald documenttype. [1]
Ook de verwerking van de uitvoer telt mee. LightOn beschrijft dat normalisatie van de opmaak de benchmarkscore kan veranderen zonder dat het model andere informatie uit het document heeft gehaald. Wie scores vergelijkt, moet daarom niet alleen vragen welk model is gebruikt, maar ook hoe de uitvoer voor de beoordeling is verwerkt. Anders kan een verschil in score ten onrechte een verschil in leeskwaliteit lijken. [1]
Voor snelheid geldt een vergelijkbare waarschuwing. LightOn gebruikte voor de gepubliceerde snelheidsproeven één H100 per model en 512 pagina’s. Dat vertelt niet hoe snel dezelfde modellen op een laptop werken. Bovendien komen de aankondiging, modelkaart en softwaredocumentatie allemaal van LightOn. Het zijn verschillende bronnen, maar geen onafhankelijke bevestigingen van de gemelde prestaties. [1]
Er is wel gereedschap beschikbaar om de resultaten nader te onderzoeken. De drie varianten, 0.8B, 1B en 4B, zijn uitgebracht onder Apache 2.0. De openbare repository bevat benchmarkcode, een commandoregelprogramma en een viewer. Ook kunnen invoerafbeeldingen, modeltekst en uitgelezen blokken per pagina worden bewaard. Dat biedt aanknopingspunten om fouten terug te zoeken en metingen te herhalen; het bewijst niet dat onafhankelijke herhaling al heeft plaatsgevonden. De nuchtere les: beoordeel documentherkenning op passende documenten én controleerbare meetomstandigheden, niet uitsluitend op het hoogste getal. [1] [2] [3]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
11 oktober 2026
Deze AI leest je clubblad en wijst de weg
Een pagina lezen is meer dan woorden verzamelen. Twee kolommen, een foto en een grafiek hebben ook een plek en een volgorde. LightOn introduceerde op 8 oktober 2026 LightOnOCR-3: een AI-model dat volgens de maker tekstherkenning combineert met het herkennen van de pagina-indeling. Een digitale leesbril dus, met een aanwijsvinger erbij. [1]
Volgens de modelkaart kan het model aangeven waar tekstblokken, afbeeldingen en grafieken staan. Afbeeldingen krijgen een korte beschrijving; gegevens uit grafieken kunnen als tabel worden uitgevoerd. De bediening blijft sober: een lege tekstprompt geeft een transcriptie, het woord ‘grounding’ voegt gelabelde kaders toe. Een vriendelijk verzoek om extra goed op te letten is niet nodig: andere instructies vallen buiten de getrainde gebruiksvormen. [1]
Het blijft niet bij een aankondiging. Er zijn drie varianten, 0.8B, 1B en 4B, en de modelkaart vermeldt de Apache 2.0-licentie. Downloadbare modelbestanden staan klaar; het gewichtenbestand van de 0.8B-versie is 1,71 GB. De openbare repository bevat bovendien een commandoregelprogramma, een viewer en benchmarkcode. Beschikbaar betekent alleen nog niet onafhankelijk getest. [1] [2] [3]
Bij de cijfers hoort daarom een leesbril zonder roze glazen. LightOn rapporteert voor de 4B-variant 86,3 op olmOCR-Bench, tegenover 87,6 voor Infinity Parser Pro. Op oude scans haalt diezelfde variant 52,5. Bovendien kan het normaliseren van bijvoorbeeld voetnoten een score veranderen zonder betere tekstherkenning. Dit zijn makersmetingen; onafhankelijke replicatie ontbreekt in de bronnen. De snelheidsmetingen gebruiken een H100, dus laptopsnelheid is hiermee niet aangetoond. [1]
Een aardig proefproject zou een zelfgemaakt clubblad zijn, met twee kolommen, een foto en een uitslagentabel. Controleer de woorden, maar ook de leesvolgorde en kaders. Dat is een voorstel, geen uitgevoerd experiment. De software bewaart per pagina de invoerafbeelding, modeltekst en bij grounding ook verwerkte blokken als JSON, zodat vergelijken mogelijk is. Let wel op softwareversies: de README waarschuwt voor combinaties die modellen laten vastlopen in herhaling. Ook een digitale leesbril vraagt dus om een kritische blik. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
9 oktober 2026
Een digitale notulist met oor voor dialect
Kan een digitale notulist je ook volgen als je niet klinkt als een nieuwslezer? Met Falcon ASR richt het Technology Innovation Institute (TII) zich onder meer op Emiratisch Arabisch. De aankondiging van 7 oktober 2026 maakt nieuwsgierig: hoe goed zet dit model gesproken woorden op papier? Wel even de bijsluiter lezen: de maker presenteert hier zijn eigen resultaten. [1]
Falcon ASR telt 1,6 miljard parameters en ondersteunt Arabisch, Engels, Frans, Spaans en Portugees. Nederlands staat niet op het lijstje; het verslag van de plaatselijke vergadering moet dus nog even wachten. De uitvoer bestaat uit transcripties met tijdstempels per woord. Daarmee krijgt niet alleen de zin, maar ieder afzonderlijk woord een plekje op de tijdlijn. [1]
Het opvallendste cijfer: TII rapporteert gemiddeld 20,92 procent woordfouten over zes Arabische testsets. Het beste gepubliceerde resultaat in de gebruikte ranglijstmomentopname kwam uit op 23,17 procent. Minder woordfouten is gunstiger, maar deze winst geldt voor die afgebakende vergelijking. De cijfers van concurrenten zijn gecontroleerd op 30 september 2026. Een keurige score is nog geen garantie voor iedere opname. [1]
Juist de aandacht voor Emiratisch Arabisch maakt dit interessant. Tegelijk is de aanvullende Emiratische evaluatie intern uitgevoerd. Onafhankelijke replicatie en bewijs dat gebruikers daadwerkelijk tijd besparen, ontbreken in de aankondiging. Ook de oudere onderzoekspaper over Falcon3-Audio verandert dat niet: die biedt technische achtergrond bij eerdere modellen, geen onafhankelijke bevestiging van de prestaties van Falcon ASR. [1] [2]
Zelf kijken kan via een vindbare demo, die bij raadpleging voor het dossier als ‘Running’ stond vermeld. Dat zegt nog niets over de transcriptiekwaliteit: voor dit dossier is geen audio ingestuurd. Een API en zelfstandige apps zijn bovendien plannen, geen reeds geleverde producten. De digitale notulist heeft dus nog niet overal een eigen bureaustoel. [1] [2]
Een bescheiden proef zou zijn: neem een kort, zelfgeschreven verhaaltje op in een ondersteunde taal en controleer de transcriptie woord voor woord. Geen gerapporteerd resultaat, maar een experimentvoorstel. De nuttigste vraag blijft lekker concreet: welke woorden schrijft deze notulist werkelijk goed op? [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
8 oktober 2026
AstaBrief helpt met papers, maar de leesbril blijft nodig
Een stapel wetenschappelijke artikelen wordt niet vanzelf een helder antwoord. AstaBrief moet dat samenvatten makkelijker maken: het downloadbare model krijgt een onderzoeksvraag en al opgehaalde tekstfragmenten, en schrijft daarmee een rapport met bronverwijzingen. Let op dat woordje ‘opgehaalde’: AstaBrief is op zichzelf geen complete literatuurzoekmachine. Iemand of iets moet eerst de juiste passages aanleveren. [1]
Ai2 kondigde de vrijgave op 2 oktober 2026 aan. Nieuw beschikbaar betekent hier niet helemaal nieuw onderzocht: volgens de makers was het meeste trainings- en evaluatiewerk al in 2025 afgerond. Het bericht komt bovendien van de ontwikkelaars zelf, niet van een onafhankelijke redactie. AstaBrief bouwt op Qwen3-8B en is bijgetraind met voorbeeldrapporten en voorkeursoordelen. De modelkaart vermeldt de Apache 2.0-licentie. [1] [2]
De snelheidswinst klinkt aantrekkelijk. Ai2 rapporteert voor de volledige Asta-route gemiddeld 51,1 seconden in Fast mode, tegenover 178,5 seconden in Thinking mode: ongeveer 3,5 keer sneller. Dat zijn eigen metingen, geen universele stopwatchbelofte. Ook is de volledige evaluatie niet opnieuw uitgevoerd tegenover de huidige topmodellen. Een actuele kampioen is hiermee dus niet aangetoond. [1]
En de kwaliteit? Op honderd informaticavragen stijgt de score voor citation precision van 76,2 bij Qwen3-8B naar 90,5 bij AstaBrief. De answer-precision-score daalt juist van 90,6 naar 89,0. Niet alles gaat dus vooruit. De makers erkennen bovendien dat verwijzingen kunnen aansluiten terwijl het antwoord verder generaliseert dan het onderzoek rechtvaardigt. Een voetnoot draagt geen toga: hij spreekt niet automatisch de waarheid. [1] [2]
Ook praktisch zijn er kleine lettertjes. Een afwijkende invoervorm kan volgens de modelkaart minder consistent gedrag opleveren. En downloadbaar betekent niet automatisch volledig offline: de openbare ScholarQA-code gebruikt standaard externe zoek- en modeldiensten. Wie zelf wil hosten, moet daarom de hele gegevensroute bekijken, niet alleen het modelbestand. [1] [2]
Een nuchtere proef: laat AstaBrief aangeleverde fragmenten uit enkele openbare papers over één programmeertechniek vergelijken. Controleer daarna vijf conclusies tegen de oorspronkelijke passages. Dat is een voorgesteld experiment, geen bewezen productiviteitswinst. De gewichten en testresultaten zijn beschikbaar, maar onafhankelijke bevestiging ontbreekt in de geraadpleegde bronnen. Handig gereedschap wellicht; de leesbril blijft voorlopig op tafel. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
7 oktober 2026
Een eigen kladblok voor je AI-programmeur
Een AI-programmeerhulp die verschillende oplossingen probeert: prima, zolang je achteraf nog weet welke versie wat deed. Cloudflare presenteert Artifacts als infrastructuur om zulke bestanden en hun geschiedenis te bewaren. Op 1 oktober 2026 verscheen de open-bèta-aankondiging. Geen plotselinge AI-doorbraak dus: de private bèta was al op 16 april aangekondigd. Het nieuws zit vooral in de ruimere beschikbaarheid. [1] [2]
Denk aan een digitaal kladblok, maar dan eentje dat eerdere versies onthoudt. Een programmeertaak kan een eigen repository krijgen: een opslagplek voor bestanden en hun wijzigingsgeschiedenis. Volgens de documentatie kun je vanuit hetzelfde beginpunt verschillende oplossingen onderzoeken en resultaten vergelijken of samenvoegen. Artifacts werkt met gewone Git-programma’s en programmeerinterfaces. Het is opslaginfrastructuur, geen nieuw AI-model met een extra grote denkpet. [1]
Dat apart uitproberen is op zichzelf niet nieuw. Git ondersteunt al ontwikkellijnen naast elkaar, de zogeheten branches. Cloudflare heeft de vertakking dus niet uitgevonden. De aangeboden toevoeging zit in programmeerbare hosting en koppelingen met andere diensten. Minder een nieuw soort schrift, meer een systeem om de schriftenkast te organiseren. [1] [2]
