De vijf koppen van vandaag
- Apple spant rechtszaak aan tegen OpenAI wegens diefstal bedrijfsgeheimen
- ChatGPT plakt ‘AI-stempel’ op echte foto’s — fotografen slaan alarm
- GPT-5.6 blijft onder verwachting, maar verbruikt wel meer rekenkracht
- LinkedIn-feed overspoeld met synthetisch AI-content, onderzoek wijst uit
- Onderzoekers bouwen ‘proactieve agent’ die informatie pusht vóór je vraagt
Het nieuws van vandaag
Apple beschuldigt OpenAI van gerichte spionage
Twee ex-Apple-ingenieurs zouden vertrouwelijke informatie over iPhone-onderdelen naar sollicitatiegesprekken hebben meegenomen.
Apple heeft OpenAI gedagvaard wegens het stelen van bedrijfsgeheimen. Volgens Apple instrueerde Tang Tan, nu hardware-baas bij OpenAI, nieuwe medewerkers hoe ze de beveiligingsprotocollen van Apple konden omzeilen.
Twee voormalige Apple-ingenieurs staan centraal in de zaak. De een werkte aan het ontwerp van iPhones en Apple Watches. De ander deed elektrotechnisch werk aan projecten die Apple niet bij naam noemt. Zij zouden fysieke onderdelen en technische specificaties naar OpenAI hebben gebracht.
De timing maakt de zaak extra gevoelig. Nog geen jaar geleden kondigden Apple en OpenAI een samenwerking aan. ChatGPT werd geïntegreerd in iOS. Nu stelt Apple dat diezelfde partner systematisch probeerde inzicht te krijgen in hardware die Apple nog niet heeft uitgebracht.
OpenAI ontkent de beschuldigingen. Het bedrijf zegt geen interesse te hebben in de bedrijfsgeheimen van anderen. De zaak dient in Californië. Een datum is nog niet bekend.
ChatGPT stempelt échte foto’s af als AI-creaties
SynthID-watermerking produceert vals-positieven; fotografen klagen over reputatieschade.
ChatGPT plaatst sinds kort een waarschuwing op foto’s die het systeem herkent als AI-gegenereerd. Het probleem: de technologie maakt regelmatig fouten. Echte fotografen zien hun werk gemarkeerd met de melding ‘created with AI’. Dat leidt tot problemen met opdrachtgevers en beschuldigingen van fraude op sociale media.
De foutieve detecties komen door SynthID, een watermerk-technologie van Google DeepMind. OpenAI bouwde die technologie onlangs in. Een watermerk is een onzichtbaar digitaal stempel dat aangeeft of een afbeelding door AI is gemaakt. Maar SynthID ziet blijkbaar ook watermerken waar die niet zijn.
Andere AI-tools zoals Gemini geven bij twijfel aan dat ze ‘niet kunnen bevestigen’ of iets door AI is gemaakt. OpenAI kiest voor stellige taal, zonder nuance of voorbehoud. Op het OpenAI-forum stapelen de klachten zich op. Eén gebruiker noemt de definitieve formulering ‘roekeloos’. Die leidt volgens hem tot ‘online intimidatie van échte fotografen’. OpenAI heeft nog niet gereageerd op verzoeken om de detectie bij te stellen of onzekerheden zichtbaar te maken.
GPT-5.6 levert minder vooruitgang dan gehoopt
OpenAI’s nieuwste model verbruikt meer rekenkracht, maar de sprong in capaciteit blijft achter bij eerdere stappen.
OpenAI heeft GPT-5.6 uitgebracht, de nieuwste versie in de GPT-5-reeks. De verwachtingen waren hoog. Vorig jaar sprak CEO Sam Altman nog over een ‘nieuwe generatie intelligentie’. Het resultaat valt tegen. Het model scoort weliswaar beter op standaardtests, maar mist de grote kwaliteitssprong die de stap van GPT-3 naar GPT-4 kenmerkte.
Het model vraagt aanzienlijk meer rekenkracht dan GPT-4. Dat drijft de kosten voor ontwikkelaars op. OpenAI zegt dat GPT-5.6 vooral beter is in het verwerken van lange teksten en het doordenken van meertrapsredeneringen. Concrete voorbeelden waarin dit verschil praktisch merkbaar is, blijven echter schaars. Verschillende bedrijven die vroeg toegang kregen, melden dat de meerwaarde vooralsnog vooral theoretisch is.
Op techplatforms als Hacker News en Bluesky reageert men cynisch. Techcommentator Ed Zitron schrijft: ‘AI 2027 is nu AI 2040 geworden.’
via OpenAI
LinkedIn-feed vol AI-content, blijkt uit analyse
Pangram onderzocht duizenden posts en zag systematische patronen die wijzen op synthetische tekst.
LinkedIn staat vol met berichten die waarschijnlijk door AI zijn geschreven. Dat concludeert contentplatform Pangram na analyse van duizenden posts. De onderzoekers zochten naar patronen in zinsstructuur, woordkeuze en opbouw. Dit zijn kenmerken die typisch zijn voor tekst die door een AI-taalmodel is gegenereerd. Ze vonden ze overal: in motiverende quotes, in threads over ‘geleerde lessen’, in bedrijfsupdates.
