MiniMax M2.7, Muse Spark en de Codex Super App — Deze week in AI\n\nIk scrollde zaterdagnacht om middernacht door mijn feed toen de aankondiging van MiniMax me deed stilstaan. Ze hadden een model open-source gemaakt — M2.7 — dat meer dan 100 autonome verbetercycli op zichzelf had uitgevoerd, waarbij het zijn eigen hyperparameters afstemde, zijn eigen faalpatronen detecteerde en zijn eigen prestaties met 30% verbeterde. Zonder menselijke tussenkomst voor het grootste deel.\n\nIk staarde een volle minuut naar dat getal. Dertig procent. Van een model dat zichzelf verbetert.\n\nVervolgens bekeek ik wat er diezelfde week nog meer was uitgebracht. Meta lanceerde Muse Spark — hun eerste model dat helemaal opnieuw werd gebouwd onder Alexandr Wang's nieuwe Superintelligence Labs. OpenAI voegde ChatGPT, Codex en Atlas samen in één super-app. Google begon spraakbesturing toe te voegen aan hun AI-canvastool. En een startup genaamd Runnable bereikte stilletjes $2 miljoen ARR door mensen complete projecten te laten delegeren aan een AI-agent die in hun Slack woont.\n\nVijf aankondigingen. Elk ervan zou het grootste AI-nieuws van een normale week zijn geweest. Deze week kwamen ze allemaal tegelijk. Hier is wat er werkelijk toe doet — en wat slechts ruis is.\n\n## MiniMax M2.7: Het open-source model dat zichzelf verbetert\n\nLaat ik beginnen met degene die me tot na 2 uur 's nachts wakker hield.\n\nMiniMax — een Chinees AI-bedrijf dat de meeste westerse ontwikkelaars nog steeds onderschatten — heeft zojuist M2.7 open-source gemaakt, hun sterkste model tot nu toe. Volledige weights op Hugging Face. Mixture-of-experts architectuur. En prestatiecijfers die het in directe concurrentie plaatsen met Opus 4.6 en GPT-5.4 bij echte engineeringtaken.\n\nIk volg Chinese AI-modellen sinds GLM4, en M2.7 is de eerste open-source release die me oprecht deed heroverwegen of ik mijn productiestack moest aanpassen. Niet vanwege één enkele benchmark — maar vanwege wat de benchmarks collectief vertegenwoordigen.\n\nHier is de scorekaart die ertoe doet:\n\n| Benchmark | Score | Wat het daadwerkelijk test |\n|-----------|-------|--------------------------|\n| SWE-Pro | 56,22% | Echte engineering: debugging, beveiliging, logs |\n| Terminal Bench 2 | 57,0% | Command-line vaardigheid en systeemoperaties |\n| SWE-Multilingual | 76,5% | Engineering over talen en frameworks heen |\n| MultiSWE-Bench | 52,7% | Bredere software-engineeringuitdagingen |\n| Vibe Pro | 55,6% | Repo-brede codegeneratie (web, mobiel, sim) |\n| NL2 Repo | 39,8% | Complete codebases begrijpen en navigeren |\n\nDat zijn geen speelgoedbenchmarks. SWE-Pro werpt echte productiescenario's naar modellen — het soort waarbij je om 3 uur 's nachts naar serverlogs staart om uit te zoeken waarom je deployment is mislukt. Terminal Bench 2 test of een model daadwerkelijk een systeem kan bedienen, niet alleen code kan schrijven over het bedienen ervan. En Vibe Pro evalueert repo-brede generatie over platforms waaronder web, Android, iOS en simulatieomgevingen.\n\nMaar wat M2.7 echt onderscheidt is niet een individuele score. Het is het verhaal erachter.\n\n### Zelfevolutie: Wanneer het model zijn eigen engineer wordt\n\nHier wordt het filosofisch ongemakkelijk.