Een mogelijk klein experiment: laat een AI-programmeerhulp twee varianten van een fictieve receptenwebsite maken, allebei vanuit hetzelfde uitgangspunt. Bewaar ze apart, vergelijk de wijzigingen en test beide versies. Dat is een voorstel, geen gerapporteerd resultaat. Via Workers Builds kunnen wijzigingen buiten de productiebranch bovendien een afzonderlijke Worker Preview opleveren. Handig om te bekijken, maar een voorbeeldversie deelt geen rapportcijfers voor codekwaliteit uit. [1] [2]
Er staan wel hekjes om dit kladblok. De open bèta is beschikbaar voor klanten met Workers Paid, niet onbeperkt gratis voor iedereen. De documentatie noemt maximaal 1 GB per repository en 32 MB per afzonderlijk bestand of blob. En de informatie komt van Cloudflare zelf: onafhankelijke prestatietests ontbreken in het dossier. De nuchtere belofte is daarom overzichtelijker experimenteren, niet bewezen sneller programmeren of automatisch betere software. [1] [2] [3]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
5 oktober 2026
Een AI-drakenbeker is pas handig als er iets in kan
Een indrukwekkende drakenbeker uit een AI-generator klinkt als een geslaagd ontwerp. Tot de bovenkant dicht blijkt te zitten. Dan heb je vooral een fantasierijk obstakel tussen jou en je thee. Precies zo’n beker is gedemonstreerd bij InstructMesh, een onderzoekstool waarmee gebruikers fouten in AI-gegenereerde 3D-ontwerpen gericht kunnen herstellen vóór het printen. MIT News berichtte erover op 1 oktober 2026; de onderliggende preprint verscheen al op 28 augustus 2026. [1] [2]
Het idee is overzichtelijk: je markeert het probleemgebied en vertelt met tekst wat er moet veranderen, of gebruikt schuifregelaars. InstructMesh combineert daarvoor de 3D-generator TRELLIS met GPT-4. Die laatste boetseert niet zelfstandig aan het model, maar kiest een bewerking en bijbehorende instellingen uit een vaste verzameling. Jij bepaalt waar de ingreep plaatsvindt en beoordeelt het resultaat. [1] [2]
Het draait dus niet alleen om mooiere plaatjes. Naast de drakenbeker laten de onderzoekers een schelpvormig fluitje en een octopusachtige vloeistofverdeler zien. Zulke voorbeelden maken het verschil tussen uiterlijk en gebruik tastbaar: een ontwerp kan digitaal overtuigen, terwijl er voor praktisch gebruik nog iets moet worden aangepast. [1]
In een eerste studie onderzochten twaalf beginners vijf gebrekkige modellen. Zij herkenden 90,4 procent van de fouten; volgens een onafhankelijke beoordelaar werd 89,7 procent succesvol hersteld. Dat oordeel hoorde bij het onderzoek en is geen onafhankelijke herhaling ervan. In een tweede studie probeerden twaalf andere beginners tekstinvoer en schuifregelaars. Alle twaalf gaven uiteindelijk de voorkeur aan een combinatie. [1]
De kanttekeningen zijn minstens zo belangrijk. De studies waren klein en gebruikten één 3D-generator. Of InstructMesh sneller is dan handmatig repareren of opnieuw prompten, is niet aangetoond. Bovendien moeten gebruikers fouten zelf opmerken: verborgen gebreken kunnen blijven zitten. Zeer kleine details en dynamische mechanismen vallen buiten de mogelijkheden. [1]
De interessante stap is daarom vooral meer controle voor beginners, bijvoorbeeld bij creatieve prototypes. De geprinte voorbeelden bewijzen niet systematisch dat ontwerpen goed printen of functioneren. Zie InstructMesh als een digitale reparatieknop, niet als keurmerk. Ook een draak verdient tenslotte een bruikbare beker. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
4 oktober 2026
De pixels blijven staan, ons brein schuift ze op
Een stilstaand object dat toch verschoven lijkt: daarvoor hoeft niemand stiekem aan het beeld te sleutelen. Na het kijken naar beweging kan een object in de tegenovergestelde richting lijken opgeschoven. De pixels blijven keurig staan. Ons brein houdt er blijkbaar een eigen plaatsingsbeleid op na. Juist dat verschil maakt deze optische illusie interessant voor AI-onderzoek. [1]
York University berichtte op 2 oktober 2026 over het onderzoek en meldde publicatie in Current Biology. Het werk zelf is ouder: de eerste preprint verscheen op 11 maart. De technische bevindingen hieronder komen uit die maartversie; eventuele wijzigingen in het definitieve tijdschriftartikel zijn niet gecontroleerd. De recente aanleiding is dus nieuws over bestaand onderzoek. [1] [2]
De onderzoekers combineerden waarnemingstests bij mensen, hersenmetingen bij makaken en proeven met neurale netwerken. De menselijke tests telden 79 deelnemers: 35 zonder bewegingsadaptatie, 22 met rechtswaartse en 22 met linkswaartse adaptatie. De twee illusiecondities omvatten dus samen 44 verschillende mensen. Daarin rapporteerden deelnemers verschoven posities. Ook posities afgeleid uit activiteit in de inferotemporale hersenschors van makaken verschoven in overeenkomstige richting. Niet iedere afzonderlijke vergelijking was statistisch significant. [1]
De geteste AI-netwerken deden iets anders. Ze konden objectposities coderen, maar vertoonden niet dezelfde verschuiving na het kijken naar beweging. Dat gold voor de onderzochte feedforward-, recurrente en videonetwerken. Ze trapten dus niet in deze illusie. Een keurige prestatie? Voor positiebepaling misschien, maar als nabootsing van biologische waarneming ontbreekt er juist iets. [1]
Met aanpassingen die waren afgeleid uit de hersenmetingen konden de onderzoekers vergelijkbare vertekeningen aan de interne modelrepresentaties opleggen. Daarmee is niet aangetoond dat die modellen in het algemeen beter beelden herkennen. Een AI een menselijke vergissing laten maken is nog geen diploma in menselijk kijken. [1]
De les is bescheiden maar boeiend: vraag niet alleen waar een object staat, maar ook of het antwoord verandert door wat eerder in beeld kwam. Deze specifieke illusie laat bij de geteste modellen een verschil zien tussen correcte positiebepaling en mensachtige waarneming. Niet alle AI is daarmee beoordeeld. Soms vertelt juist een foutje iets over hoe kijken werkt. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
3 oktober 2026
AI-stemmen op rapport: je oren blijven de jury
Een digitale voorlezer kan zijn dictee halen en toch niet je favoriete verhalenverteller zijn. Precies daarom is de nieuwe Open TTS Leaderboard interessant, maar geen eindjury. Hugging Face introduceerde het vergelijkingsplatform op 30 september 2026. Dat nieuws komt van de makers zelf: het is een introductie, geen onafhankelijke beoordeling. Nieuw is de ranglijst, niet de pratende computer. [1]
Het platform vergelijkt synthetische stemmen op verstaanbaarheid, snelheid en stemgelijkenis. Binnen de gekozen testsets en ondersteunde talen krijgen modellen dezelfde teksten voorgeschoteld. Er zijn tests met standaardstemmen en, waar mogelijk, met een referentiestem. Alleen modellen met resultaten voor alle geselecteerde talen en datasets verschijnen in de gezamenlijke rangschikking. Zo worden al te scheve vergelijkingen beperkt. [1]
Toch verdient zo’n rapportcijfer een bijsluiter. Voor verstaanbaarheid wordt de uitvoer van spraakherkenning vergeleken met de bedoelde tekst. Weinig fouten betekent dus niet automatisch dat een stem natuurlijk, expressief of prettig klinkt. Ook snelheid vraagt context: de hoofdbenchmark gebruikt een H200-GPU en, waar ondersteund, groepen van 32 opdrachten tegelijk. Je gewone laptop heeft daarmee nog geen snelheidsbelofte gekregen. [1] [2]
Voor Nederlandse luisteraars zit er bovendien een duidelijke grens aan het lijstje. De zichtbare taalselectie telt negen talen, waaronder Engels, Duits en Frans, maar geen Nederlands. Wie hiermee de beste Nederlandse voorleesstem wil aanwijzen, vraagt de cijfers dus iets wat ze niet onderbouwen. Een podiumplek in de ene selectie is geen universele gouden microfoon. [1]
Ook het woord ‘open’ vraagt enige precisie. De interface is openbaar te gebruiken, maar volledige openbaarmaking van de evaluatiescripts was bij de introductie nog toekomstwerk. De beschikbare testsets hebben bovendien hun eigen voorgeschiedenis: het eerste Seed-TTS-onderzoek verscheen al in juni 2024. Niet alles onder de motorkap is dus nieuws van september 2026. [1] [2]
De leukste aanpak? Houd een kleine stemmenproeverij via het tabblad ‘Listen’. Vergelijk enkele fragmenten zonder eerst de rangschikking te bekijken. Noteer uitspraak, aangenaamheid en tempo, en leg daarna de scores ernaast. Dat is een voorstel, geen uitgevoerde test. Gebruik cijfers om kandidaten te kiezen; laat je oren bepalen wie mag blijven voorlezen. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
2 oktober 2026
Een AI-avatar die zegt: controleer dit even
Een virtuele gesprekspartner die zijn armen kruist: tijd voor een lastig gesprek? In een VR-onderzoek was zo’n gebaar juist bedoeld als waarschuwing dat informatie controle verdiende. Het idee: laat een AI-avatar niet alleen antwoorden geven, maar ook zichtbaar aangeven wanneer opletten verstandig is. Een digitale gesprekspartner met een ingebouwd voorbehoud, dus. [1]
NC State bracht het onderzoek op 30 september 2026 onder de aandacht. Dat bericht is universitaire onderzoeksvoorlichting, geen onafhankelijke reportage. De eerste onderzoeksversie verscheen al op 23 september op arXiv. De presentatie bij ISMAR in Bari staat aangekondigd voor 8 oktober: op de peildatum van 2 oktober moet die nog plaatsvinden. [1] [2]
In de proef kregen 24 deelnemers vooraf opgestelde geschiedenislessen in VR. De onderzoekers vergeleken drie soorten signalen met een situatie zonder waarschuwingen: lichaamstaal, pictogrammen naast de avatar en gekleurde ondertiteling met broninformatie. Ze bekeken hoe deelnemers verdachte informatie opmerkten, hoeveel vertrouwen ze hadden en hoe ze de onderdompeling in VR ervoeren. [1] [2]
Alle drie de vormen hielpen deelnemers om de door het systeem gemarkeerde zinnen beter op te merken. De mediane recall, een maat voor hoeveel daarvan werd herkend, steeg van 0,20 zonder waarschuwingen naar 0,60 bij elke waarschuwingsvorm. Op de gemeten detectiematen waren de verschillen tussen de drie vormen niet statistisch significant. Geen overtuigende winnaar dus tussen armen, icoontjes en tekst. [1]
