Current AI wil open infrastructuur bouwen voor de wereld

De non-profit Current AI heeft 400 miljoen dollar aan toegezegde financiering binnengehaald en wil een open alternatief bouwen voor de gesloten AI-platformen van grote techbedrijven. Denk aan het idee van het World Wide Web, maar dan voor AI: infrastructuur die iedereen kan gebruiken, aanpassen en controleren zonder licentiekosten of leverancierslock-in.

Current AI financiert nu al offline tools voor inheemse gemeenschappen, datasets in meer dan 50 Afrikaanse talen en een pocket-apparaat dat 22 Indiase talen ondersteunt zonder internetverbinding.

Voor organisaties die afhankelijk zijn van één groot AI-platform is dit een signaal om naar open alternatieven te kijken. De afhankelijkheid van een handvol aanbieders brengt risico's mee op het gebied van prijs, dataprivacy en continuïteit.

Open infrastructuur betekent ook open verantwoordelijkheid: wie beheert de kwaliteit, de veiligheid en de updates als er geen commerciële partij achter staat?

techcrunch

Alibaba's Qwen3.8 treedt aan als nieuw Chinees frontiermodel

Alibaba heeft zijn volgende frontiermodel, Qwen3.8, in live preview gezet. Het bedrijf claimt dat het model presteert op het niveau van de beste modellen van OpenAI en Anthropic, en slechts één stap achterloopt op Anthropic's Fable 5.

Dit volgt direct op de lancering van Kimi K3 van Moonshot AI, dat al genoeg gebruikers trok om tijdelijk nieuwe abonnementen te pauzeren. Dat twee Chinese labs in korte tijd frontiermodellen uitbrengen, laat zien dat de concurrentiedruk vanuit China snel oploopt.

Voor teams die nu modellen evalueren is dit relevant: Qwen3.8 is beschikbaar via Qwen Cloud en biedt een mogelijk goedkoper alternatief voor westerse frontiermodellen. Let wel: de prestatieclaims van het lab zelf zijn nog niet onafhankelijk geverifieerd.

Bekijk de prijspagina van Qwen Cloud om te zien of de kosten passen bij jouw gebruiksscenario.

qwencloud

Baidu's 3B OCR-model leest 100 pagina's PDF in één keer

Baidu heeft een open-source OCR-model van slechts 3 miljard parameters uitgebracht dat PDF-documenten van 100 pagina's in één doorgang verwerkt. Dat is klein genoeg om lokaal te draaien, ook op bescheiden hardware.

Voor organisaties die grote volumes documenten verwerken, zoals contracten, facturen of rapporten, is dit een interessant alternatief voor OCR-diensten in de cloud. Lokaal draaien betekent dat er geen data de organisatie verlaat.

De vraag is hoe goed het model omgaat met complexe lay-outs, handgeschreven tekst of niet-Latijnse schriften. Dat vraagt om eigen tests met jouw specifieke documenttypen.

Download het model via Hugging Face of de Baidu-repositorylink en test het op een batch van 20 tot 30 representatieve interne documenten om te zien of de nauwkeurigheid volstaat.

Kimi K3 versus Fable: één is 3,4 keer sneller, de ander 2,3 keer goedkoper

Cline heeft Kimi K3 en Fable rechtstreeks vergeleken op een echte bugfix-taak. De uitkomst: één model is 3,4 keer sneller, het andere 2,3 keer goedkoper. Welk model je kiest, hangt dus af van wat je wilt optimaliseren.

Dit soort concrete benchmarks op echte taken zijn waardevoller dan de gangbare leaderboards, die vaak op geoptimaliseerde prompts draaien. Een bugfix vormt een realistische proxy voor code-assistentietaken.

Voor teams die Kimi K3 al hebben getest na de nieuwsbrief van 18 juli is dit de volgende stap: vergelijk nu ook de kostenstructuur en latency voor je meest gebruikte taken. De goedkoopste optie is niet altijd de juiste als snelheid de bottleneck vormt in je workflow.

Filler tokens blijken echte redeneerruimte te bevatten

Onderzoekers hebben ontdekt dat grote taalmodellen daadwerkelijk redeneren in zogenoemde filler tokens, tekens die normaal onzichtbaar zijn in de output van een model. Door puntjes toe te voegen aan een LLM-prompt activeer je verborgen redeneerprocessen die je vervolgens kunt uitlezen.

Dit is relevant voor iedereen die werkt met chain-of-thought prompting of modelinterpretatie. Het suggereert dat modellen meer interne structuur hebben dan tot nu toe zichtbaar was, en dat je die structuur deels kunt activeren via promptontwerp.

Een praktische kanttekening: dit is een onderzoeksresultaat, geen productfeature. Reproduceer het eerst in je eigen context voordat je het inbouwt in een productiesysteem.

Probeer het zelf: voeg een reeks puntjes toe aan het einde van een complexe redeneerprompt en vergelijk de kwaliteit van de output met en zonder die toevoeging.