Laatst bijgewerkt: 16 juni 2026
Een vriend stuurde me dit weekend een voice-note samenvatting van een AI-nieuwsvideo door, en binnen negentig seconden had ik vier "feiten" aangemerkt waarvan ik wist dat ze onjuist waren, twee modelnamen die tot onherkenbaar toe verminkt waren, en één releasedatum die bij een heel ander jaar hoorde. Dat is de stand van zaken rond AI-nieuws juni 2026: het signaal is echt, de ruis is oorverdovend, en het meeste dat als feit wordt herhaald, begon als een half gehoord gerucht in een Discord-kanaal dat niemand kan benoemen.
Dus deed ik wat ik wou dat meer overzichten deden. Ik ging zitten en controleerde daadwerkelijk alles. Elke bewering hieronder heeft een echte zoekactie tegen het openbare dossier doorlopen voordat het een zin verdiende. Wat ik kon bevestigen, zeg ik ronduit. Wat circuleert maar niet geverifieerd is, markeer ik als precies dat — gerucht, lek, prediction-market-weddenschap — en vertel ik waarom het toch belangrijk is. De feit-vs-geroezemoes-lijn is hier geen disclaimer. Het is het hele punt. Als je producten bouwt bovenop deze modellen, is weten welk welk is het verschil tussen een routekaart en een gok.
Hier is het eerlijke kader vooraf: ik heb geen privé-benchmarks uitgevoerd op een beperkt frontier-model dat niemand buiten een handvol labs heeft aangeraakt. Niemand die dit leest heeft dat. Dit is dus geen "ik heb het geheime model getest"-post — die posts liegen meestal. Dit is mijn lezing van een werkelijk wilde periode, gebaseerd op de delen die ik kon verifiëren en de delen waar ik daadwerkelijk mee heb gebouwd. Laten we ze scheiden.
Het exportcontrole-verhaal waar iedereen over fluistert
De sappigste thread die de ronde doet is een dramatische: dat een top-tier frontier-model — de beperkte variant in de Mythos-lijn waar ik over schreef toen Fable 5 lanceerde als het publieke Mythos-klasse model — verstrikt raakte in een exportcontrole-kwestie. De versie die ik steeds hoor, betreft onderzoekers die veiligheidswaarborgen omzeilden, iemand die de Amerikaanse autoriteiten waarschuwde, en een plotselinge stillegging. Dramatisch materiaal.
Hier is mijn eerlijke positie: ik kan niets daarvan bevestigen. Het specifieke verhaal over "Amazon-onderzoekers omzeilden veiligheid, waarschuwden autoriteiten, model werd stilgelegd" is niet geverifieerd op het moment van schrijven. Ik vond er geen geloofwaardig openbaar bewijs voor. Behandel het als gemeenschapsgeroezemoes, niet als nieuws. Als je het ergens als feit hebt zien staan, dan gokt die bron.
Maar — en daarom wuif ik de thread niet gewoon weg — de onderliggende realiteit waar het naar verwijst is volkomen echt en verifieerbaar. AI-exportcontroles zijn geen gerucht. Het is beleid, het is actueel, en het is dit jaar hard verschoven.
Op 13 januari 2026 publiceerde het US Commerce Department's Bureau of Industry and Security een definitieve regel die de licentiepositie voor NVIDIA H200- en AMD MI325X-equivalente chips bestemd voor China verschoof van "vermoeden van afwijzing" naar "beoordeling per geval". Dat is geen kleine aanpassing. De voorwaarden zijn specifiek en opmerkelijk: testen door derden van de chips binnen de VS vóór export, een volumeplafond dat China-leveringen beperkt tot 50% van de binnenlandse VS-verkoop, en een tarief van 25% op elke zending dat rechtstreeks naar de schatkist gaat. Op GTC 2026 zei Jensen Huang dat NVIDIA al H200-bestellingen had aangenomen van Chinese klanten en de productie voor die markt opnieuw opstartte.