\n\nMiniMax ontwierp M2.7 om zichzelf te verbeteren. Niet op een vage "reinforcement learning from feedback"-manier — op een concrete, meetbare manier. Het model voerde autonoom meer dan 100 optimalisatiecycli uit op zijn eigen code-scaffold. Het stelde temperatuurinstellingen bij. Paste herhalingspenalty's aan. Bouwde lusdetectiemechanismen om te signaleren wanneer het in kringetjes draaide. Voegde nieuwe mogelijkheden toe aan zijn eigen toolchain.\n\nHet resultaat: een prestatieverbetering van 30% op interne benchmarks. Van een model dat al concurrerend was met frontier-systemen.\n\nIk heb eerder geschreven over zelfverbeterende AI-systemen, en wat me opvalt aan M2.7 is hoe operationeel dit is geworden. Dit is geen wetenschappelijk artikel. MiniMax zegt dat het model momenteel 30-50% van de workflow van hun eigen reinforcement learning-team automatiseert, waarbij mensen voornamelijk ingrijpen voor kritieke beslissingen en eindvalidatie.\n\nDenk daar even over na. Het model doet de helft van het werk om zichzelf te trainen. De mensen worden de reviewers, niet de bouwers. Dat is een structurele verschuiving in hoe AI-ontwikkeling werkt — en het gebeurt bij een open-source bedrijf dat zojuist de weights gratis heeft weggegeven.\n\n### Waar M2.7 daadwerkelijk concurreert met frontier-modellen\n\nIk wil hier specifiek zijn, want "concurreert met GPT-5.4 en Opus 4.6" wordt nogal losjes rondgestrooid. MiniMax liet M2.7 deelnemen aan machine learning-competities (MLE-Bench Light) op een enkele A30 GPU — geen rack vol H100's — en het behaalde:\n\n- 9 gouden medailles\n- 5 zilveren medailles\n- 1 bronzen medaille\n- Gemiddeld medaillepercentage: 66,6%\n\nDat is concurrerend met modellen die op ordes van grootte meer compute draaien. Een enkele A30 GPU. Ik heb projecten die meer GPU verbruiken alleen al voor inferentie.\n\nOp professioneel kantoorwerk — financiële analyse, rapportgeneratie, verwerking van kwartaalcijfergesprekken — scoorde M2.7 een ELO van 1.495 op GDPval-AA, waarmee het gerangschikt staat als het beste open-source model voor zakelijke taken. Dat betekent dat het een jaarverslag kan lezen, een omzetprognose kan maken en een presentatie kan produceren op een niveau vergelijkbaar met wat een junior analist zou leveren.\n\nEn bij meerstaps toolgebruik (Toolathon benchmark: 46,3%) en complexe vaardigheidsnaleving (MM-Claw: 97% naleving bij taken van meer dan 2.000 tokens), demonstreert M2.7 iets wat ik alleen heb gezien bij de beste propriëtaire modellen: aanhoudende betrouwbaarheid bij lange, complexe workflows.\n\nDe productie-debuggingcapaciteit overtuigde me het meest. MiniMax demonstreerde dat M2.7 live productielogs analyseerde, monitoringpieken correleerde met deploymenttijdlijnen en gerichte fixes voorstelde — waardoor de hersteltijd onder de drie minuten kwam. Dat is Site Reliability Engineer-werk. Van een open-source model.\n\n### Wat dit betekent voor jouw stack\n\nAls je multi-agent systemen draait en een capabel model nodig hebt dat je zelf kunt hosten, is M2.7 zojuist de voor de hand liggende kandidaat geworden. De mixture-of-experts architectuur betekent dat je alleen de parameters activeert die je per taak nodig hebt, zodat inferentiekosten beheersbaar blijven. De open weights betekenen geen API-afhankelijkheid. En het benchmarkprofiel dekt precies het soort werk dat agentsystemen moeten doen — codegeneratie, debugging, toolgebruik en langdurige taakafronding.