Het gaat niet om spam of bots. Het zijn professionals die ChatGPT of vergelijkbare tools gebruiken om sneller en vaker te posten. LinkedIn verbiedt dit niet, zolang het account van een echte persoon is. Het effect is wel merkbaar: de feed voelt steeds meer als een gestileerde monocultuur. Gladde taal, voorspelbare opbouw, weinig persoonlijke stem.
Pangram spreekt van een ‘systemic shift’. Niet één bedrijf dat massaal post, maar duizenden individuen die dezelfde schrijfassistent gebruiken.
via Pangram
Onderzoekers bouwen agent die informatie pusht vóórdat je vraagt
‘Context Graphs’ volgen veranderingen in bedrijfsdata en sturen proactief meldingen, zonder menselijke prompt.
De meeste AI-assistenten werken reactief: je stelt een vraag, je krijgt een antwoord. Onderzoekers presenteren nu een systeem dat informatie naar voren schuift vóórdat iemand erom vraagt. Het hart is een ‘Context Graph’: een actuele kaart van mensen, projecten, documenten en hun onderlinge verbanden binnen een organisatie.
Wanneer er iets verandert — een deadline verschuift, een contract wordt getekend, een nieuw risico duikt op — berekent het systeem hoe urgent en relevant die informatie is voor specifieke gebruikers. Een taalmodel vertaalt dat vervolgens naar een notificatie met bronverwijzing.
De onderzoekers hebben het systeem getest op gesimuleerde bedrijfsscenario’s. De volledige Python-code staat in de paper. Of medewerkers zitten te wachten op nóg een systeem dat ongevraagd informatie pusht, blijft de vraag.
via arXiv
Voor wie zelf met AI bouwt
Infinity-Parser2: annotaties voor 5 miljoen lange documenten
Open-source corpus met bounding boxes, Markdown, LaTeX, SMILES en full-page leesrichting — bedoeld voor document-parsing.
De meeste documentparsers trainen op kleine, handmatig gelabelde sets. Infinity-Parser2 schakelt dat knelpunt uit door een synthetische pipeline te bouwen die 5 miljoen samples genereert, in het Chinees en Engels. Elk document krijgt element-bounding boxes, gestructureerde output (Markdown, HTML, LaTeX, SMILES voor chemische formules, gestructureerde grafieken) en expliciete leesrichting.
Het team koppelt dit aan multi-task reinforcement learning over acht taken tegelijk: algemene documentparsing, layout-analyse, tabellen, formules, grafieken, chemische structuren, dense OCR en leesrichting. De dataset is open-source; de code en het getrainde model ook. Nuttig als je eigen documentworkflows wilt benchmarken of als startpunt voor domeinspecifieke parsers.
Aanbeveling: Bekijk de dataset als je met gestructureerde extractie uit PDF’s of scans werkt — de schaal maakt het interessant voor transfer learning.
via arXiv
Distillatie van 8B reasoning-model naar 0.6B on-device versie
Qwen3-0.6B getraind met QLoRA op output van DeepSeek-R1:8B; evalueert summarization en classificatie per subtaak.
Een team distilleerde een 8 miljard parameter reasoning-model (DeepSeek-R1:8b) naar een 0.6 miljard parameter student (Qwen3-0.6B) met QLoRA, over drie seeds. Taak: nieuwsartikelen omzetten naar JSON met een samenvatting en vijf categorische labels. De student draait in 0.8 seconde per artikel, de teacher in 39 seconden. Drie menselijke beoordelaars (blind, reference-free) scoorden elke arm tegen het volledige artikel.
Resultaat: de student haalt 58% van de base-to-teacher gap terug op samenvatting, en presteert +16.8 punten beter dan constrained decoding (de primary baseline). De paper meet ook twee controle-leraren: een non-reasoning model van dezelfde grootte en een grotere managed pipeline. Relevant als je high-volume structured extraction op edge-devices wilt draaien en wilt weten wat distillatie per subtaak oplevert.
Aanbeveling: Nuttig referentiepunt als je on-device extractie overweegt en wilt weten welke trade-offs redelijk zijn bij welke taakopbouw.
via arXiv
VLM-quantization: component-wise analyse voor edge-deployment
Systematische test van zes quantization-strategieën op Jetson Orin NX en AGX; vision encoder, projector en LLM apart geëvalueerd.
Vision-language models onder de 3 miljard parameters zijn klein genoeg voor edge-devices, maar de vraag is welke quantization-strategie per component het meest oplevert. Dit paper test zes configuraties op Jetson Orin NX en AGX, en scheidt daarbij expliciet de vision encoder, de projector en het large language model-backend.
De hypothese: niet elk onderdeel profiteert evenveel van dezelfde quantization-aanpak. De auteurs valideren dit empirisch en leveren een decision framework voor deployers. De paper bevat latency- en accuracy-metingen per configuratie, hardware-specifiek. Handig als je VLM’s op embedded systemen wilt draaien en niet wilt gissen welke compressie waar het meeste oplevert.
Aanbeveling: Lees als je VLM-deployment op Jetson of vergelijkbare edge-hardware plant — de component-by-component breakdown scheelt trial-and-error.
via arXiv
NOS · OpenAI Forum · OpenAI · Pangram · arXiv (Context Graphs) · arXiv (Infinity-Parser2) · arXiv (Distillation) · arXiv (VLM Quantization)
Transparantie: het maken van deze editie kostte ±€0,29 aan AI-modelgebruik (7-daags gemiddelde per editie; selectie, schrijven, verrijking en eindredactie meegeteld).