Vervolgens, op 1 juni 2026 — twee weken geleden — verduidelijkten de VS dat die beperkingen ook gelden voor dochterondernemingen van in China gevestigde bedrijven, zelfs wanneer die dochterondernemingen buiten China zitten. Het net is breder dan de kop.
Dus het model-stilleggingsverhaal is geroezemoes. De compute-governance-realiteit eronder is ijzersterk. En dat onderscheid is het enige dat echt uitmaakt voor iedereen die met AI bouwt.
Wat compute-governance betekent als je producten levert
Denk na over wat exportcontroles werkelijk zijn, ontdaan van de geopolitiek. Het is een herinnering dat het model waarop je bouwt geen nutsvoorziening is zoals elektriciteit. Het is een product dat onderhevig is aan beleid, prijsstelling, regionale beschikbaarheid en zakelijke beslissingen van een aanbieder — elk daarvan kan veranderen met twee weken opzegtermijn, zoals de verduidelijking van 1 juni net aantoonde.
Ik heb de kleine versie hiervan zelf gevoeld. Ik heb een model-id zien verdwijnen midden in een project. Ik heb per-token prijzen zien verschuiven tussen mijn prototype- en lanceerfase. Op mijn schaal zijn dat ongemakken. Op enterprise-schaal zijn het begrotingsposten: het vendor-lock-in-onderzoek waar ik in dook, schat de gemiddelde kosten voor migratie van één LLM-provider op circa $315.000 per project, en merkt op dat ongeveer 67% van de organisaties nu actief werkt aan het vermijden van afhankelijkheid van één aanbieder.
Dat getal herformuleert het hele "welk model is het beste"-debat. Het beste model is niet degene die deze maand een benchmark wint. Het is degene waarvan je de afhankelijkheid daadwerkelijk kunt dragen — en, steeds vaker, degene waar je omheen kunt routeren wanneer dat nodig is. Afhankelijkheid van één aanbieder was ooit een inkoop-voetnoot. In een jaar waarin chips zelf getariffeerd en beperkt worden op basis van nationaliteit van het moederbedrijf, is het een architectuurbeslissing. Bouw nu de naad waar je modellen wisselt, terwijl het goedkoop is, niet nadat een beleidswijziging je dwingt.
Wat ons rechtstreeks brengt bij de andere helft van dit verhaal: de open-source modellen die juist bestaan zodat je niet opgesloten zit achter de deur van één aanbieder.
De open-source race — en het authenticiteitsprobleem dat niemand wil benoemen
De open-weight wereld beweegt sneller dan ik een tabblad open kan houden. De verifieerbare contouren, per juni 2026: DeepSeek, Alibaba's Qwen, Zhipu's GLM en Moonshot's Kimi leveren allemaal agressief, en de open leaderboards zijn op het gebied van codering en tool-calling oprecht concurrerend met gesloten modellen. Dat is echt en ik heb het in real time zien gebeuren via mijn eigen modelselector.
De specifieke cijfers echter? Hier moet ik je afremmen. Ik zie steeds precieze statistieken voorbijvliegen — exacte parameteraantallen, exacte tokens-per-seconde, exacte SWE-Bench-scores — en veel daarvan is herleidbaar naar aggregator-blogs en rankingsites, niet naar first-party releases. Sommige zijn plausibel. Sommige zijn duidelijk folklore die door herhaling werd witgewassen tot "feit". Ik ga geen benchmarkcijfer herhalen dat ik niet kan herleiden tot een primaire bron, want dat is precies hoe slechte data zich verspreidt. Als je ergens botweg "Kimi doet 260 tok/s" of "DeepSeek v4.1 verschijnt op 19 juni voor het Drakenbootfestival" ziet staan, vraag dan waar dat vandaan komt. De labs zijn echt en productief; de specifieke onuitgebrachte versies en data zijn verwachtingen, geen bevestigingen.