\n\nIk zeg niet dat het Opus 4.6 voor elk gebruik vervangt. Qua pure redeneerdiepte en instructie-opvolging heeft het model van Anthropic nog een voorsprong die ik dagelijks voel. Maar voor het soort taken dat je aan gespecialiseerde sub-agents zou delegeren — code-scaffolding, loganalyse, documentatiegeneratie, tests schrijven — is M2.7 dat lokaal op je eigen hardware draait nu een serieuze optie. En dat verandert de economie van agentische AI op een manier die ertoe doet.\n\n## Meta Muse Spark: Anders gebouwd — letterlijk\n\nMeta's timing was onberispelijk. Dezelfde week dat MiniMax een open-source bom liet vallen, bracht Meta Muse Spark uit — het eerste model van hun nieuwe Superintelligence Labs, de divisie geleid door Alexandr Wang (ja, díe Alexandr Wang, van Scale AI).\n\nWat Muse Spark interessant maakt zijn niet de benchmarks — hoewel die solide zijn. Het is de architectuurbeslissing die alles onderbouwt.\n\nDe meeste multimodale AI-modellen beginnen als tekst-only systemen waaraan later visiemogelijkheden worden vastgeschroefd. GPT-5 deed dit. Claude deed dit. Je traint een taalmodel en finetunet het vervolgens om afbeeldingen te begrijpen. Het werkt, maar er zit altijd een naad. Visietaken voelen als tweederangsburgers vergeleken met tekst.\n\nMeta zei volledig nee tegen die aanpak. Muse Spark is van de grond af opgebouwd om tekst en afbeeldingen natief in dezelfde architectuur te verwerken. Geen vastschroeven. Geen finetuning van een tekstmodel om te kunnen zien. Het visuele begrip zit in de basis ingebakken.\n\nEn je voelt het verschil in de cijfers:\n\n| Benchmark | Muse Spark | Opus 4.6 Max | GPT 5.4 Pro | Gemini 3.1 |\n|-----------|-----------|-------------|-------------|------------|\n| Screen Spot Pro | 72,2% (84,1% met tools) | 57,7% | 39,0% | — |\n| Health Bench Hard | 42,8% | 14,8% | 40,1% | 20,6% |\n| Frontier Science | 38,3% | — | 36,7% | 23,3% |\n| Humanity's Last Exam | 58,4% (met tools) | — | 58,7% | 53,4% |\n| SWE Bench Verified | 77,4% | 80,8% | — | 80,6% |\n\nScreen Spot Pro springt eruit. Een score van 84,1% op visueel UI-begrip — vergeleken met 57,7% voor Opus 4.6 Max en 39,0% voor GPT 5.4 — betekent dat Muse Spark naar een scherm kan kijken en begrijpen wat erop staat met bijna menselijk niveau van precisie. Voor iedereen die computer-use agents of visuele testtools bouwt, is dat een enorme doorbraak.\n\nHealth Bench Hard is de andere uitblinker. Meta werkte samen met meer dan 1.000 artsen om trainingsdata specifiek voor medisch redeneren samen te stellen. Het resultaat: 42,8%, wat wereldwijd nummer één is. Als je gezondheidsgerelateerde AI-applicaties bouwt, is Muse Spark nu het model om als eerste te evalueren.\n\n### Het efficiëntieverhaal waar niemand over praat\n\nHier is de statistiek die technische bouwers het meest zou moeten interesseren: Muse Spark behaalt vergelijkbare capaciteiten als Llama 4 Maverick met meer dan 10x minder compute. Dat is geen incrementele verbetering — het is een herbouwde pre-training stack die een orde van grootte aan efficiëntiewinst levert.\n\nMeta bereikte dit door drie innovaties die samenwerken:\n\nPre-training optimalisatie — een fundamenteel vernieuwde trainingspipeline die meer leerresultaat per bestede computedollar haalt.\n\nReinforcement learning met stabiele verbeteringen — RL dat het model daadwerkelijk consistent verbetert in plaats van de ruisrijke, plateau-gevoelige trainingscurves waar de meeste teams mee te maken hebben.