Loading blog posts...
Terug naar Blog
Also in
Gemini 4 Argon had het grootste aankondigingsbereik in dit overzicht van AI- en ontwikkelaarsnieuws van 19 oktober 2026.
In het kort
- De aankondiging van Gemini 4 Argon werd 5,89 miljoen keer bekeken, maar de aangeleverde bron toont geen prestatievoordeel aan.
- Reverse engineering met AI trok veel aandacht: de test van decomp.wtf door Low Level werd 1,76 miljoen keer bekeken.
- MiniCPM-V 4.7 en Nemotron 3.5 Super VL maken efficiënte multimodale implementatie het overwegen waard voor ontwikkelaars van agents.
- Harness² van Google Research bereikte 7.789 GitHub-sterren en vestigde daarmee de aandacht op de software rond een agent.
- Beschouw deze interactiecijfers als momentopnamen tijdens het onderzoek, niet als gebruikscijfers of bewijs van betrouwbaarheid in productie.
Reverse engineering met AI trok aandacht, maar kreeg geen bewijs van correctheid
De test van decomp.wtf die Low Level op 16 oktober publiceerde, maakte reverse engineering met AI tot een van de meest besproken ontwikkelaarsonderwerpen van de week. Ook de discussie rond de lancering van BlenderCraft trok aandacht met de claim dat Blender met AI via reverse engineering was nagebouwd.
Het onderzoek hield de volgende cijfers bij:
- Weergaven van de video van Low Level.
- Upvotes op het lanceringsbericht van BlenderCraft.
- Reacties onder het bericht van BlenderCraft.
Kies één component die u mag onderzoeken, leg het waarneembare gedrag vast en toets de reconstructie met tests die niet mede door het model zijn geselecteerd. Controleer naast geslaagde uitvoeringen ook ongeldige invoer en foutafhandeling; een nagebootste demonstratie bewijst nog niet dat beide implementaties gelijkwaardig zijn.
Gemini 4 Argon trok de meeste aandacht bij de lancering; migratie vraagt nog om bewijs
Sundar Pichai kondigde Gemini 4 Argon op 13 oktober aan, zo blijkt uit het lanceringsbericht. Binnen de onderzochte periode was dit de modellancering die de meeste aandacht trok.
Voor het lanceringsbericht hield het onderzoek de volgende cijfers bij:
- Weergaven.
- Likes.
- Reposts.
De aangeleverde bron biedt onvoldoende bewijs om prijzen, latency, contextlimieten of prestaties op uw repository te vergelijken.
Wijzig het standaardmodel van een codeassistent pas na een vergelijking met dezelfde taken in dezelfde repository. Neem een bugfix op, een wijziging over meerdere bestanden en een taak waarbij het juiste antwoord is dat er informatie ontbreekt. Beoordeel de patches én of het model herkent wanneer het te weinig informatie heeft om een oplossing te implementeren.
Open multimodale modellen verdienen een praktijktest, geen wedstrijd in parameteraantallen
Deze week werden onder meer MiniCPM-V 4.7 van OpenBMB en Nemotron 3.5 Super VL van NVIDIA aangekondigd. Beide richten zich op multimodale workloads. OpenBMB benadrukt efficiënte lokale implementatie, terwijl NVIDIA zijn model positioneert voor langdurig draaiende agents.
| Aangekondigde optie | Gepubliceerde modelomvang | Genoemde focus | Wat uw team moet controleren |
|---|---|---|---|
MiniCPM-V 4.7, 35B-A3B | 35 miljard parameters in totaal; 3 miljard actief | Efficiënte lokale multimodale implementatie | Geheugengebruik en nauwkeurigheid bij visuele taken |
MiniCPM-V 4.7, 1B | 1 miljard parameters | Kleinere optie voor lokale implementatie | Of het lagere resourcegebruik ten koste gaat van de kwaliteit van de taakuitvoering |
| Nemotron 3.5 Super VL | 120 miljard parameters in totaal; 12 miljard actief | Langdurig draaiende multimodale agents | Hostingvereisten en betrouwbaarheid bij taken met meerdere stappen |
Actieve parameters zijn de subset die tijdens een inferentiestap wordt gebruikt in een model dat slechts een deel van zijn parameters activeert. Dat beïnvloedt de benodigde rekenkracht, maar dimensioneer een implementatie niet alsof alleen die actieve subset opslagruimte nodig heeft.
Test eerst de kleinste kandidaat die de workload mogelijk aankan. Gebruik voor een agent die screenshots leest representatieve screenshots met veel tekst, onduidelijke bedieningselementen en foutsituaties. Meet of de agent de juiste informatie vindt binnen uw grenzen voor latency en geheugengebruik.