Wat ik wel met vertrouwen kan zeggen: de Kimi-lijn van Moonshot, de Qwen-lijn van Alibaba en de open releases van DeepSeek zijn echt, gevestigd en je aandacht waard. Ik schreef over eerdere iteraties — Kimi K2.6 als open-source codeermodel en het Nex N2 open-source agentisch model onder andere — en de trend sindsdien is "leveren, itereren, opnieuw leveren" in een tempo dat maandelijkse overzichten gedateerd doet aanvoelen. Een "Nex N2 Pro"-variant bestaat wellicht al tegen de tijd dat je dit leest; ik zou de lijn als bevestigd behandelen en elke specifieke Pro-specificatie als niet-geverifieerd totdat je de modelkaart zelf ziet.
Maar er zit een rot onder de snelheid die meer aandacht verdient dan het krijgt.
Wanneer een "nieuw model" gewoon twee oude modellen samengevoegd is
Er circuleert een verhaal over een door de overheid gesteund open model — de versie die ik hoorde noemde het een Braziliaanse release — dat een lineaire-interpolatie-samenvoeging bleek te zijn van bestaande modellen met een nieuwe naam. Ik kan dat specifieke verhaal niet verifiëren. Archiveer het als onbevestigd.
Het fenomeen dat het beschrijft is echter echt, gedocumenteerd en het waard om diep te begrijpen, want het ondermijnt stilletjes het vertrouwen in open-source AI.
Modelsamenvoegen is een legitieme techniek. Je neemt twee of meer fijn-afgestemde modellen en mengt hun gewichten — lineaire interpolatie (LERP), of de slimmere sferische versie (SLERP) die geometrische eigenschappen behoudt terwijl het interpoleert tussen gewichtsvectoren. Tools zoals mergekit maakten dit triviaal goedkoop: geen GPU's, geen trainingsrun, alleen wiskunde over bestaande checkpoints. Eerlijk gedaan kan het een model produceren dat oprecht beter is dan beide ouders. Dat is de goede versie.
Hier is de duistere versie, en die is niet hypothetisch. Toen het originele Open LLM Leaderboard het ding was waar iedereen op jaagde, documenteerde de community precies deze faalstand: samengevoegde modellen die naar verdacht hoge scores klommen, sommige besmet met testsetdata zodat ze "ongelooflijk hoog" presteerden door informatielekkage in plaats van echte bekwaamheid. Een samenvoeging gebouwd op een ouder die benchmarktestdata had gezien, erft die besmetting — en wordt vervolgens gepresenteerd als een fris, onafhankelijk indrukwekkend model.
Dus het patroon waar het Braziliaanse-model-gerucht naar verwijst is echt, zelfs als dat specifieke geval niet bevestigd is: neem bestaande gewichten, meng ze, plak er een nieuwe naam en vlag op, rijd de leaderboard. De output ziet eruit als een doorbraak. Het is een rebrand met extra stappen.
Hoe je je niet laat misleiden door een rebrand
Dit is direct relevant voor jou, want als je een open model kiest om op te bouwen, zal een besmette samenvoeging prachtig benchmarken en vervolgens instorten op je daadwerkelijke werklast. Een paar dingen die ik controleer voordat ik een "nieuw" open model vertrouw:
- Is er een echte modelkaart met herkomst? Eerlijke samenvoegingen zeggen "dit is een SLERP van X en Y." Stilte over afkomst is een gele vlag.
- Scoort het hoog op benchmarks maar voelt het dun aan? Een leaderboard-score die ver uitloopt op hoe het je eigen held-out prompts behandelt, is de klassieke besmettingssignatuur.
- Wie is de ouder? Als de ouders een bekende benchmark-besmettingsgeschiedenis hebben, erft de samenvoeging dat.
- Generaliseert het buiten benchmarks? Geef het een taak die op niets van een standaard-evaluatie lijkt. Echte bekwaamheid houdt stand; besmetting breekt.