\n\nTest-time reasoning verbeteringen — waaronder thought compression (problemen oplossen met minder tokens, wat snellere en goedkopere inferentie betekent) en wat Meta "contemplating mode" noemt, waarbij parallelle agents tegelijkertijd antwoorden produceren en verfijnen.\n\nDie contemplating mode trok mijn aandacht. Het is in wezen multi-agent reasoning tijdens inferentie — het model spawnt parallelle redeneerpaden en selecteert of combineert vervolgens de beste output. Ik heb precies dit soort architectuur handmatig gebouwd met Claude agent-teams. Meta bakt het in het model zelf.\n\n### Waar Muse Spark tekortschiet\n\nIk zou mijn werk niet goed doen als ik alleen de overwinningen belichte. Muse Spark heeft een duidelijke zwakte, en het is een significante voor bepaalde use cases.\n\nARC AGI 2 — de benchmark voor abstract redeneren — toont Muse Spark op 42,5%, terwijl zowel Gemini als GPT-5.4 boven de 76% scoren. Dat is geen klein verschil. Het suggereert dat de natief multimodale architectuur, hoewel ongelooflijk voor visueel en toegepast redeneren, mogelijk iets opoffert in puur abstract patroonherkenning.\n\nSWE Bench Verified vertelt een vergelijkbaar verhaal. Met 77,4% is Muse Spark sterk maar loopt het achter op Opus (80,8%) en Gemini 3.1 (80,6%) bij geverifieerde software-engineeringtaken. Als je primaire use case agentisch coderen is, is Muse Spark nog niet de koploper.\n\nHet zal ook niet open-source zijn — in elk geval niet aanvankelijk. Meta zei dat er "hoop is om toekomstige versies open-source te maken," wat de meest vrijblijvende taal is die ze hadden kunnen kiezen. Gezien het feit dat ze dit hebben gebouwd om de Meta AI-app, WhatsApp, Instagram en Messenger-integraties aan te drijven, houd ik mijn adem niet in voor open weights.\n\n## OpenAI's Super App: Alles in één venster\n\nTerwijl MiniMax en Meta het modelspel speelden, deed OpenAI een infrastructuurzet die op de lange termijn mogelijk meer impact heeft.\n\nOp 6 april lanceerde OpenAI wat ze de uniforme super-app noemen — een enkele desktopapplicatie die ChatGPT, Codex (de codeeragent) en Atlas (hun AI-browser) samenvoegt in één interface. Daarnaast brachten ze ChatGPT 5.5 uit, een brugmodel tussen GPT-5.4 en wat daarna komt (intern de bijnaam "Spud", wat naar verluidt GPT-6 is).\n\nIk gebruik OpenAI's Codex sinds de vroege CLI-dagen, en de fragmentatie is altijd een pijnpunt geweest. Wil je chatten? Open ChatGPT. Wil je coderen? Open Codex. Wil je browsen en onderzoeken? Open Atlas. Drie verschillende interfaces, drie verschillende contextvensters, drie verschillende sets mogelijkheden die niet met elkaar communiceren.\n\nDe super-app elimineert die frictie. Alles leeft in één venster. En belangrijker nog, de agents kunnen naadloos taken aan elkaar overdragen.\n\n### Het kladblok verandert hoe ik over multitasking denk\n\nDe kopfunctie is wat OpenAI het "scratchpad" noemt — een interface waarmee je meerdere parallelle Codex-taken vanuit één weergave kunt starten. Zie het als een taakbeheerder voor AI-agents. Je schrijft drie coderingstaken, start ze allemaal tegelijk, en elk draait in zijn eigen sandbox-omgeving. Terwijl de ene agent je authenticatiemodule refactort, schrijft een andere tests voor je betalingsstroom, en een derde genereert API-documentatie.