LLM-artikelen

Het nieuwe open-weight vlaggenschip van Moonshot gaat de strijd aan met Claude Opus 5.5 op agentisch coderen, kost minder dan Kimi K3 en wordt geleverd met opzettelijk bijgeschaafde cybervaardigheden.

Leer wat embodied AI is, hoe het verschilt van LLM’s, hoe de waarneming-redeneren-actie-loop werkt en waarom sim-to-real-training belangrijk is voor data scientists.

Beam van Reflection AI evenaart GLM 5.2 op redeneren met 3–4x minder compute, maar blijft achter Kimi K3 op agentisch coderen. Zo presteert het open-weights-model.

Leer wat tabular foundation models zijn, hoe in-context learning werkt en wanneer TabPFN of TabICL XGBoost verslaat op gestructureerde data, met een besliskader.

Aleph Alpha heeft Kolibri 1 uitgebracht, een 78B mixture-of-experts-model met 3,46B actieve parameters, Apache 2.0-gewichten en een contextvenster van 1M tokens, vanaf nul getraind in Duitsland.

Begrijp de ontwerpfilosofieën, benchmarkprestaties en praktische sterktes van Anthropics Claude en Googles Gemini om de juiste AI-assistent voor jouw behoeften te kiezen.

Leer over AI-contextvensters. Begrijp hoe tokenlimieten werken, waarom attentiekosten schalen en hoe je geheugenbeperkingen omzeilt met RAG.

Lees meer over OpenAI’s nieuwe Deep Research-tool, die diepgaand, meerstaps onderzoek kan uitvoeren.

Verken DeepSeek’s mHC-architectuur. Leer hoe Manifold-Constrained Hyper-Connections trainingsinstabiliteit oplossen en geheugenbandbreedte optimaliseren voor het opschalen van LLM’s.

Leer over de belangrijkste functies van DeepSeek-R1, het ontwikkelingsproces, gedistilleerde modellen, hoe je er toegang toe krijgt, de prijs, en hoe het zich verhoudt tot OpenAI o1.

Ik testte de mogelijkheden van het nieuwe DeepSeek-R1-Lite-Preview (DeepThink)-model met een reeks wiskunde-, codeer- en logische taken.

Leer de verschillen tussen DeepSeek-R1 en DeepSeek-V3 om het juiste model voor jouw behoeften te kiezen.