De snelheid van de open-source race is een geschenk. Het authenticiteitsprobleem is de belasting op dat geschenk. Het verschil kennen is, nogmaals, het hele spel.
En het wijst op een dieper idee — dat het misschien het verkeerde kader is om je hele stack te laten leunen op één enkel model, open of gesloten, samengevoegd of eerlijk.
Modelensembles vs. monolithische modellen — de sectie die mij echt interesseert
Er gaat een bewering rond over een specifiek product — een "panel van modellen met een rechter" API van een genoemde router. Ik kan niet bevestigen dat dat specifieke product bestaat zoals beschreven, dus ik ga het je niet als echt verkopen. Maar de techniek die het beschrijft is het nuttigste ding in dit hele overzicht voor iedereen die met AI bouwt, en ik kan erover praten vanuit echte ervaring in plaats van geruchten, want ik bouw al een tijdje op deze manier.
Het idee, formeel, is mixture-of-agents of panel-met-rechter-synthese. In plaats van één model te vragen en het antwoord te vertrouwen, vraag je er meerdere — idealiter van verschillende modelfamilies — en vervolgens synthetiseer je hun outputs of laat je een rechtermodel evalueren en kiezen. Dit is niet marginaal. Het onderzoek is solide: "Panels of LLM Evaluators" (PoLL)-werk toont aan dat panels samengesteld uit kleinere, verschillende modelfamilies beter presteren dan één grote rechter en minder kosten, grotendeels door het verminderen van de intra-model bias die je krijgt wanneer één model het huiswerk van zijn eigen familie nakijkt. Multi-agent debatframeworks gaan verder en laten agenten elkaars werk bekritiseren en verfijnen vóór een oordeel.
Ik heb geleerd waarom dit werkt op de onglamoureuze manier — door dagelijks multi-agent opstellingen te draaien. Toen ik me verdiepte in Open Swarm en wat acht gespecialiseerde agenten werkelijk doen, was de les die bleef hangen niet "meer agenten = beter." Het was dat diversiteit van perspectief faalstanden vangt waar een enkel model structureel blind voor is. Eén model zal vol vertrouwen, vloeiend fout zijn in een consistente richting. Een tweede model van een andere familie deelt die exacte blinde vlek vaak niet. De onenigheid ertussen is informatie.
Waarom een panel een genie verslaat
Stel je de meest voorkomende AI-fout voor: de zelfverzekerde hallucinatie. Een enkel sterk model geeft je een schoon, goed gestructureerd, gezaghebbend antwoord dat toevallig fout is. Er is geen intern signaal dat het fout is — vloeiendheid en correctheid zijn verschillende assen, en het model optimaliseert slechts één ervan. Ik had bijna een klantvoorstel verstuurd op basis van precies dit soort vloeiend-maar-fout output, een verhaal dat ik volledig vertelde toen ik schreef over de AI-vaardigheden die een carrière echt toekomstbestendig maken. Het model functioneerde niet verkeerd. Het was vloeiend. Vloeiendheid was de val.
Voeg nu een tweede en derde model toe. Voor een feit-gebaseerde of redeneertaak verandert het volgende:
- Overeenstemming is een vertrouwenssignaal. Wanneer drie modellen van drie families onafhankelijk op hetzelfde antwoord uitkomen, is dat aanzienlijk betrouwbaarder dan de uitspraak van één model.
- Onenigheid is een vlag. Wanneer ze splitsen, is dat precies de plek waar een enkel model het risico voor je zou hebben verborgen. De splitsing brengt het aan het licht.
- Een rechter beslist, met redenen. Een rechtermodel — of een debatrondje — weegt de kandidaten en legt zijn keuze uit, waardoor je een controleerbaar spoor krijgt in plaats van een black-box oordeel.
De kosten zijn reëel: meer tokens, meer latentie, meer orkestratie. Dus je panelt niet alles. Je grijpt ernaar bij de beslissingen waar fout zijn duur is — architectuurkeuzes, beveiligingsgevoelige code, alles wat naar een klant gaat. Voor "hernoem deze variabele" is één model prima. De vaardigheid is weten bij welk niveau een taak hoort.