\n\nDit lijkt sterk op wat ik handmatig heb gebouwd met Claude Code agent-teams — maar OpenAI productiseert het tot een consumentvriendelijke interface. De beheerde agents verwerken meerstaps workflows autonoom, melden zich periodiek voor goedkeuring bij kritieke beslissingen en onderhouden persistente "heartbeat"-verbindingen die langlopende achtergrondprocessen ondersteunen.\n\nEr waren speculaties over een nieuwe modelrelease met de codenaam "Glacier" — mogelijk GPT-5.5 — samenvallend met de app-lancering. OpenAI noemde het uiteindelijk ChatGPT 5.5, gepositioneerd als een verbeterd geheugenbeheer- en taakcontinuïteitsmodel in plaats van een ruwe intelligentie-upgrade. Direct beschikbaar voor Plus- en Pro-abonnees, met een beperkte gratis uitrol die volgt.\n\n### Waarom dit meer uitmaakt dan weer een modelbump\n\nHier is mijn visie: OpenAI wedt erop dat het volgende concurrentievoordeel niet modelintelligentie is — maar platformcohesie. Wanneer alles in één app leeft, gaat context niet verloren tussen tools. Je chatgesprek informeert je codeeragent die je browseronderzoek informeert dat weer terugvloeit naar je chat. Dat vliegwieleffect is krachtig, en het is iets dat je niet kunt repliceren door afzonderlijke tools aan elkaar te plakken.\n\nDe parallellen met wat Anthropic bouwt met Conway en wat Runnable doet met hun agentplatform zijn opvallend. De hele industrie convergeert naar hetzelfde inzicht: de toekomst van AI is geen chatbot waarmee je praat. Het is een agentsysteem dat naast je werkt.\n\n## Google Mixboard: Wanneer je canvas naar je luistert\n\nDe bijdrage van Google deze week is kleiner in omvang maar fascinerend qua richting.\n\nMixboard begon als een AI-aangedreven beeldcanvas — slepen, neerzetten, remixen en visuals genereren op een samenwerkingsbord. Denk aan Miro ontmoet Midjourney. Maar Google ontwikkelt het tot iets ambitieuzer: een volledige hybride samenwerkingswerkruimte met spraakbesturing.\n\nDe nieuwe experimentele functies omvatten stickers, spraaknotities, geometrische vormen en markers die over AI-gegenereerde afbeeldingen worden gelegd. Maar de echte zet is spraakbediening — de mogelijkheid om het hele bord via spraak te bedienen. Genereer een afbeelding. Verplaats het naar links. Wissel de achtergrond. Voeg een tekstlaag toe. Allemaal door te praten.\n\nGoogle bouwde dit op dezelfde infrastructuur als hun Stitch spraakinteractietool, en als het werkt zoals gedemonstreerd, overbrugt het een kloof die me stoort aan elke AI-creatieve tool die ik heb geprobeerd: het invoerbottleneck. Zelfs het beste AI-canvas wordt beperkt door hoe snel je prompts kunt typen en op knoppen kunt klikken. Spraak verwijdert die frictie volledig.\n\nDe PDF-exportfunctie is de stille killer. Stel je voor dat je een brainstormsessie op Mixboard draait — deelnemers die ideeën aandragen, afbeeldingen genereren, concepten ordenen — en dan het hele bord als een gestructureerd document exporteert met één klik. Dat overbrugt de kloof tussen "ideatiesessie" en "oplevering" op een manier die geen enkele andere tool die ik heb gebruikt netjes doet.\n\nGoogle heeft nog geen integratiedetails of een definitieve lanceerdatum bevestigd. Gezien het Google I/O-venster (19-20 mei), verwacht ik daar een officiële aankondiging, waarschijnlijk gekoppeld aan Gemini of Google Workspace. Voorlopig is het beschikbaar als experiment in Google Labs.\n\n## Runnable Run Claw: De AI-teamgenoot in je chat\n\nDe laatste aankondiging is degene die je besluipt.