Maar hier hoort zelf ook een waarschuwingslampje bij. Deelnemers moesten niet bepalen welke uitspraken werkelijk onwaar waren, alleen welke verdere controle verdienden. Hun antwoorden werden vergeleken met systeemlabels, niet met onafhankelijk vastgestelde feiten. De proef toont dus beter opmerken van controlesignalen aan, geen ingebouwde leugendetector. [1]
Bovendien was de groep klein, hadden deelnemers bewust weinig voorkennis en ging het niet om langdurige, vrije gesprekken. Of de aanpak helpt wanneer de detector zelf fouten maakt, is niet bewezen. Ook kunnen gebaren cultureel anders worden begrepen. Voor een lesavatar of virtuele rondleider zijn dit nuttige ontwerpaanwijzingen, maar geen betrouwbaarheidsgarantie. Een zichtbaar ‘even nakijken’ blijft iets anders dan een stempel ‘waar’. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
30 september 2026
Wie praat er door de podcast heen? AI zet er een tijdstempel bij
Een podcast met meerdere gasten kan klinken als een keurige beurtwisseling. Tot iedereen tegelijk iets belangrijks bedenkt. NVIDIA’s Nemotron 3 Diarization houdt bij wanneer welke spreker praat, ook bij overlappende stemmen. Het model verscheen op 23 september 2026; MIXED berichtte er vijf dagen later over. [1] [2]
Het systeem kan maximaal acht sprekers onderscheiden in opgenomen of binnenkomende audio. De uitvoer bestaat uit tijdstippen en anonieme sprekerlabels. ‘Spreker 2’ is dus niet automatisch Marieke. En een uitgeschreven gesprek krijg je evenmin: daarvoor is aparte spraakherkenning nodig. Zie het als een digitale beurtenteller, niet als een notulist met een uitstekend gezichtenboek. [1] [2]
De cijfers laten vooruitgang zien, maar vragen om bijsluiterlezers. NVIDIA rapporteert op DIHARD III een foutscore van 12,73%, tegenover 19,09% voor zijn oudere vier-sprekermodel, met een invoerbuffer van 30,4 seconden. Dit zijn makersmetingen. Die score, DER, telt gemiste spraak, onterecht gedetecteerde spraak en verwisselde sprekers mee. Het is geen percentage verkeerd uitgeschreven woorden. [1] [2]
Bovendien wint nieuw niet overal van oud. Op het tweesprekersdeel van CALLHOME komt het nieuwe model bij dezelfde offline-instelling uit op 5,98% DER, tegenover 5,68% voor zijn voorganger. Lager is beter. Ook de gemelde eerste plaats op de initiële VoiceArena-test is voorlopig: evaluatie en statistische analyse kunnen de uitkomst nog veranderen. [1] [2]
En ‘realtime’? De laagste aanbevolen invoerbuffer is 0,32 seconde, maar de rekentijd komt daar nog bovenop. De gepubliceerde snelheidsmetingen gebruiken een NVIDIA RTX PRO 5000, geen doorsneelaptop. Ook demonstraties verdienen nuance: ze gebruiken synthetische audio en geven bij sommige achtsprekerscenario’s vooraf sprekercontext mee. Dat bewijst nog geen soepele verwerking van een onbekend tafelgesprek. [1] [2]
Voor podcastprojecten is vooral de combinatie met spraakherkenning interessant: woorden én spreekbeurten kunnen een doorzoekbaar gesprek overzichtelijker maken. Modelgewichten en gebruiksvoorbeelden zijn beschikbaar, maar tijdwinst bij montage is hiermee niet bewezen. Een nuttige proef: neem met toestemming drie mensen op, markeer zelf hun spreekbeurten en vergelijk de labels, juist na stiltes en onderbrekingen. De AI mag tellen; voorlopig kijkt er nog iemand mee. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
29 september 2026
Een souffleur voor je lokale AI: sneller praten, niet slimmer kijken
Een AI-model dat beelden en tekst verwerkt, krijgt hulp achter de schermen. Liquid AI bracht op 24 september 2026 een experimenteel DSpark-hulpmodel uit voor LFM2.5-VL-3B. De belofte: sneller antwoorden uitschrijven. Geen nieuwe ogen of extra wijsheid dus, maar een souffleur die het tempo probeert op te voeren. [1]
Het onderliggende DSpark-onderzoek werd op 6 juli 2026 ingediend bij arXiv. Op 20 augustus volgden al hulpmodellen voor tekstmodellen; de septemberrelease past DSpark nu toe op een beeld-taalmodel. De techniek heet speculative decoding: een klein model voorspelt meerdere volgende tekststukjes, oftewel tokens. Het hoofdmodel controleert die voorstellen gezamenlijk en bepaalt wat doorgaat. Alsof iemand achter het toneel vooruitfluistert, terwijl de hoofdrolspeler het laatste woord houdt. Zo kan het hoofdmodel meer tekststukjes per rekenronde verwerken. [1] [2] [3]
Klein is hier relatief: de assistent telt 279,5 miljoen parameters. Hij hoort specifiek bij LFM2.5-VL-3B en vervangt dat model niet. Volgens de modelkaart blijft de gegenereerde tekst gelijk wanneer telkens het waarschijnlijkste volgende tekststukje wordt gekozen, de instelling die greedy decoding heet. Sneller dezelfde tekst produceren is dus iets anders dan een inhoudelijk beter antwoord geven. [1]
Hoeveel scheelt dat? In eigen metingen rapporteert Liquid AI bij de COCO-test op een M5 Max met MLX-VLM een versnelling van 3,13 keer voor tekstgeneratie. De volledige verwerking werd 2,59 keer sneller. Dat verschil is belangrijk: beeldverwerking en het verwerken van de invoer profiteren niet van deze versnelling. De souffleur helpt bij de tekst, niet bij het klaarzetten van het decor. [1] [2]
De cijfers hebben duidelijke grenzen. De tests gebruikten 16-bit verwerking, één aanvraag per batch en temperatuur nul. Ze gelden niet automatisch voor een compactere 4-bit uitvoering. Hogere samplingtemperaturen verminderden in de makersproeven de winst. Ook komt er een extra model bij. De geraadpleegde bronnen bieden geen onafhankelijke bevestiging van de gemelde versnelling. [1] [2]
Voor wie dit beeld-taalmodel al lokaal gebruikt en vooral wacht tot antwoorden zijn uitgeschreven, is dit daarom een interessante ontwikkeling. De nuchtere conclusie blijft: mogelijk minder wachten, niet beter kijken. Een vlottere uitleg bij een foto is prettig, maar snelheid is nog geen keurmerk voor juistheid. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
28 september 2026
Een verhuurfoto is geen volkstelling: wie ziet visuele AI eigenlijk?
Een aantrekkelijke verhuurfoto laat een kamer zien, maar nog geen samenleving. Dat verschil verdient aandacht nu AI grote beeldverzamelingen tot onderzoeksmateriaal maakt. MIT News besprak op 24 september 2026, naar aanleiding van het boek How AI Sees the City, de mogelijkheden én valkuilen van visuele AI. De interessante vraag is niet alleen wat een computer herkent, maar ook welke werkelijkheid hij voorgeschoteld krijgt. [1]
Neem de interieurstudie van Mazzarello en collega’s, die al op 15 oktober 2025 in Scientific Reports verscheen. De onderzoekers analyseerden ruim 400.000 Airbnb-foto’s uit 80 steden. Een flinke digitale rondleiding, maar wel met een specifieke route: langs kortetermijnverblijven. Het gaat bovendien om foto’s, niet om evenzoveel afzonderlijke woningen. Veel beeldmateriaal is niet automatisch een brede doorsnede van het dagelijks leven. [1]
Daar zit de hoofdrol voor de selectie van het materiaal. Verhuurinterieurs kunnen commercieel gestileerd zijn: ze moeten aantrekkelijk ogen voor tijdelijke gasten. Wat het model te zien krijgt, kan daardoor afwijken van gewone huishoudens. De auteurs controleerden hun bevindingen met andere woningplatforms. Dat helpt bij het toetsen, maar maakt van deze verzameling nog geen universeel inkijkje achter alle voordeuren. [1]
Ook een kijkje in het model lost die beperking niet op. Met GradCAM maakten de onderzoekers zichtbaar welke beeldgebieden belangrijk waren voor de classificatie. Handig, zo’n markeerstift voor computerogen. Maar aanwijzen waar een model kijkt, is iets anders dan aantonen dat de gefotografeerde kamers representatief zijn. Evenmin vertelt een geografisch patroon vanzelf waardoor verschillen ontstaan. [1]
En kan iemand het onderzoek opnieuw nalopen? Volgens de publicatie zijn data en code op redelijk verzoek verkrijgbaar. De geraadpleegde bronnen leveren geen onafhankelijke replicatie; dat betekent niet dat die nergens bestaat. MIT News biedt daarnaast universitaire nieuwsvoorziening, geen onafhankelijke controle. De nuchtere opbrengst: visuele AI kan fotocollecties systematisch helpen onderzoeken, maar een grotere stapel foto’s maakt de blik niet vanzelf neutraler. Ook digitaal blijft de vraag: wie staat er buiten beeld? [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
26 september 2026
Compacte AI, zonder je Python-werkbank te verlaten
Een kleiner modelbestand is prettig, maar pas echt handig als het tijdens gebruik ook weinig geheugen vraagt. Precies daarover gaat de aankondiging die Hugging Face op 22 september 2026 publiceerde: Transformers kan nu bepaalde compacte modellen gebruiken via techniek uit llama.cpp. Je hoeft daarvoor niet van Python-werkbank te wisselen. Wel goed om te weten: dit nieuws komt van de makers zelf. [1]
De hoofdrol is voor GGUF, een bestandsformaat dat modelgegevens en bijbehorende metadata bewaart. Het is dus geen nieuw taalmodel, laat staan een plotseling slimmere digitale collega. De vernieuwing zit in de aansluiting tussen bestaande hulpmiddelen. Met de kernel ggml-quantization kunnen compact opgeslagen modelgewichten ook tijdens gebruik compact blijven. Ontbreekt die passende kernel, dan worden ze bij het laden alsnog uitgepakt. Een kleine koffer blijkt niet altijd een kleine garderobe. [1] [2]
Er staan voorlopig wel hekjes om deze route. De documentatie noemt ondersteuning voor Qwen3.5 en Qwen3.5 MoE, met MPS als standaard wanneer de kernel beschikbaar is. Andere architecturen gebruiken de oudere laadroute, die de gewichten uitpakt. Bovendien gaat het om de ontwikkelversie van Transformers, waarvoor installatie vanuit de broncode nodig is. Dit is dus niet automatisch beschikbaar in iedere reguliere installatie. [1]
En de snelheid? De makers testten drie checkpoints op een MacBook Pro M2 Max met 32 GB geheugen en melden prestaties dicht bij llama.cpp. Alleen lopen de meetlatten niet gelijk: bij llama.cpp nemen ze het gemiddelde van drie metingen zonder promptverwerking; bij Transformers de beste van drie opgewarmde metingen, mét promptverwerking. Dat levert geen zuivere gelijkheidsclaim op, en onafhankelijke bevestiging ontbreekt hier. [1]