De mentale verschuiving die ik wil dat je meeneemt: stop met vragen "welk model is het beste" en begin met vragen "wat is mijn synthese-strategie." De beste bouwers die ik ken halverwege 2026 hebben geen favoriet model. Ze hebben een router en een rechter, en ze behandelen individuele modellen als verwisselbare componenten die een systeem voeden dat ze meer vertrouwen dan enig afzonderlijk onderdeel. Dat is overigens ook dezelfde architectuur die je beschermt tegen het exportcontrole- en vendor-lock-in-risico van het begin van dit bericht. Panelsynthese en provideronafhankelijkheid zijn hetzelfde inzicht met twee petten op.
Als je één actie meeneemt uit dit hele overzicht, maak het dan dit: bouw de naad waar je modellen kunt wisselen en combineren. Al het andere stroomafwaarts wordt makkelijker.
Autonome laboratoria — het deel van de toekomst dat stilletjes al hier is
Er is een bewering over een specifiek autonoom laboratorium-instrument van een genoemd lab in Beijing. Dezelfde aanpak: ik kan dat specifieke product niet bevestigen, dus ik presenteer het niet als feit. Maar anders dan sommige andere threads, is de onderliggende trend hier niet alleen echt — hij is verder dan de meeste mensen die chatbots bouwen beseffen, en het is het deel van AI dat ik oprecht ontroerend vind.
Zelfrijdende laboratoria zijn autonome platformen die experimenten ontwerpen, uitvoeren en analyseren in een gesloten lus met minimale menselijke input. Een AI-model stelt experimentele condities voor, robotische instrumenten synthetiseren de materialen of bereiden de monsters voor, ML analyseert de resultaten, en de lus beslist wat vervolgens te proberen — geen mens in de binnenste cyclus. Dit is gedocumenteerde, peer-reviewed, operationele wetenschap, geen pitch deck.
Het tempo is het opvallende deel. Onderzoekers hebben aangetoond dat zelfrijdende labs ten minste 10x meer data verzamelen dan eerdere technieken op recordsnelheid, waardoor ontdekkingen van jaren naar dagen worden gecomprimeerd voor schone energie en elektronica. De literatuur spreekt nu over "SDL 2.0" — een volgende generatie flexibele, collaboratieve ontdekkingsmachines voor chemie en materialen. En op de autonomieladder hebben systemen bereikt wat reviewers classificeren als Niveau 4: robotwetenschappers zoals de langlopende "Adam"- en "Eve"-projecten demonstreerden autonome genfunctie-hypothesetests en medicijnontdekkingsstappen jaren geleden, en de frontier is sindsdien ver voorbij hen opgeschoven.
Waarom zou een softwarebouwer zich hierom bekommeren? Omdat het gesloten-lus patroon — voorstellen, uitvoeren, meten, beslissen, herhalen, met de AI die de binnenste lus bezit — exact dezelfde architectuur is als een goed gebouwd agentisch codeersysteem. Een zelfrijdend lab en een zelfcorrigerende agent-swarm zijn hetzelfde idee gericht op verschillende problemen. Als ik een materialenlab zichzelf zie runnen, kijk ik naar een voorproefje van waar agentische software naartoe gaat: minder "AI suggereert, mens keurt elke stap goed," meer "AI draait de lus, mens stelt het doel en controleert de output." Die verschuiving is al gaande in code. Het is alleen minder fotogeniek dan een pipetterende robot.
De eerlijke kanttekening: autonomieniveau doet er enorm toe, en "het lab draait zichzelf" wordt overhyped. Niveau 4 is echt; volledige open-ended wetenschappelijke autonomie is er niet. Maar de richting is onmiskenbaar, en het is de meest gebaseerde reden die ik heb om te geloven dat agentische systemen een duurzame verschuiving zijn in plaats van een hype-cyclus.