Tip
Leg de licentie, het formaat van de modelgewichten, de ondersteunde runtime en het piekgeheugengebruik voor uw eigen workload vast voordat u een open model geschikt voor implementatie noemt. Dat een aankondiging lokale implementatie benadrukt, is een vertrekpunt, geen capaciteitsplan.
Harness² legt de uitvoeringscyclus van agents onder de loep
De Harness²-repository van Google Research richt zich op het verbeteren van agent harnesses: de omringende software die bepaalt hoe een model een taak uitvoert. Uit het aangeleverde onderzoek blijkt niet hoeveel Harness² uw workload verbetert.
Als een agent zijn status kwijtraakt, een toolfout verkeerd afhandelt of een zinloze actie blijft herhalen, moet het uitvoeringssysteem worden aangepakt. Een aangescherpte prompt of een ander model verhelpt dat probleem mogelijk niet.
Begin met het indelen van fouten uit eerdere agentuitvoeringen:
- Modelfout: de agent begrijpt de taak verkeerd of stelt een onjuiste oplossing voor.
- Toolfout: een commando, API of externe dienst gedraagt zich niet zoals verwacht.
- Orkestratiefout: de agent gaat verkeerd om met status, herhaalpogingen of stopvoorwaarden.
Als onderbroken uitvoering uw meest urgente probleem is, biedt het artikel over Pi Durable en agents die hun werk hervatten een verwante bespreking van de implementatie.
Epics pleidooi voor programmeren met AI vraagt om acceptatiecriteria, niet om een algemeen oordeel
De discussie over Epic Games leidde deze week tot debat over de gemelde koers waarin AI centraal staat bij de ontwikkeling. In een afzonderlijk bericht ter verdediging van programmeren met AI betoogde Tim Sweeney dat AI routinematig implementatiewerk kan overnemen.
Het onderzoek hield de volgende cijfers bij:
- Upvotes op de Reddit-discussie over Epic.
- Reacties op die discussie.
- Weergaven van Sweeneys reactie.
De aangeleverde bronnen tonen geen gemeten verbetering aan in releasesnelheid, defectpercentages of onderhoudskosten. Presenteer ze daarom niet als een succesvoorbeeld voor zakelijke toepassingen.
Kies als standaardbeleid voor softwareontwikkeling niet voor verplicht AI-gebruik, maar ook niet voor een algeheel verbod. Hanteer voor elke patch dezelfde acceptatiecriteria en weeg zowel de reviewlast als de implementatietijd mee. Voeg controles toe voor gevoelige invoer, externe toegang, gewijzigde afhankelijkheden en code die niemand afdoende kan uitleggen.
Om in de gaten te houden
- Gemini 4 Argon: zoek vóór het plannen van een migratie naar documentatie van de aanbieder zelf die duidelijkheid geeft over prijzen, beschikbaarheid en modellimieten.
- Harness²: bekijk de wijzigingen in de evaluatiemethode van de repository, vooral hoe verbeteringen worden getest op andere taken dan die waarmee ze zijn ontwikkeld.
- Open multimodale modellen: controleer of de release-informatie reproduceerbare runtime- en geheugenvereisten bevat voor de aangekondigde varianten.
- Reverse engineering met AI: zoek naar onafhankelijke gedragstests.
Wat u nu kunt doen
- Selecteer drie afgeronde taken uit uw repository en bewaar de oorspronkelijke acceptatietests als vaste vergelijkingsset voor uw volgende proef met een codeermodel.
- Deel tien recente mislukte agentuitvoeringen in als model-, tool- of orkestratiefout voordat u uw prompt of modelaanbieder wijzigt.
- Kies één aangekondigde multimodale variant en leg de licentie, runtimevereisten en het gemeten piekgeheugengebruik vast voordat u een interne pilot voorstelt.
- Voeg expliciete reviewcontroles toe voor wijzigingen met AI in afhankelijkheden, toegang tot gevoelige gegevens en aanpassingen aan authenticatie- of autorisatiecode.
Nuttige bronnen
- Aankondiging van Gemini 4 Argon - Het oorspronkelijke lanceringsbericht van Sundar Pichai.
- Harness²-repository - Het project van Google Research voor het verbeteren van agent harnesses.
- Aankondiging van MiniCPM-V 4.7 - De introductie van de aangekondigde multimodale varianten door OpenBMB.
- Aankondiging van Nemotron 3.5 Super VL - NVIDIA’s positionering van het model en de gepubliceerde parameteraantallen.
Het grotere plaatje
Uw volgende besluit om een technologie in te zetten moet iets opleveren dat een andere ontwikkelaar kan controleren: een reproduceerbaar testresultaat, een op metingen gebaseerd resourcebudget of een patch die een onafhankelijke review doorstaat.