De praktische winst zit vooral in experimenteren binnen bestaande Python- en PyTorch-werkwijzen, bijvoorbeeld om tussenresultaten te bekijken of modellen te evalueren. Wie vooral efficiënte lokale uitvoering zoekt, krijgt van Hugging Face nog steeds llama.cpp aanbevolen. Een nuchter proefje: geef twee modelvarianten dezelfde fictieve samenvattingstaak en noteer snelheid, geheugengebruik en fouten apart. Dat is een voorstel, geen gemeten resultaat. De werkbank krijgt er een aansluiting bij; de wonderknop blijft zoek. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
25 september 2026
Heeft je bank een accent? AI zoekt lokale trekjes in interieurs
Kan AI aan je woonkamer zien waar je woont? Niet zoals een bezorger je adres vindt. Maar interieurfoto’s blijken wel geografische aanwijzingen te bevatten. Onderzoekers gebruiken beeldherkenning om verschillen tussen steden te onderzoeken. Je bank krijgt daarmee een onverwachte bijbaan: niet alleen zitplek, maar ook databron. [1]
De recente aanleiding is een artikel van MIT News van 24 september 2026 over het boek How AI Sees the City. Het interieuronderzoek zelf verscheen al op 15 oktober 2025 in Scientific Reports, na een eerste preprint in augustus 2024. Nieuw is dus de boekaanleiding, niet een plotseling doorgebroken AI-kunstje. [1] [2] [3]
Voor de tijdschriftpublicatie analyseerden Martina Mazzarello en collega’s ruim 400.000 Airbnb-afbeeldingen uit 80 steden. Let op: afbeeldingen, niet evenveel woningen. Met deep learning vergeleken ze visuele kenmerken. Objectherkenning en een techniek die relevante beeldgebieden zichtbaar maakt, Grad-CAM, hielpen om de analyse te interpreteren. [1]
Hoe goed ging dat? Bij een classificatietaak met 40 stadscategorieën rapporteerden de auteurs 43 tot 47 procent nauwkeurigheid. Willekeurig kiezen zou gemiddeld 2,5 procent opleveren. Dat is een duidelijk verschil, maar het model zat nog steeds bij meer dan de helft verkeerd. Een interieur is dus geen betrouwbaar adreslabel. Wel wijzen de resultaten erop dat lokale visuele verschillen blijven bestaan. [1]
Daar hoort een flinke kanttekening bij. Verhuurfoto’s vormen geen willekeurige doorsnede van gewone huishoudens: inrichting en presentatie kunnen bedoeld zijn om boekingen binnen te halen. Ook verklaren gevonden verbanden niet waardoor verschillen ontstaan of hoe ze veranderen. Aanvullende controles met andere woningplatforms kwamen bovendien van de auteurs zelf; het waren geen onafhankelijke herhalingen. [1]
De interessantste belofte is daarom niet een digitale speurneus die jouw woonplaats feilloos raadt. Het is een hulpmiddel waarmee onderzoekers grote fotoverzamelingen systematisch kunnen vergelijken. MIT News benoemt daarbij privacy en vertekening als belangrijke grenzen. De bank mag meepraten over de stad, maar krijgt voorlopig niet het laatste woord. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
24 september 2026
Snellere tekstvoorbereiding, maar waar blijft de tijdwinst?
Een snellere keukenhulp zet niet automatisch eerder het eten op tafel. Zo liep het ook bij een afzonderlijke verbetering aan Hugging Face Tokenizers: de ontwikkelaar rapporteerde een HTTP-test zonder snelheidsvoordeel. De beperking zat elders. Dat is een nuttige kanttekening bij het nieuws over Tokenizers v1: een snellere bouwsteen maakt nog geen snellere toepassing. [1]
Hugging Face publiceerde op 21 september 2026 een technisch bericht over v1. Volgens de makers verwerkt die tekst bij tien onderzochte modelfamilies 3 tot 30 keer sneller dan v0.23. De meetvoorwaarden horen daarbij: één thread op een Apple M4 Max. Het betreft een beschikbare Rust-releasecandidate, niet een afgeronde versie 1.0. Bovendien komt het nieuws van de makers zelf. [1]
Een tokenizer maakt tekst klaar voor een taalmodel. Hij verwerkt de invoer, verdeelt die in kleinere eenheden en koppelt daar numerieke identificaties aan. Bij v1 is het doel dezelfde token-ID’s te behouden. De ingrediënten krijgen dus sneller hun etiket; het recept verandert niet. Dit gaat over efficiëntere voorbereiding, niet over een taalmodel dat ineens slimmer wordt. [1] [2]
De codebijdrage met de HTTP-tegentest verdeelt tijdelijke werkbuffers over threads. Daardoor hoeft gelijktijdige verwerking minder op één gedeeld slot te wachten. Die verbetering is vooral bedoeld voor veel threads die tegelijk tekst laten verwerken. De bijdrage bevat resultaten van 25 augustus en werd op 3 september samengevoegd. Het nieuws is recent, maar dit onderdeel werd niet pas deze week bedacht. [1]
Ook de stopwatch heeft kleine lettertjes. De openbare benchmarkcode in tokbench vergelijkt uitvoer via hashes met een referentie; afwijkende resultaten worden niet gerangschikt. Tekstkeuze beïnvloedt de uitkomst, want herhaling kan caches bevoordelen. De gepubliceerde Rust-metingen tellen bovendien de extra overhead van Python-aanroepen niet mee. En binnen deze bronnen ontbreekt onafhankelijke replicatie: openbare code maakt controle mogelijk, maar vervangt die niet. [1] [2]
Voor ontwikkelaars blijft daarom de vraag: waar staat mijn toepassing te wachten? Een mogelijke proef, hier niet uitgevoerd, is oude en nieuwe software vergelijken op dezelfde Nederlandse teksten. Controleer gelijke token-ID’s en meet zowel de tokenisering als de totale verwerkingstijd. Dat levert geen vooraf beloofde winst op, maar kan wel laten zien of een snellere keukenhulp hier verschil maakt. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
23 september 2026
TinyTorch: een AI-bouwpakket waarbij je zelf de schroefjes aandraait
Niet nóg een chatbot, maar een kijkje achter de knoppen: dat is het idee van TinyTorch. In dit leerproject bouw je zelf de onderdelen van een machinelearningframework, de softwarebasis waarmee modellen kunnen leren. Geen wedstrijd om het slimste antwoord, dus. Eerst maar eens uitzoeken hoe de machine in elkaar zit. [1]
De nieuwe aandacht komt van een artikel op het officiële PyTorch-blog van 21 september 2026. Daar vertellen de makers over hun bouwpakket. De eerste openbare preview verscheen al op 12 december 2025. De onderliggende onderzoekspublicatie verscheen als preprint op 27 januari 2026, met een herziene versie op 28 januari. Het recente blogartikel is een makersverhaal, geen onafhankelijke beoordeling. [1] [2] [3]
Het pakket telt twintig modules. In Python bouw je onder meer tensors, automatische differentiatie, optimalisatiemethoden en neurale netwerken, tot aan transformers. Dat zijn flinke termen, maar de insteek is overzichtelijk: losse rekenbouwstenen maken en ontdekken hoe ze samenwerken. Ook geheugenverbruik en rekentijd horen bij de les. De motorkap blijft dus niet alleen open voor de sier. [1] [2]
Volgens de makers volstaat een laptop met 4 GB werkgeheugen, zonder GPU. Dat is hun hardwareopgave, geen onafhankelijke snelheidstest. TinyTorch is ook geen vervanger van PyTorch voor productiewerk: GPU- en gedistribueerde uitvoering ontbreken. Het doel is begrijpen wat er gebeurt, niet als eerste over de finish komen. [1] [2]
De modules, oefeningen en documentatie zijn openbaar toegankelijk, maar het project is nog een preview. De planning vraagt wat oplettendheid: het blog noemt onderwijsgebruik in het najaar van 2026 als doel, terwijl de projectsite voorjaar 2027 vermeldt. Zelfstudie en proefgebruik zijn mogelijk; een definitieve onderwijsversie is daarmee nog niet uitgebracht. [1] [2]
Maakt al dat sleutelen je aantoonbaar beter? Dat is nog niet vastgesteld: gecontroleerde leeruitkomsten ontbreken, zeggen de auteurs zelf. Een passende kleine oefening is één rekenonderdeel bouwen, de hoeveelheid invoer veranderen en het geheugenverbruik meten. Geen bewezen wonderrecept, wel een concrete manier om onder die motorkap te kijken. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
22 september 2026
De tekstknipper van AI krijgt scherpere scharen
Voordat een taalmodel iets met tekst kan, moet die eerst in genummerde stukjes worden geknipt. Dat doet een tokenizer: minder zichtbaar dan de chatbot, maar wel onderdeel van het voorbereidende werk. Hugging Face publiceerde op 21 september 2026 een technische aankondiging over een snellere versie van die tekstknipper. De scharen zijn aangescherpt; daarmee wordt het taalmodel nog niet slimmer. [1]
De gemelde snelheidswinst klinkt indrukwekkend: 3 tot 30 keer sneller dan versie v0.23. Dat cijfer geldt voor tekstcodering met de release candidate van v1, dus een voorversie. Hugging Face testte tien modelfamilies op een Apple M4 Max, met één rekendraad. Het gaat nadrukkelijk niet om een chatbot die ineens dertig keer zo snel antwoordt. Ook is 21 september de publicatiedatum, niet de vermelde meetdatum: die ontbreekt. [1]
Waar komt de winst vandaan? Onder meer uit hergebruik van eerder verwerkte tekststukjes, efficiënter geheugenbeheer en het bundelen van bewerkingen. Volgens de makers blijven de token-ID’s, de nummers van de tekststukjes, gelijk. De bedoeling is hetzelfde werk sneller afhandelen, niet stiekem een andere knipbeurt afleveren. [1]
Bij zulke cijfers hoort wel een vergrootglas. Het zijn metingen van de makers zelf, zonder onafhankelijke bevestiging. Het Chileense nieuwsbericht van 21 september vat de aankondiging samen, maar bevat geen eigen test. De openbare benchmarksoftware tokbench controleert via hashes of de token-ID’s overeenkomen met een referentie. Afwijkende uitkomsten krijgen geen plek in de rangschikking. Nuttig, maar geen garantie tegen alle softwarefouten. [1] [2]
Ook het leesvoer doet ertoe. Veel terugkerende tekststukjes kunnen hergebruik aantrekkelijker maken; andere teksten kunnen anders uitpakken. Twee testverzamelingen blijven bovendien intern, waardoor niet alles openbaar te reproduceren is. Verder wordt het laden van de woordenschat apart gemeten en ontbreekt extra Python-overhead in de gepubliceerde Rust-metingen. Een stopwatch vertelt dus pas iets als je weet waarop hij gericht staat. [1] [2]