De VS–China–Europa kaart, zonder de fanfictie
Laat me het overzicht afsluiten met het geopolitieke speelbord, want de labs zijn echt zelfs wanneer de specifieke onuitgebrachte modellen die eraan worden gekoppeld speculatie zijn.
De VS verankert nog steeds de gesloten frontier — OpenAI, Anthropic, Google. Het geroezemoes dat ik hier steeds weerleg, draait om specifieke onuitgebrachte versies. "GPT-5.6 verschijnt over twee weken, 86% op een prediction market, 1,5M context" — ik zou het bestaan van een volgende GPT-iteratie als aannemelijk-en-verwacht bestempelen, maar die specifieke getallen lezen als een Polymarket-weddenschap en een specificatie-wensenlijst, niet als een bevestigde lancering. Een prediction-market-kans is de gok van een menigte, geen releasenote. Ik besprak GPT-5.6-geroezemoes in mijn overzicht van 14 mei en het patroon is niet veranderd: de lijn is echt, de precieze specificaties zijn speculatie totdat er een modelkaart bestaat.
China is de open-weight machinekamer: DeepSeek, Qwen, GLM/Zhipu, Moonshot's Kimi, allemaal snel leverend en ruimhartig licentiërend. Dit is het verifieerbare deel. De specifieke volgende-versie-nummers en op feestdagen getimede releasedata zijn verwachtingen, geen feiten — cover elke die je ziet.
Europa heeft dit jaar een echt, verifieerbaar verhaal, en het heet Mistral. Per 12 juni 2026 is Mistral naar verluidt in vroege gesprekken om ongeveer €3 miljard ($3,5 miljard) op te halen tegen een potentiële waardering van €20 miljard ($23,1 miljard). Dat volgt op een echte €1,7 miljard ronde geleid door ASML tegen een waardering van €11,7 miljard, plus $830 miljoen aan schuldfinanciering om door NVIDIA aangedreven datacenters door heel Europa te bouwen — inclusief een faciliteit ten zuiden van Parijs met 13.800 GB300 GPU's en 44 MW, gericht op 200 MW aan Europese rekenkracht tegen 2027. In een hoorzitting van mei 2026 voor de Franse Nationale Vergadering waarschuwde CEO Arthur Mensch dat Europa slechts een kort venster heeft om diepere afhankelijkheid van Amerikaanse AI-infrastructuur te voorkomen, en Mistral publiceerde een "European AI: a playbook to own it" naast een EIF-dachfonds van €15 miljard gericht op het vrijmaken van tot €80 miljard voor Europese scale-ups.
Strip de politiek eraf en de inzet van Europa is hetzelfde inzicht als de rest van dit bericht: soevereiniteit is gewoon provideronafhankelijkheid op de schaal van een continent. De "kort venster"-waarschuwing van Mensch en jouw beslissing om een model-wisselnaad in je codebase te plaatsen zijn dezelfde bezorgdheid, uitgedrukt in euro's versus in code.
De bouwers-conclusie
Hier is wat ik daadwerkelijk zou doen met dit alles op maandagochtend.
Stop met het behandelen van welk afzonderlijk model dan ook — gesloten, open, frontier of samengevoegd — als een fundament waar je beton op stort. De exportcontrole-verschuivingen, het samenvoeging-besmettingsprobleem, het panelsynthese-voordeel en Europa's soevereiniteitsscramble zijn vier gezichten van één waarheid: halverwege 2026 is het model een verwisselbaar onderdeel, en je voordeel is het systeem dat je eromheen bouwt.
Concreet: bouw de naad waar je modellen kunt wisselen of combineren zonder een herschrijving. Grijp naar panelsynthese bij de beslissingen waar fout zijn duur is, en laat een enkel model het goedkope werk doen. Behandel elk benchmarkcijfer dat je niet kunt herleiden tot een primaire bron als marketing. En wanneer een nieuw "doorbraak" open model landt, geef het een off-benchmark taak voordat je het leaderboard vertrouwt.
