
Dagens Vibes — 13. september 2026
Agentkvalitet er ved at blive et målesystem i stedet for promptmagi. Samtidig er lokale open weights begyndt at ligne værktøj — ikke bare et dyrt varmeapparat med tokens.
Fra X-feedet
Astra-regressionen havde tre meget jordiske årsager
Efter ugens ujævne vibe checks kommer postmortemet: overaktive gamle skills, et konteksteksperiment der ramte 4–5.000 brugere og fejlkonfigurerede engines. OpenAI anbefaler samtidig kortere skill-triggere, progressive disclosure og en eksplicit definition af “færdig”. Promptarkæologi er blevet drift.

Reset-bekræftelsen · OpenAI: skills og prompts til Astra
Skills får endelig en kontrolgruppe
claude plugin eval kører de samme cases med og uden en plugin eller skill og laver en scoret rapport. Addy Osmanis parallelle pointe er lige så brugbar: skriv outcome, blast radius og de præcise checks ind — og gør hver review-fejl til genbrugelig instruktion. Det er CI for agentadfærd.

https://x.com/ClaudeDevs/status/2098500999656923145
Claude Code 2.1.269 release notes
Én DGX Spark, fire seriøse modeller
To ugers skrivebordstest er mere værd end endnu en leaderboard-sejr: Qwen 3.8 Flash Next vandt den samlede fart-rangering; Ling 3.0 Flash fulgte tæt, men faldt 83 procent ved 51K. Ling byggede til gengæld tre rigtige projekter, bestod 18/18 tests og genoptog arbejdet efter gentagne crashes. Det er et ordentligt vibe check — med både kvitteringer og blå mærker.

https://x.com/sudoingX/status/2098681025950048692
Opskriften til Ling på DGX Spark · Qwen 3.8 Flash Next
Et lille sprog til den sidste kilometer mod Markdown
Knap tager JSON, CSV eller HTML og former det til Markdown fra CLI eller som bibliotek. Det begyndte inde i Obsidian Web Clipper og er blevet skilt ud som open source — meget niche, meget brugbart og udtalt med hårdt k. Naturligvis.

Nyhedsbonus
Dario Amodei vil sænke farten på frontier-modeller og starter med det mindst glamourøse, mest konkrete greb: eksterne evaluatorer med badge, laptop og næsten samme adgang som interne risikoteams. Sam Altman siger, at OpenAI følger trop; næste trin kræver brancheaftaler og til sidst koordinering med Kina. Labsene har opdaget, at “trust us” ikke er en eval.
Anthropic foreslår at “pace the frontier”
En plan i tre trin: indlejrede kontrollanter, fælles standarder og global koordinering.
Real-SWE tester otte model/harness-kombinationer på ti opgaver fra private produktionskodebaser med moms, billing, migreringer og integrationsrod. Fable 5.1 topper på 38,8 procent løste runs, Astra lander på 33,8 og seks af ti opgaver har under 15 procents succesrate. Den ægte virksomhedskode er fortsat chefkampen.
Ny benchmark bruger private enterprise-kodebaser
Ingen model når 40 procent; oversete krav er den hyppigste fejl.