\n\nRunnable heeft Run Claw uitgebracht — een cloudgebaseerde AI-agent die in Slack, Telegram en Discord woont. Je stuurt het berichten als een collega. Het stelt verduidelijkende vragen. Plant het werk. Voert het autonoom uit. Rapporteert terug wanneer het klaar is.\n\nIk heb AI-agents in chatplatforms al maanden gevolgd, en wat Run Claw anders maakt is niet het concept — het is de uitvoeringsrijpheid. Dit is geen chatbot met erop geschroefde API-integraties. Het is een volledig autonome agent met:\n\n- Bestanduploads om context te bieden (drop een designmockup, krijg een website)\n- Chatmodus voor onderzoek en brainstormen\n- Planmodus voor complexe meerstapsbouwprojecten\n- Modelselectie zodat je de juiste AI voor elke taak kunt kiezen\n- Geheugen om je voorkeuren na verloop van tijd te leren\n- Connectors voor Google, Slack, Notion, GitHub, Shopify en meer\n\nDe multimodale output onderscheidt het van vergelijkbare tools. Run Claw schrijft niet alleen tekst. Het bouwt live websites met databases, betalingsverwerking (Stripe-integratie), SEO-optimalisatie, analytics, versiebeheer en zelfs AI-aangedreven spraakagents. Vanuit een Slack-bericht.\n\nRunnable heeft onlangs $2 miljoen aan jaarlijkse terugkerende omzet overschreden en levert dagelijks productupdates. Dat zijn de statistieken die me vertellen dat dit geen weekendproject is — het is een bedrijf dat echte infrastructuur bouwt met echte tractie.\n\n### Het bredere patroon: AI-agents als collega's\n\nRun Claw, OpenAI's super-app, Anthropic's Conway-systeem — ze convergeren allemaal naar dezelfde visie. De AI is geen tool die je opent wanneer je hulp nodig hebt. Het is een permanente aanwezigheid in je workflow die taken afhandelt zoals een capabele collega dat zou doen. Jij delegeert. Het voert uit. Jij reviewt. Het itereert.\n\nWe zien de overgang van "AI als zoekmachine" naar "AI als teamgenoot" in realtime plaatsvinden. En de bedrijven die de UX voor delegatie uitvogelen — niet prompting, maar echte taakdelegatie — zullen de volgende fase domineren.\n\n## Wat deze week ons werkelijk vertelt\n\nVijf aankondigingen. Vijf verschillende strategieën. Hier is het patroon dat ik eronder zie:\n\nOpen source versnelt sneller dan propriëtair. MiniMax M2.7 die frontier-modellen evenaart bij echte engineeringtaken — en de weights open-source maakt — legt druk op elk bedrijf dat premium API-tarieven rekent. Wanneer een zelfgehost model 80% kan doen van wat GPT-5.4 doet voor een fractie van de kosten, verschuiven de economische verhoudingen van AI-ontwikkeling permanent.\n\nNatief multimodaal is de nieuwe baseline. Meta die Muse Spark van de grond af bouwt voor visie en tekst — in plaats van visie op een tekstmodel te schroeven — signaleert waar architectuur naartoe gaat. Verwacht dat elke grote modelrelease voortaan natief multimodaal zal zijn. De "voeg later visie toe"-aanpak is dood.\n\nPlatforms verslaan modellen. OpenAI die alles in één app samenvoegt, Runnable die agents in Slack integreert, Google die spraak aan hun canvas toevoegt — dit zijn platformzetten, geen modelzetten. De ruwe intelligentie van het onderliggende model doet er minder toe wanneer de integratielaag naadloos is.\n\nZelfverbetering is niet langer theoretisch. MiniMax' model dat 100 autonome optimalisatiecycli uitvoert is geen onderzoeksdemo. Het is productie-infrastructuur. Wanneer modellen zichzelf zinvol kunnen verbeteren, wordt het tempo van AI-ontwikkeling niet langer beperkt door menselijke engineeringcapaciteit.