De videosamenvatting waarmee dit allemaal begon had een verkeerd jaar erop staan en vier verzonnen feiten in de eerste negentig seconden. Het internet zal je er deze maand nog honderd meer geven. De vaardigheid die stilletjes de waardevolste in dit veld wordt, is niet prompten — het is de discipline om "wacht, kan ik dat eigenlijk bevestigen?" te vragen voordat je erop bouwt.
Dus ik laat je achter met de vraag die ik mezelf nu stel vóór elke routekaartbeslissing: als dit model, deze provider of deze benchmark morgen zou verdwijnen, hoeveel van wat ik heb gebouwd zou overleven? Als het antwoord je bang maakt, weet je al wat je eerst moet repareren.
Veelgestelde vragen
Wat veranderde er aan de Amerikaanse AI-chip exportcontroles in 2026?
Op 13 januari 2026 verschoof het US Commerce Department's BIS de licentie voor NVIDIA H200- en AMD MI325X-equivalente chips bestemd voor China van "vermoeden van afwijzing" naar "beoordeling per geval", met voorwaarden waaronder in de VS uitgevoerde tests door derden, een volumeplafond van 50% ten opzichte van de binnenlandse verkoop, en een tarief van 25%. Op 1 juni 2026 verduidelijkten de VS dat deze regels ook gelden voor dochterondernemingen van Chinese moederbedrijven, zelfs buiten China.
Is het frontier-model exportcontrole-stilleggingsverhaal bevestigd?
Nee. Het specifieke verhaal over onderzoekers die veiligheidswaarborgen omzeilden, autoriteiten waarschuwden en een model dat werd stilgelegd, is niet geverifieerd op het moment van schrijven en moet worden behandeld als gemeenschapsgeroezemoes, niet als nieuws. De bredere compute-governance-trend waar het naar verwijst — echt exportcontrolebeleid op AI-chips — is volledig gedocumenteerd en bevestigd.
Wat is modelsamenvoegen en waarom is het controversieel?
Modelsamenvoegen mengt de gewichten van twee of meer bestaande modellen — via lineaire of sferische interpolatie — om goedkoop een nieuw model te maken, zonder training. Het is controversieel omdat samenvoegingen gebouwd op benchmark-besmette ouders kunstmatig hoog kunnen scoren door testsetlekkage, waardoor een rebrand zich kan voordoen als een echte doorbraak. Zie de open-source sectie hierboven voor de waarschuwingssignalen.
Waarom een panel van modellen gebruiken in plaats van één?
Een panel van modellen uit verschillende families vermindert de consistente, zelfverzekerde fouten die een enkel model maakt, maakt van overeenstemming een vertrouwenssignaal en van onenigheid een risicovlag, en — volgens "Panels of LLM Evaluators"-onderzoek — kan beter presteren dan één grote rechter tegen lagere kosten. Grijp ernaar bij beslissingen waar fout zijn duur is, niet bij triviale zaken. Zie de ensemble-sectie hierboven.
Zijn zelfrijdende laboratoria in 2026 echt?
Ja. Zelfrijdende laboratoria die experimenten ontwerpen, uitvoeren en analyseren in een gesloten lus zijn gedocumenteerde, peer-reviewed, operationele systemen, met demonstraties die ten minste 10x meer data verzamelen op recordsnelheid en Niveau 4 autonomie bereiken. Volledige open-ended wetenschappelijke autonomie is er echter nog niet — de bewering "het lab draait zichzelf" wordt overhyped.
Laten we samenwerken
Op zoek naar het bouwen van AI-systemen, het automatiseren van workflows of het opschalen van je tech-infrastructuur? Ik help graag.
- Fiverr (maatwerk builds & integraties): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (enterprise-oplossingen): ramlit.com
- ColorPark (ontwerp & branding): colorpark.io
- xCyberSecurity (beveiligingsdiensten): xcybersecurity.io