Voor ontwikkelaars die veel tekst verwerken is dit interessant, mits tokenisatie werkelijk tijd kost in hun toepassing. Een passend experiment: laat beide versies dezelfde fictieve Nederlandse teksten verwerken, vergelijk de token-ID’s en meet zowel het knipwerk als de totale verwerkingstijd. Dat is een testvoorstel, geen bewezen uitkomst. Eerst meten waar de vertraging zit; daarna pas de confetti. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
21 september 2026
De literatuurlijst krijgt spreekuur
Een wetenschappelijk artikel lezen is één ding. De bijbehorende analyse zelf uitvoeren vraagt vaak wat meer speurwerk. Paper2Agent wil die afstand verkleinen: de software verandert een paper met bijbehorende code in een interactieve AI-assistent. De literatuurlijst krijgt als het ware spreekuur, al moet je de witte jas er zelf bij denken. [1]
De recente aanleiding is de publicatie in Nature op 16 september 2026. Het basisidee verscheen al op 8 september 2025 als openbare preprint. Stanford Medicine berichtte over het onderzoek, maar dat is universitaire nieuwscommunicatie over eigen werk, geen onafhankelijke praktijktest. Nieuw is dus vooral de tijdschriftpublicatie, niet het hele concept. [1] [2] [3]
Wat maakt dit anders dan een chatbot die een pdf navertelt? Paper2Agent bouwt een technische koppeling, een MCP-server, waarmee een chatagent functies uit de onderzoekscode kan aanroepen. Zo kan de assistent bestaande analyses uitvoeren. De software genereert en draait ook tests om die koppeling te controleren. De openbare versie op GitHub is programmeergereedschap, geen kant-en-klare consumentenapp. [1] [2]
De auteurs probeerden honderd computationeel-biologische papers om te zetten; bij 74 lukte dat. Van de 599 gegenereerde hulpmiddelen doorstonden er 593 de automatische validatie. Bij driehonderd tutorialvragen behaalde Paper2Agent met Sonnet 4 een nauwkeurigheid van 91,2 procent, tegenover 80,3 procent voor Sonnet 4 met directe toegang tot de repository. Belangrijke voetnoot: die vragen kwamen uitsluitend uit de 74 geslaagde omzettingen. Dit zijn bovendien auteursmetingen, geen onafhankelijke replicatie. [1]
De paper krijgt daarmee een uitvoerbare vraagbaak, geen diploma als zelfstandig onderzoeker. Ontbrekende code, data of softwareafhankelijkheden kunnen de omzetting laten stranden. En een analyse correct uitvoeren betekent nog niet dat de wetenschappelijke interpretatie klopt. Niet-opgeschreven afwegingen en mislukte experimenten moeten nog steeds van mensen komen. Miljoenen zelfstandig samenwerkende papers? Voorlopig toekomstwerk. [1] [2]
De aantrekkelijkste winst lijkt daarom bescheidener: een onderzoeksmethode gebruiken zonder eerst alle code te hoeven uitpluizen. Minder zoeken, sneller een bestaande analyse proberen. Dat klinkt minder spectaculair dan een autonome wetenschapper, maar de wetenschap heeft ook iets aan een goed georganiseerde gereedschapskast. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
20 september 2026
AI op bonsaiformaat: minder gewicht, wel een bijsluiter
Niet méér AI in een datacentrum, maar minder modelgewicht op je bureau. Dat is de aantrekkelijke gedachte achter Ternary Bonsai 2 27B, dat PrismML op 17 september 2026 introduceerde. De naam past: een flink taalmodel, stevig teruggesnoeid. Alleen gaat deze bonsai niet in een pot, maar op een computer. Compressie is overigens niet deze week uitgevonden; de release bouwt voort op eerder Bonsai-werk. [1] [2]
De basis is Qwen3.8-27B. Bij de gecomprimeerde afgeleide gebruiken de modelgewichten hoofdzakelijk drie waarden: −1, 0 en +1, aangevuld met schaalfactoren. De architectuur blijft behouden. De compactste GGUF-uitvoering beslaat volgens de modelkaart 5,95 GB; een andere verpakking komt op 7,21 GB. Voor beeldinvoer is bovendien een afzonderlijk onderdeel van ongeveer 0,63 GB nodig. [1]
En wat blijft er na het snoeien over? PrismML rapporteert in de aankondiging een samengestelde benchmarkscore van 83,9 tegenover 85,4 voor het oorspronkelijke model: ongeveer 98,2% van diens benchmarkscore. Dat betekent niet dat het model 98,2% van alle willekeurige vragen goed beantwoordt. De modelkaart gebruikt een andere testselectie en andere scores, met afgerond dezelfde verhouding. Die tabellen moet je dus niet samenvoegen tot één meting. [1] [2]
Ook belangrijk: dit zijn metingen van de maker, hier niet onafhankelijk bevestigd. Een eigen praktijktest is niet uitgevoerd. De bestanden zijn wel al openbaar beschikbaar; het blijft dus niet bij een toekomstbelofte. Daarbij verschillen de licenties: de modelbestanden en Bonsai-democode hebben een Apache 2.0-licentie, terwijl de benodigde PrismML-versie van de uitvoersoftware llama.cpp een MIT-licentie heeft. [1] [2] [3]
De bijsluiter zit vooral in software en geheugen. Bonsai 2 vereist momenteel die aangepaste versie van llama.cpp; de standaardversie kan deze bestanden niet correct uitvoeren. Bovendien is bestandsgrootte niet hetzelfde als totaal geheugengebruik. Tijdens het draaien komen onder meer activaties en een cache voor gesprekscontext erbij. Een te lange context kan het beschikbare geheugen uitputten. Klein op schijf is dus nog niet zorgeloos op iedere laptop. [1]
Een aardige proef: laat twintig fictieve kampeerartikelen rubriceren en een paklijst maken. Noteer fouten, wachttijd en geheugengebruik. Dat is een experimentvoorstel, geen testuitslag. Zo wordt concreter wat deze AI-bonsai op jouw computer waard is, voorbij de keurige cijfers op het plantenetiket. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
19 september 2026
Een vliegenbrein speelt Balatro? Leg eerst het bewijs op tafel
Een fruitvlieg die Balatro speelt: het klinkt alsof de fruitschaal eindelijk een hobby heeft gevonden. Alleen zit er geen vlieg achter het scherm. Reddit-gebruiker ActualAerie1011 presenteerde een hobbyproject waarin volgens de maker een op vliegenhersenen geïnspireerd netwerk het spel speelt. Een aantrekkelijk verhaal, maar nog geen bewezen AI-doorbraak. [1]
De wetenschappelijke achtergrond is ouder dan de spelclaim. De eerste preprint verscheen op 9 oktober 2025; de officiële onderzoekspublicatie volgde op 3 september 2026, net als Googles toelichting. Het MaleCNS-project beschrijft ruim 166.000 neuronen en 125 miljoen synaptische verbindingen in het centrale zenuwstelsel van een mannelijke fruitvlieg. AI hielp microscopiebeelden reconstrueren; menselijke experts controleerden en annoteerden het resultaat. Zo’n verbindingskaart is nog geen digitale levende vlieg. [1] [2] [3]
Dat onderscheid maakt de hobbyist zelf ook. Volgens de maker draait er een lerend algoritme boven op de neurologische structuur, geen biologische simulatie. Het trainingsproces zou goede beslissingen voordoen en overeenkomstige keuzes belonen. Hoe de vliegenstructuur precies in het netwerk is verwerkt, blijft echter onvoldoende gedocumenteerd. De vlieg levert hier dus inspiratie, geen aantoonbaar kaarttalent. [1]
En die prestaties? De maker noemt een slagingspercentage van 20 procent voor een overwinning op Ante 8 bij een willekeurige spelstart, oftewel seed. Maar hoeveel testpartijen zijn gespeeld? Waren de teststarts gescheiden van de trainingsstarts? Zonder die informatie en onzekerheidsmarges is het percentage niet controleerbaar. Ook ontbreekt in de geraadpleegde post een uitgewerkte vergelijking die voordeel van de vliegenstructuur aantoont. [1]
De recente aanleiding is de berichtgeving: Tom’s Hardware schreef op 17 september 2026 over de claim en wees op ontbrekende technische details en openbare projectcode. De nieuwsberichten verwijzen naar dezelfde Reddit-demonstratie. Meer aandacht betekent dus niet meer onafhankelijke bevestiging: in de geraadpleegde bronnen is geen onafhankelijke herhaling aangetroffen. [1]
Het blijft een leuk experiment. Een logische vervolgproef zou netwerken mét en zonder vliegenstructuur dezelfde spelstarts en hetzelfde trainingsbudget geven. Dat is een voorstel, geen uitgevoerd resultaat. Voorlopig zijn code, testomstandigheden en een vergelijkingsmodel betere gesprekstarters dan de vraag of fruitvliegen voortaan aan de kaarttafel mogen aanschuiven. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
18 september 2026
Slimmer twijfelen: wat Wordle leert over goede vragen
Bij Wordle wil je het juiste woord raden. Toch hoeft de slimste volgende gok niet het waarschijnlijkste antwoord te zijn. Soms is een woord vooral waardevol omdat de kleurfeedback veel mogelijkheden wegstreept. Niet meteen gelijk krijgen, maar eerst iets bruikbaars leren: dat klinkt minder triomfantelijk, maar kan juist vaker naar de oplossing leiden. [1]
Onderzoekers gebruiken daarvoor Shannon-entropie. Achter die stevige naam schuilt een begrijpelijke vraag: hoeveel onzekerheid kan deze gok naar verwachting wegnemen? De strategie beoordeelt woorden dus op de informatie die hun terugmelding kan opleveren. Het is een wiskundige beslismethode, geen nieuw taalmodel. Ook zonder digitale waarzegger blijkt er behoorlijk slim te puzzelen. [1]
De auteurs testten twee strategieën op alle 2.315 antwoordwoorden uit hun verzameling. Beide begonnen met ‘tares’ en kregen maximaal zes pogingen. De entropiestrategie loste in hun simulaties meer dan 99 procent van de spellen op. Een strategie op basis van letterfrequenties kwam op ongeveer 90 procent uit. Binnen deze test won informatie zoeken dus van letters op frequentie kiezen. [1]
Dat resultaat krijgt opnieuw aandacht door een ScienceDaily-bericht van 12 september 2026. Het onderzoek zelf is ouder: de auteursversie vermeldt april 2026 en Binghamton University schreef er al op 17 juni over. Geen ontdekking van deze week dus. Bovendien gebruikt ScienceDaily universiteitsmateriaal; die twee berichten zijn geen onafhankelijke bevestigingen van de prestaties. [1] [2] [3]
Ook dat fraaie winstpercentage verdient een voetnoot. Het geldt voor deze woordenverzameling en testopzet, niet automatisch voor toekomstige puzzels of een Nederlandstalige variant. De methode wint niet altijd. En omdat een vergelijking met geavanceerdere oplossers nog ontbreekt, kan de wereldkampioensbeker voorlopig gewoon in de kast blijven. [1]