\n\nGezondheid en wetenschap zijn de nieuwe frontlijn-applicaties. Zowel Muse Spark als M2.7 toonden sterke prestaties op medische en wetenschappelijke benchmarks. De "AI voor coderen"-fase is niet voorbij, maar de volgende golf van miljardentoepassingen zal waarschijnlijk komen van AI die kan redeneren over biologie, chemie en klinische geneeskunde.\n\nIk volg AI-tools lang genoeg om te weten dat de meeste wekelijkse updates er niet toe doen. De meeste modelreleases zijn incrementeel. De meeste productlanceringen zijn prematuur.\n\nDeze week was dat niet het geval. Vijf verschillende bedrijven — van open source tot big tech — leverden elk iets dat het landschap op een meetbare manier verschuift. De vraag is niet of AI-ontwikkeling versnelt. De vraag is of de rest van ons kan bijblijven met de tools die zichzelf bouwen.\n\n---\n\nWat ik hierna volg: MiniMax M2.7 draaien in mijn lokale agentpipeline (verwacht een hands-on review), Google I/O voor de Mixboard- en Gemini-updates, en of OpenAI's super-app daadwerkelijk standhoudt wanneer echte workflows het op schaal raken. Ik rapporteer terug.\n\n---\n\nAls je met AI-agents bouwt en de ongefilterde kijk wilt op wat daadwerkelijk werkt, deel ik mijn experimenten, workflows en eerlijke toolreviews hier op mejba.me. Geen gesponsorde content. Geen hype. Alleen wat ik leer door te bouwen.\n\n---\n\n### Social Distribution Package\n\nTwitter/X:\nMiniMax heeft zojuist een model open-source gemaakt dat zichzelf met 30% verbeterde.\n\nMeta bouwde een multimodale AI van nul die #1 is in medisch redeneren.\n\nOpenAI voegde ChatGPT + Codex + Atlas samen in één app.\n\nGoogle voegde spraakbesturing toe aan hun AI-canvas.\n\nEn een Slack-agent startup bereikte $2M ARR.\n\nMijn analyse van de 5 grootste AI-drops deze week 🧵\n\nLinkedIn:\nVijf grote AI-releases landden in één enkele week — en ze vertellen een helder verhaal over waar de industrie naartoe gaat.\n\nMiniMax M2.7 bewijst dat open-source modellen frontier-systemen kunnen evenaren terwijl ze zichzelf verbeteren. Meta's Muse Spark toont dat natief multimodale architectuur de toekomst is. OpenAI's uniforme app demonstreert dat platforms individuele modellen verslaan. Google Mixboard hint naar voice-first samenwerking. En Runnable's $2M ARR bewijst dat AI-agents als permanente teamgenoten geen theorie meer is.\n\nHet patroon: we bewegen van "AI als tool" naar "AI als collega." De bedrijven die delegatie-UX oplossen — niet alleen prompting — zullen de volgende fase winnen.\n\nVolledige analyse op mejba.me.\n\nNewsletter:\nOnderwerp: De week dat AI zichzelf begon te bouwen\n\nDeze week leverden vijf bedrijven vijf verschillende visies op de toekomst van AI — allemaal tegelijk.\n\nDe highlight: MiniMax maakte een model open-source dat 100 autonome verbetercycli op zichzelf uitvoerde en zijn eigen prestaties met 30% verbeterde. Dat is geen wetenschappelijk artikel. Dat is een productiesysteem waarbij de AI de helft van het werk doet om zichzelf te trainen.\n\nIk ontleed alle vijf aankondigingen — MiniMax M2.7, Meta's Muse Spark, OpenAI's super-app, Google Mixboard en Runnable's chatagent — met de eerlijke kijk op wat ertoe doet voor bouwers en wat slechts marketing is.\n\nLees de volledige analyse → [link]\n
Advertentie
