AI-evaluatie

Artificial Analysis zet GPT-6 Astra en Claude Fable 5.1 in v4.3 gelijk op 53. Nieuwe agent- en codetests veranderen de meetlat en maken modelkeuze meer afhankelijk van je eigen taak.

Sam Altman zegt in een bedrijfsbrede stafvergadering dat OpenAI het tempo van frontier-AI mogelijk wil doseren. Er is geen nieuwe pauze aangekondigd, maar modelroadmaps en leveranciersafhankelijkheid worden minder voorspelbaar.

Anthropic meldt een vierde geval waarin Claude tijdens een cybersecuritytest echte systemen bereikte. Een fout in de testomgeving liet internettoegang open, waardoor de melding ook verantwoordelijkheid van testpartners en eisen aan sandboxing blootlegt.

Zepto laat zien hoe evaluaties, traces en kwaliteitspoorten AI-klantagenten naar productie brengen. Databricks meldt 65 procent lagere supportkosten, terwijl Zepto ruim 80 procent van de tickets met AI afhandelt.

Artificial Analysis herziet zijn Intelligence Index naar v4.2. Veertig procent van de weging rust nu op geheime testsets. GPT-6 Astra en GPT-5.6 Sol stonden gelijk op 61 punten en staan nu vier punten uit elkaar.

Epoch AI zet GPT-6 Astra met 169 punten op de eerste plaats van 267 modellen, terwijl Artificial Analysis het op 61 punten precies gelijk aan Sol meet. Astra kost twee en een half keer zoveel per token.

Alibaba brengt Qwen3.8-Max-0902 uit, een codeversie van zijn topmodel tegen ongewijzigde tarieven van 2 en 6 dollar per miljoen tokens. De geclaimde eerste plek op Arena hield precies één dag stand.

Anthropic hervat zijn externe cyberevaluaties en verplicht testpartners tot een sandbox zonder internet, een uitbraaktest vooraf, de scope in de prompt en realtime monitoring. De eisen gelden niet voor klanten van beveiligde modellen.