Wie de berekeningen tijdens het spelen wil benutten, heeft volgens de universiteit een apart programma nodig: kleurfeedback invoeren, een berekende gok terugkrijgen. Het bericht biedt geen kant-en-klare consumentenapp. De datales kun je wel direct meenemen: vraag niet alleen welk antwoord waarschijnlijk klopt, maar ook welke volgende stap je het meeste kan leren. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
17 september 2026
Een digitaal oefenbos heeft nog altijd echte wortels nodig
Een bos vol bomen waarvoor niemand een plantgat hoeft te graven: voor AI kan het oefenmateriaal zijn. Onderzoekers bekeken of gegenereerde bomenfoto’s helpen om bomen te leren herkennen. NC State University berichtte daarover op 10 september 2026; de onderliggende studie verscheen op 2 september 2026. De boodschap: nepbomen kunnen nuttig zijn, maar echte foto’s mogen niet met vervroegd pensioen. [1] [2]
Voor het onderzoek maakten de wetenschappers 40.000 synthetische afbeeldingen van twintig boomgeslachten. Let op dat laatste woord: het ging niet om twintig afzonderlijke soorten. Ze combineerden de beelden met echte foto’s uit iNaturalist en Auto Arborist. Stable Diffusion v1.5 maakte de plaatjes; een ander model, ResNet-50, moest daarmee bomen leren classificeren. [1]
Vooral bij weinig echte trainingsfoto’s kon aanvullen met synthetisch beeld helpen. Echte foto’s vervangen door gegenereerde exemplaren pakte juist slechter uit. Ook bleef de overstap tussen iNaturalist-foto’s en straatbeelden lastig. Een digitaal oefenbos bleek dus geen universele spoedcursus boomherkenning: meer plaatjes betekenen niet automatisch dat een model elke beeldcollectie aankan. [1]
De cijfers vragen bovendien om een nuchtere blik. Met tien echte beelden per geslacht scoorde synthetische aanvulling bij iNaturalist 0,320 op macro-F1, tegenover 0,291 met sterkere conventionele beeldvariaties. Dat is een beoordelingsmaat, geen percentage goed herkende foto’s. Het betrouwbaarheidsinterval van het verschil omvatte nul: deze specifieke vergelijking leverde geen overtuigend bewijs voor winst. [1]
Daar komt bij dat de generator zelf was bijgetraind met honderd echte, gelabelde afbeeldingen per geslacht per beeldbron. Met afzonderlijke adapters voor beide bronnen waren dat tweehonderd bijtrainingsbeelden per geslacht in totaal. Ook dit digitale bos had dus echte wortels. De onderzoekers testten één generatoropzet en één classificatiemodel, zonder afzonderlijk achtergehouden regio’s of seizoenen te toetsen. Het zijn bovendien auteursmetingen, geen onafhankelijke herhaling. [1]
De praktische les is overzichtelijk: kunstmatige beelden kunnen aanvullen, maar vervangen zorgvuldig verzamelde natuurfoto’s niet. Een boom kan er overtuigend uitzien en toch subtiele herkenningskenmerken missen. Voor natuurbescherming is dit een toepassing in ontwikkeling, geen bewezen praktijkwinst. De camera hoeft voorlopig dus niet aan de wilgen. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
16 september 2026
Wel krullen, niet meteen een nieuw gezicht
Een AI-portret wat krullen geven klinkt als een overzichtelijke opdracht. Maar je wilt natuurlijk niet dat de digitale kapper meteen de rest van het gezicht meeneemt. Precies die spanning maakt HardFlow interessant: deze onderzoeksmethode probeert gewenste veranderingen te combineren met expliciete grenzen aan wat er verder mag veranderen. [1]
De recente aanleiding is een bericht van MIT News van 14 september 2026. Volgens de universiteit verschijnt het onderzoek die week in IEEE Transactions on Pattern Analysis and Machine Intelligence. Het idee is dus niet afgelopen maandag uit de lucht gevallen: de eerste preprint dateert van 11 november 2025, de derde versie van 26 april 2026. [1] [2]
HardFlow stuurt een bestaand generatief model bij terwijl het een resultaat maakt, zonder het opnieuw te trainen. De harde eisen gelden voor het eindresultaat, niet voor elke tussenversie. Denk aan een schetsboek: de kladjes mogen rommelig zijn, zolang de uiteindelijke tekening aan de opdracht voldoet. Volgens MIT geeft dat meer ruimte om een goede oplossing te vinden. [1]
Voor portretbewerking testten de auteurs 200 validatiebeelden met vijf opdrachten, waaronder krullen en een glimlach. HardFlow bleef bij alle beelden en opdrachten onder de ingestelde LPIPS-grens van 0,06. Die maat beschrijft perceptueel beeldverschil. Op CLIP, een score voor de aansluiting tussen tekst en beeld, eindigde de methode als tweede van de vergeleken methoden. [1]
Dat klinkt netjes, maar een beeldverschilscore is geen menselijke identiteitscontrole. Onder die grens blijven garandeert dus niet dat mensen precies hetzelfde gezicht herkennen. Ook kost het bijsturen extra rekenwerk. Grootschalige tekst-naar-beeldgeneratie noemen de auteurs bovendien vervolgwerk. En de resultaten zijn auteursmetingen: deze bronnen bieden geen onafhankelijke replicatie. [1] [2]
De interessante les is daarmee breder dan een nieuw kapsel: benoem niet alleen wat AI moet veranderen, maar ook wat je meetbaar wilt behouden. HardFlow levert daarvoor onderzoeksresultaten, geen kant-en-klare consumentenapp. De digitale kapper heeft dus een meetlat gekregen; daarmee is het eindresultaat nog niet automatisch naar wens. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
15 september 2026
Een oeroud insectenconcert, met AI als ritmeschatter
Hoe klonk een bos in de Jura? Een opname terugspoelen zit er helaas niet in. Toch hebben onderzoekers een stukje van die verdwenen klankwereld gereconstrueerd: geluiden van insecten die ongeveer 165 miljoen jaar geleden leefden. Science News en Science Friday besteedden er in september 2026 aandacht aan. Recente berichten dus, over onderzoek waarvan in maart al een preprint verscheen. [1] [2]
Het vertrekpunt was verrassend tastbaar: twintig fossiele insecten van negen soorten uit China. Hun bewaarde vleugelstructuren bevatten aanwijzingen voor het geluid dat ze konden maken. De onderzoekers combineerden de vorm van die vleugels met trillingsmodellen en evolutionaire verwantschap. Bij levende soorten vergeleken ze hun modellen met gemeten trillingen en geluidspatronen. Eerst meten en rekenen, dan pas luisteren. [1]
Maar een vleugel bewaart geen complete partituur. Vooral het ritme ontbreekt: hoe snel volgden de klankeenheden elkaar op? Daar kwam machine learning om de hoek kijken. De preprint beschrijft Gaussian Process Regression, een statistische methode die met gegevens van levende soorten werd getraind om dat herhalingstempo te schatten. Geen chatbot met een creatieve bui, maar een model met een afgebakende taak. [1] [2]
Juist die taakverdeling maakt dit een aansprekend voorbeeld van data science. Fossielen leveren de fysieke aanknopingspunten, natuurkunde helpt trillingen te modelleren en gegevens van levende insecten helpen ontbrekend ritme in te vullen. AI vervangt het meetwerk dus niet. Het schuift aan waar de stenen zwijgen, al krijgt het daarmee nog niet het laatste woord. [1] [2]
Wie de luistervoorbeelden beluistert, hoort daarom een mogelijke klankwereld, niet precies hoe het vroeger klonk. Bovendien vormen negen insectensoorten nog geen volledig bosorkest. Ook de mogelijke evolutionaire wisselwerking met jagende zoogdieren blijft een hypothese die getoetst moet worden. Het oeroude concert is fascinerend genoeg zonder dat we de onzekerheden onder het podium vegen. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
14 september 2026
AI-plaatjes maken met de leidingen in het zicht
Een AI-plaatje maken is één ding. Begrijpen wat er onderweg mee gebeurt, is iets anders. Workflow1111 zet de bewerkingen als verbonden blokken op één werkvlak. De leidingen blijven dus zichtbaar. Op 10 september 2026 presenteerden Yuvraj Sharma en Abubakar Abid deze beeldstudio bij Hugging Face. Een demonstratie van de makers, welteverstaan, geen onafhankelijke keuring. [1]
De studio bundelt elf verwerkingsketens in 73 knooppunten. Daarmee kun je onder meer beelden uit tekst maken, achtergronden verwijderen, afbeeldingen bewerken en instellingen uit PNG-bestanden uitlezen. Het is geen nieuw beeldmodel, maar een werkbank met gekoppelde functies. Volgens de documentatie kunnen eigen Python-functies er naast modellen, datasets en andere apps staan. De verbindingen regelen welke gegevens waarheen gaan. [1] [2]
Het interessante zit vooral tussen begin en eind. De onderliggende bouwsteen, gr.Workflow, werd op 25 augustus al voorgesteld met afzonderlijk uitvoerbare stappen en zichtbare tussenresultaten. Een voorbeeld: eerst een afbeelding genereren, daarna de achtergrond verwijderen voor een sticker. Door die tussenstappen te bekijken, kun je gerichter zoeken waar een ongewenste uitkomst ontstaat. Dat bewijst nog geen tijdwinst, maar geeft wel iets om naar te kijken behalve het eindplaatje. [1]
Een overzichtelijk proefje zou zijn: bedenk een fictieve koffiemascotte, laat de achtergrond verwijderen en vergelijk beide versies. Verander daarna slechts één stap. Zo blijft duidelijk wat je aanpast, ook als de koffie ineens drie oren krijgt. Dit is een experiment om te proberen, geen hier uitgevoerde test of gerapporteerd resultaat. [1]
Er zitten wel voorwaarden aan de werkbank. Voor de beschreven demo is geen eigen GPU nodig, maar de modellen draaien elders en gebruiken je account of toegangstoken met bijbehorend quotum. Niet volledig lokaal dus, en ook niet onbeperkt gratis. Onafhankelijke takken kunnen op het interactieve werkvlak parallel lopen; via de gegenereerde API verwerkt de server ze momenteel achter elkaar. [1] [2]
Bovendien noemt de README versiegebonden problemen met gegevensoverdracht en verdwijnende parameters. Betere beelden, lagere kosten of hogere productiviteit zijn niet onafhankelijk aangetoond. De nuchtere aantrekkingskracht is daarmee vooral overzicht: bestaande AI-bouwstenen aan elkaar knopen, zonder alle tussenstappen achter het gordijn te schuiven. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
13 september 2026
AI voor cijferrijtjes: wint het model van vorige maandag?
