Korta dagliga AI-nyheter från flöden.
6 inlägg
OpenAI meddelar att bolaget slutar använda SWE-bench Verified som benchmark för frontier-kodningsmodeller. Anledningen är att de ledande systemen nu löser så stor andel av testuppgifterna att benchmarket inte längre förmår skilja dem åt.
Ett open source-plugin vid namn Relay har släppts för Claude Code under MIT-licens. Pluginet inför ett obligatoriskt fråge- och planeringssteg som hindrar modellen från att hoppa direkt till implementation.
Anthropic har genomfört ett experiment där företaget skapade en kontrollerad testmarknad i form av en klassificerad annonstjänst, där AI-agenter agerade som både köpare och säljare och slöt verkliga avtal om riktiga varor för riktiga pengar.
OpenAI har släppt GPT-5.5 i sitt API med fokus på agentisk kodning, datoranvändning och generella datoruppgifter. Samtidigt bekräftar företaget att det inte kommer att lanseras någon separat GPT-5.5-Codex-modell.
Fyra öppna källkodsprojekt kopplade till Claude Code och AI-agenter hamnade på GitHub Trending och Hacker News under tisdagen, vilket signalerar ett snabbväxande tredjepartsekosystem runt Anthropics utvecklarverktyg.
DeepSeek har släppt en förhandsversion av sin nästa generations flaggskeppsmodell V4 i form av två varianter: DeepSeek-V4-Pro och DeepSeek-V4-Flash. Båda är MIT-licensierade Mixture-of-Experts-modeller med ett kontextfönster på 1 miljon tokens.