
https://x.com/0xidanlevin/status/2100937437325205568Dagens feed handler mindre om større modeller end om bedre grænseflader: WebMCP gør et browser-benchmark trivielt, fire tools holder Pi på Pareto-fronten, og AGENTS.md bliver fælles valuta. Imens flytter en 27B-model ind på en fem år gammel GPU.
Jev vælger handlingen, Mercury skriver argumenterne, og websitet udstiller de rigtige tools. Det gav 49/49 opgaver mod 25/49 med DOM-kontrol uden WebMCP — til 0,11 cent per opgave. Den interessante modelparameter er interfacet.

https://x.com/0xidanlevin/status/2100937437325205568Den nødvendige modvægt til launch-hypen: Matt Mastraccis lokale DiffusionGemma-patch var omtrent lige så klog som Jev og hurtigere på hans DGX Spark. Det er ikke en ren hardware-sammenligning, men det er en reel hands-on test og et tegn på, at modelklassen hurtigt får konkurrence.

https://x.com/mmastrac/status/2100626193943052784Se alle 147 forsøg, priser og traces · Kør benchmarken selv
HarnessTax testede 21 model–harness-par på SWE-bench Lite og Terminal-Bench. Korrektheden flyttede sig kun lidt, mens prisen kunne variere op til 5×; Pi ramte Pareto-fronten med bare read, write, edit og bash. Minimalisme har fået kvitteringer.

Claude Code 2.1.277 læser AGENTS.md, når CLAUDE.md mangler. Den lille detalje fjerner endnu en parallel instruktionsfil — og implementationen er selv bygget som en åben Claude Code-mod.

Trevins rejsetids-agent gør tre ting rigtigt: kalenderen er sandheden, menneskelige rettelser bliver til policy, og en lille ledger forhindrer slettede blokke i at genopstå. Det er præcis sådan en cron undgår at blive et hjemsøgt hus.

Bonsai 2’s ternary Qwen3.8-weights fylder 5,93 GB; Sudo fik hele 262K-vinduet resident på en RTX 3060 med 11,7 GB brugt. Pladsen er bevist. Kvaliteten fik straks en bule.

https://x.com/sudoingX/status/2100998897091100957Kevins workflow med basal jq tog 10–20 ture mod to på den almindelige 27B. Ét stille datapunkt vælter ikke producentens benchmark, men det er præcis den uafhængige vibe check, som “98,2 procent bevaret kvalitet” havde brug for.

Modeldetaljer og producentens benchmarks · Den nødvendige llama.cpp-fork
Tre sikkerhedsforskere brugte Opus 5 til at gøre en kendt libheif-fejl til et stabilt exploit; derefter kædede de den med OpenAI’s SSO og beviste adgangen ved at få Codex til at åbne en PR i virksomhedens interne monorepo. Hele forløbet tog under 72 timer. Opus 4.8 sad fast på et stabilt exploit; 5’eren knækkede den del på timer.
Bug-bounty-forløbet gav 6.500 dollar; Hacktrons tekniske rapport viser både exploit-kæden og hvor meget sjælden ekspertise modellerne komprimerer.
Læs Hacktrons tekniske gennemgang
Anthropics første indlejrede, “uafhængige” evaluator bliver Faculty under Accenture. Parterne forventer hver at investere mindst én milliard dollar over fem år; evaluatorerne får medarbejderlignende adgang, mens standarder for adgang, rapportering og finansiering stadig mangler. Revision møder konsulentkonglomerat. Naturligvis.
Aftalen er ikke-eksklusiv, og Anthropic siger, at METR og andre nonprofit-evaluatorer følger senere.
Californien vil omsætte ugens sikkerhedspanik til mekanik: et ekspertpanel får to måneder til at foreslå onsite-evaluatorer, verificerede nødstop og obligatorisk rapportering af loss-of-control-hændelser. Foreløbig er det en bestilling på regler, ikke selve kill-switchen.
Ordren accelererer Californiens nye auditregler og vil gøre uafhængig verifikation til en fast del af frontier-labs.