Niet elke AI hoeft levensvragen te beantwoorden. IBM’s Granite Time Series PatchTST-FM-r2 houdt het bij opeenvolgende meetwaarden: historische cijfers erin, voorspellingen eruit. Op 9 september 2026 kondigde IBM Research de update aan. Nieuw bericht dus, maar geen wetenschappelijke ontdekking van deze week: het oorspronkelijke PatchTST-onderzoek verscheen al in 2022. [1] [2]
Het aantrekkelijke idee heet zero-shot forecasting. Je hoeft het model niet eerst voor iedere nieuwe cijferreeks bij te trainen. Historische gegevens blijven natuurlijk nodig; ook deze voorspeller kan niet leven van goede bedoelingen. De modelkaart toont bijvoorbeeld Python-code die 512 eerdere meetpunten gebruikt om 64 volgende stappen te voorspellen. [1] [2]
Onder de motorkap zitten ongeveer 385 miljoen parameters. Het model combineert aandacht voor langere verbanden met technieken voor lokale patronen en verwerkt overlappende stukjes tijdreeks. Naast afzonderlijke voorspelde waarden levert het kwantielen: die beschrijven verschillende mogelijke uitkomsten. Dat is informatiever dan één getal dat zich voordoet als de toekomst. [1]
En de prestaties? IBM meldt per 8 september een tweede plaats op GIFT-Eval binnen de selectie van reproduceerbare zero-shotmodellen zonder testlekkage, en de eerste binnen de permissief gelicentieerde subset. Dat is een afgebakende claim van de makers, geen onafhankelijke praktijktest. Bovendien noemt de modelkaart de resultaten nog onderdeel van een openstaand wijzigingsverzoek. Een definitief geaccepteerde ranglijstpositie staat daarmee niet vast. [1] [2]
Een overzichtelijke proef: neem dagelijkse bezoekersaantallen, houd de laatste vier weken apart en laat het model die voorspellen. Vergelijk vervolgens met een simpele tegenstander: dezelfde waarde als een week eerder. Dit is een experimentvoorstel, geen gerapporteerd resultaat. De openbare IBM-repository bevat notebooks en hulpmiddelen om zulke tests op te zetten. [1]
De modelgewichten zijn downloadbaar en beslaan ongeveer 1,54 GB. Dat vertelt niet hoeveel werkgeheugen nodig is of hoe vlot het model op een doorsneelaptop draait. Ook winst op jouw bezoekersgegevens is niet aangetoond. De nuttigste vraag blijft daarom lekker klein: verslaat deze AI daadwerkelijk vorige maandag? [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
12 september 2026
Grijze vensters, frisse AI-hulp: ReProgman haalt vroeger terug
Niet elk AI-project hoeft de toekomst opnieuw uit te vinden. Soms mag het ook de grijze vensters van vroeger terugbrengen. ReProgman bootst de Program Manager van Windows 3.1 na, volgens Tom’s Hardware met hulp van Claude. Geen nieuw besturingssysteem dus, maar een klein retroproject. De nostalgie draagt hier keurig een vensterrand. [1] [2]
De maker noemt ReProgman een kloon van progman.exe. Op GitHub staan zowel de broncode als een downloadbare release, build-2. Daarmee is het meer dan een aardig plaatje of een aankondiging. De openbare projectgeschiedenis begint op 7 september 2026, al vertelt die datum niet wanneer het programmeerwerk werkelijk begon. [1] [2]
Het opvallendste detail is de tijdclaim: een eerste versie zou in een uur zijn gemaakt. Dat meldde Tom’s Hardware op 10 september. Het woord ‘eerste’ verdient daarbij een eigen spotlampje. Volgens hetzelfde artikel moest de ontwikkelaar daarna nog onvolkomenheden wegwerken. Ook de GitHub-geschiedenis bevat een reparatie aan het bouwproces voor macOS. De stopwatch kan dus niet het hele verhaal vertellen. [1] [2]
Onder het retro-uiterlijk zitten moderne platformkeuzes. De documentatie noemt Windows 11 op x64 en Arm, plus macOS op Apple Silicon. Zelf bouwen vraagt om .NET SDK 10.0 of hoger; een uitvoerbaar bestand downloaden is een aparte route. Dat zijn opgegeven vereisten, geen onafhankelijk bevestigde compatibiliteitstests. De README meldt bovendien dat de macOS-build niet genotariseerd is. [1]
Interessanter dan de uurclaim is misschien de bescheiden schaal. Met openbare code kun je bekijken hoe het project in elkaar zit en zelf iets aanpassen. Een passend experiment: laat AI één interfacewijziging voorstellen en controleer vervolgens wat er daadwerkelijk veranderde. Klein beginnen houdt de opdracht overzichtelijk, zonder meteen een programmeerwonder te verwachten. [1]
ReProgman is daarmee vooral een leuke aanleiding om over AI-programmeerhulp te praten. De toeschrijving aan Claude en de bouwtijd komen uit de nieuwsverslaggeving; een gecontroleerde productiviteitsmeting ontbreekt. Dit project bewijst niet dat software voortaan sneller of goedkoper ontstaat. Het geeft een oude interface wel een nieuw gespreksonderwerp. Ook grijze vensters kunnen blijkbaar nog iets losmaken. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
11 september 2026
Zelf het weer narekenen, zonder eigen weerinstituut
Een AI-model zelf het weer laten voorspellen klinkt alsof je eerst een serverruimte en een witte jas nodig hebt. De handleiding die Hugging Face en Earthmover op 8 september 2026 publiceerden, maakt het experiment toegankelijker. Ze verbindt een bestaand weermodel met invoergegevens en een manier om de uitkomst te beoordelen. Wel even het etiket lezen: dit is een tutorial van de makers, geen onafhankelijke nieuwsreportage. [1]
Het model heet Aurora en is niet deze week uit een digitale wolk gevallen. De eerste onderzoekspublicatie verscheen op 20 mei 2024. Nieuw is hier vooral de praktische route naar zelf rekenen. De tutorial gebruikt Aurora 0.25° Pretrained: vier stappen van zes uur leveren samen een voorspelling voor 24 uur op, die vervolgens wordt vergeleken met ERA5-gegevens. [1] [2]
Alleen ‘Utrecht, 18 graden’ invoeren is helaas niet genoeg. Deze Aurora-variant verwacht ERA5-gegevens op een raster van 721 bij 1.440 punten, met meerdere atmosferische variabelen en drukniveaus. Ook kun je modelvarianten niet zomaar omwisselen: vooraf getrainde en taakgericht bijgetrainde versies hebben verschillende gegevensvereisten. De boodschappenlijst voor zo’n digitaal weerlab luistert dus behoorlijk nauw. [1]
Een GPU is volgens de makers niet verplicht. Zij noemen twee tot drie minuten rekentijd per stap op een CPU; dat zijn opgegeven tijden, geen onafhankelijk bevestigde metingen. In de openbare repository staan notebooks en uitvoerscripts om te bekijken hoe het werkt. Beschikbare code maakt controle mogelijk, maar is op zichzelf nog geen bewijs van goede voorspellingen. [1] [2]
De belangrijkste kanttekening: de gratis Earthmover-gegevens lopen volgens het artikel drie tot zes maanden achter. Dit is dus vooral iets om een historische dag na te rekenen, niet om morgen je was buiten te plannen. Vergelijk de voorspelling met de referentie en blijf kritisch: Microsoft waarschuwt dat invoerkeuzes de prestaties beïnvloeden en zinvolle voorspellingen niet gegarandeerd zijn. Een fraaie weerkaart is nog geen betrouwbare weerkaart. De paraplu mag voorlopig gewoon blijven. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
10 september 2026
Een klein taalmodel op JSON-bijles
Niet elke AI-verbetering hoeft te draaien om grootse antwoorden op moeilijke vragen. Soms is de opdracht bescheidener: geef de gevraagde gegevens terug, zonder extra tekst en met de juiste velden. Een op 3 september 2026 gepubliceerd experiment laat zien hoe een klein taalmodel daarin vooruitgaat. Geen digitale allesweter dus, maar een leerling die zijn haakjes beter leert sluiten. [1]
De onderzoekers trainden LFM2.5-350M, een model met 350 miljoen parameters, bij met ongeveer 500 voorbeelden en 100 trainingsstappen. Hun methode, GRPO, beloont antwoorden onder meer wanneer ze als gestructureerde gegevens leesbaar zijn en het voorgeschreven schema volgen. Denk aan een formulier: niet zomaar iets invullen, maar precies in de juiste vakjes. [1]
Het rapportcijfer kwam van IFStruct, een test met 2.000 opdrachten die Liquid AI al op 30 juni introduceerde. Die controleert bijvoorbeeld verplichte velden, gegevenstypen, lijstlengtes en ongewenste extra tekst. Alle controles moeten slagen. Eén foutje betekent gezakt; de computer deelt geen punten uit voor een charmante poging. [1] [2]
In dezelfde lokale uitvoeromgeving steeg het aandeel geslaagde antwoorden van 22,6 naar 29,7 procent: een winst van 7,1 procentpunt. Vooral JSON profiteerde, met een stijging van 18,0 naar 31,9 procent. Bij YAML bleef het vrijwel stil: van 27,2 naar 27,5 procent. Dit zijn metingen van de auteurs zelf, geen onafhankelijk gerepliceerde resultaten. Bovendien faalde na de bijtraining nog altijd 70,3 procent van de testgevallen. [1]
Daar komt een belangrijke grens bij: IFStruct beoordeelt de verpakking, niet de waarheid of bruikbaarheid van de inhoud. Een keurig antwoord kan dus keurig verpakte onzin zijn. Ook worden niet alle schemaregels gecontroleerd, waaronder datum- en e-mailformaten, unieke lijstitems en dubbele sleutels. [1]
Een aardig speeltuinexperiment is daarom: laat het model fictieve recepten naar een vast JSON-schema omzetten en tel ontbrekende velden. Dat meet formaatdiscipline, geen kooktalent. De openbare testset en software maken controle en herhaling mogelijk. De nuchtere les: meet een kleine taak afzonderlijk, voordat je het etiket ‘slimmere AI’ tevoorschijn haalt. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
9 september 2026
Schilderen met puntkomma’s: een AI-aquarel met het recept erbij
Een bloem schilderen zonder natte mouwen: een taalmodel doet het met JavaScript. Het schrijft code die een browser omzet in een aquarelachtige afbeelding. Sergio Paniego beschreef op 3 september 2026 bij Hugging Face een openbare implementatie met trainingsmateriaal en drie beloningsinstellingen. Het is een technisch makersartikel, geen onafhankelijke nieuwsreportage. Het basisidee is bovendien ouder: Surya Narreddi dateert zijn oorspronkelijke project op maart 2026. [1] [2]
De werkwijze is een rondje schrijven, tekenen, beoordelen en bijsturen. Beoordelingsmodellen geven feedback op de gerenderde afbeelding, waarmee het taalmodel verder wordt getraind. Voor de waterverfuitstraling krijgt het hulp van p5.brush, bestaande software voor penseelstreken, textuur en uitvloeiende kleurvlakken. Het model vindt dus niet eigenhandig digitale waterverf uit. Ook deze schilder heeft gewoon gereedschap. [1] [2]
En wordt het daar beter van? Bij Paniego’s trainingsvariant ‘judge-led’ steeg de gemiddelde beloningsscore van 0,45 naar 0,72, gemeten over het eerste en laatste derde van de run. Dat betekent vooruitgang volgens de gekozen beoordelingsfunctie. Het is geen rapportcijfer van de universele kunstjury, die gelukkig nog niet bestaat. [1]
Die nuance telt mee. De recente implementatie gebruikt 178 modelgegenereerde referentiebeelden, persoonlijk beoordeeld door de maker. Mensgemaakte schilderijen ontbreken in die verzameling. Bovendien gaan de resultaten binnen elke trainingsrun op elkaar lijken. Het model leert dus een bepaalde voorkeur te bedienen; daarmee is niet aangetoond dat het betere kunst maakt. [1]
Het interessantste is misschien het recept achter het plaatje. De gegenereerde code blijft bewerkbaar: verander bijvoorbeeld kleuren of vormen en laat dezelfde bloem opnieuw renderen. Dat is een denkbaar speeltuinexperiment, geen bewezen tijdwinst. Narreddi noemt bewerkbaarheid juist als motivatie en schrijft dat deze aanpak langzamer is. [1]
Wie zelf wil trainen, moet wel verder kijken dan de keukentafellaptop. De repository rapporteert ongeveer 18 tot 35 uur op een H200, plus aparte infrastructuur voor beoordeling en rendering. Trainingsscripts en resultaten zijn openbaar, maar belangrijke softwareversies zijn niet vastgezet. Open code maakt meekijken mogelijk; het garandeert nog geen onafhankelijk herhaald resultaat. Het recept is beschikbaar, de perfecte soufflé niet beloofd. [1]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
8 september 2026
AI-rekenwerk in een browsertab: sneller onder de motorkap
Niet elke AI-vernieuwing hoeft een chatbot met grootse antwoorden te zijn. Soms zit het nieuws gewoon onder de motorkap. Hugging Face kondigde op 1 september 2026 @huggingface/kernels aan: een JavaScript-bibliotheek met aanvankelijk 207 WebGPU-rekenkernels voor lokale AI. Denk aan bouwstenen voor berekeningen, niet aan een kant-en-klare digitale allesweter. De installatie-instructie draagt bovendien het label ‘preview’. [1]
De techniek daaronder heet WebGPU. Daarmee kan een website de grafische processor van je apparaat inzetten voor meer dan plaatjes. Ook rekenwerk voor bijvoorbeeld machine learning past op het menu. WebGPU heeft daarvoor afzonderlijke rekenroutes, zogeheten compute pipelines, die geen beeld hoeven op te leveren. De GPU mag dus werken zonder iets moois te tekenen. [1]
En gaat dat sneller? Volgens Hugging Face wel: op een Apple M4 rapporteert het bedrijf tegenover ORT WebGPU een geometrisch gemiddelde versnelling van 2,57 keer. De mediaan ligt op 1,90 keer. Van 1.756 testgevallen zijn 809 vergelijkbare gevallen meegenomen. Dat zijn resultaten uit de eigen benchmark van de makers, geen onafhankelijke bevestiging. [1]
Hier hoort wel een flinke voetnoot bij, ook al past die prima in een browsertab. De metingen gaan over losse bewerkingen, niet over complete AI-modellen. Laden, compileren en gegevensoverdracht vielen buiten de GPU-timing. ‘Mijn browserchatbot wordt 2,57 keer sneller’ is daarom geen conclusie die deze cijfers dragen. Een snellere bouwsteen maakt nog niet het hele bouwwerk evenredig sneller. [1]
Een klein rekenexperiment lijkt daarom een aardig startpunt: zichtbaar maken wat de eigen GPU doet, zonder meteen een complete chatbot te bouwen. Dat is een toepassingsidee, geen getest resultaat. Houd ook rekening met de voorwaarden: MDN noemt WebGPU beperkt beschikbaar en vereist een veilige context, zoals HTTPS. Zelfs als de API aanwezig is, kan het aanvragen van een geschikte GPU-adapter mislukken. Interessant gereedschap dus, maar de browser heeft nog niet overal dezelfde gereedschapskist. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
7 september 2026
Met AI om een foto heen kijken: wat Atlas laat zien én invult
Een foto laat zien wat vóór de lens stond. Maar hoe ziet dat decor eruit als je de camera een stukje naar links schuift? Met Atlas wil World Labs zulke nieuwe gezichtspunten genereren. Het bedrijf introduceerde het AI-model voor ruimtelijke scènes op 1 september 2026. Om het hoekje kijken krijgt daarmee een digitale variant, al blijft de vraag wat daar werkelijk staat. [1] [2]
Volgens de makers gebruikt Atlas referentiebeelden om nieuwe camerastandpunten te maken. Gebruikers kunnen cameraposities en bewegingen opgeven, in plaats van alleen in tekst te vragen om bijvoorbeeld een langzaam rondje door een ruimte. De aankondiging toont ook een voorbeeld van een minuut video op 1440p. Dat is een bedrijfsdemonstratie, geen onafhankelijk geteste prestatie. [1]
Een mogelijke toepassing is het vooraf uitproberen van camerabewegingen voor een filmpje. Hoe oogt een rondje door het decor? Werkt een andere kijkhoek beter? Zo’n virtuele verkenning klinkt aantrekkelijk voordat er een camerakar aan te pas komt. Maar dat is een toepassingsidee op basis van de demonstraties, geen bewijs dat een productie daadwerkelijk sneller of goedkoper wordt. [1]
De belangrijkste kanttekening zit buiten beeld. Delen die niet zichtbaar zijn, worden plausibel ingevuld. Een overtuigende achterkant van een kast hoeft dus niet de echte achterkant te zijn. Voor het verkennen van een scène kan zo’n aanvulling bruikbaar lijken; wie een betrouwbare reconstructie nodig heeft, moet mooi beeld niet verwarren met vastgestelde werkelijkheid. [1]
Ook de vergelijkingen vragen aandacht. World Labs rapporteert eigen benchmarks met menselijke beoordelaars, geen onafhankelijke replicatie. Bovendien kreeg Atlas camerageometrie als invoer, terwijl andere videomodellen tekstinstructies kregen. Dat verschil beperkt wat je uit de vergelijking kunt afleiden: niet iedere deelnemer kreeg hetzelfde boodschappenlijstje mee. [1]
Helemaal nieuw is deze richting voor World Labs niet: de eerdere aankondiging van Marble ging ook over beeld-naar-3D. Die bewijst alleen niets over Atlas, en twee publicaties van dezelfde maker zijn geen twee onafhankelijke bevestigingen. Voorlopig gaat Atlas bovendien naar geselecteerde partners in beperkte vroege toegang. Interessant om te volgen dus, maar nog niet algemeen beschikbaar om zelf een digitaal hoekje om te gaan. [1] [2]
Samengesteld met hulp van AI; bronnen staan bij de tekst.
28 mei 2026
De nieuwste AI hype
Ik ben een paar jaar geleden met een eerste kennismaking met ChatGPT. De eerste versie wist mij nog niet echt te overtuigen dat dit een grote vooruitgang zou zijn.
Tot één van mijn collega's vroeg om er nog eens naar te kijken. Dat was inmiddels een jaar later, en ik was het eigenlijk al weer een beetje vergeten.
Maar, wat een verschil in kwaliteit, en dat in zo'n korte tijd.
Het ene krantenartikel na het andere was lovend, en een nieuwe hype was geboren. Iedereen kon met een paar simpele prompts veel meer informatie verzamelen,
dan dat voorheen met een groot aantal zoekopdrachten te moeten doen. En het leek wel of de modellen elkaar dagelijks in wisten te halen. Elke dag kregen we
nieuws over nog betere chat applicaties, en we zouden al snel worden vervangen door een paar apps. Gelukkig zijn we nog niet zo ver.....
Maar nu, met de nieuwste hype op het gebied van AI, de agentic AI, waarbij verschillende agents op een systematische manier met elkaar samenwerken, nu
lijkt het wel alsof er een compleet team voor jou aan het werk is. En deze elkaar ook kunnen controleren, verbeteren en nieuwe opdrachten kunnen geven.
Nu werken wij nog mèt deze software, maar ik heb wel het gevoel dat dit inderdaad heel veel banen zou kunnen gaan kosten.
We gaan je hier in dit blog op de hoogte houden van alle ontwikkelingen op dit gebied; ga mee in de vooruitgang, of blijf achter.....
19 mei 2026
Waarom AI mijn interesse heeft gewekt
Een aantal jaar geleden zag ik op youtube een aantal filmpjes
voorbijkomen die lieten zien dat AI modellen in staat waren om
zelf te leren hoe zij (Atari)-spellen moesten spelen.
Dit was zeer intrigerend om te zien, en hier was de vonk over-
geslagen. In mijn jeugd zat ik ook veel van dit soort spellen
te spelen. Maar dat een computer, zonder de spelregels te kennen
zichzelf dit kon leren, tot een niveau dat die van veel mensen
overtrof....
Kijk op deze link naar de youtube film voor mijn inspiratie.
DeepMind playing BreakOut
18 mei 2026
Een aparte plek voor AI-experimenten
Vandaag heb ik een eigen subdomein ingericht voor mijn AI-speeltuin.
Daarmee blijft de hoofdsite overzichtelijk, terwijl ik hier vrij kan
experimenteren met nieuwe ideeën.
Deze omgeving kan later gebruikt worden voor kleine demo’s,
agentic-AI-projecten, lokale modeltests, automatisering of andere
toepassingen rond kunstmatige intelligentie.
17 mei 2026
Waarom een AI-speeltuin?
Kunstmatige intelligentie leer je niet alleen door erover te lezen,
maar vooral door ermee te bouwen, testen, slopen en opnieuw proberen.
Deze pagina is daarom bedoeld als startpunt voor experimenten:
soms netjes uitgewerkt, soms nog ruw, maar altijd gericht op leren
en ontdekken.