Et nyt Cursor-studie dokumenterer, at moderne kodeagenter ofte henter allerede kendte fixes under evaluering. Når internet og git-historik lukkes, falder scores markant – fx Opus 4.8 Max fra 87,1% til 73,0%. Det ændrer, hvordan leaderboard-resultater bør læses i udviklingsorganisationer.

En 14-siders arXiv-rapport af ni forskere fra Sina Weibo beskriver VibeThinker-3B (~3 milliarder parametre) og rapporterer 94,3 på AIME 2026 — samt 97,1 med en test-time teknik kaldet Claim-Level Reliability Assessment. VentureBeat gengiver tallene, sammenligner med DeepSeek V3.2 og Gemini 3 Pro og dokumenterer både interesse og tydelig skepsis i reaktionerne.

Ny forskning omtalt af VentureBeat peger på, at RAG bliver markant mere præcis, når man indekserer screenshots i stedet for flad tekst. PixelRAG springer HTML→tekst over, bevarer layout og visuelle signaler, slår tekstbaserede baselines på seks benchmarks og rapporterer store token‑besparelser. Prisen betales i storage, kompleksitet og mulig ekstra latency.

Perplexity samler Deep Research i Computer, en model-agnostisk orkestrator, der splitter komplekse spørgsmål op i subtasks, ruter dem på tværs af 20+ frontier-modeller og leverer rapporter, decks og dashboards. Oplysninger og benchmarktal stammer fra MarkTechPost og er ikke uafhængigt verificeret. For virksomheder er det et skridt mod anvendelig AI – og begyndelsen på styring, kvalitet og omkostninger.

MiniMax lancerede 1. juni 2026 M3: et open‑weight LLM med 1M‑token kontekst, nativ multimodalitet og en ny sparse‑attention‑arkitektur. Selskabet og pressen hævder bedre resultater end GPT‑5.5 og Gemini 3.1 Pro på udvalgte benchmarks til 5–20 procent af prisen. Her gennemgår vi, hvad det betyder i praksis for agent‑workflows, kodeautomatisering, omkostninger og governance — og hvor der stadig mangler uafhængig dokumentation.

Marktechposts gennemgang 30. maj 2026 peger på et tydeligt skifte: TTS lyder mere menneskeligt, realtidslatens er for nogle under 100 ms, og følelsesstyring er blevet standard. Det er dokumenteret. Her er, hvad det betyder for danske teams – og hvordan man tester klogt uden at lade sig forføre af ét pænt leaderboardtal.

Klassiske modelmål som perplexity og MMLU siger kun lidt om, hvorvidt en model kan løse virkelige agentopgaver. En ny gennemgang peger i stedet på opgavebaserede benchmarks, men også på et vigtigt forbehold: resultaterne afhænger stærkt af setup, værktøjer og evaluering.

Xiaomi har lanceret MiMo-V2.5-Pro og MiMo-V2.5. Ifølge MarkTechPost er begge modeller tilgængelige med det samme via API, og kildematerialet fremhæver konkrete benchmarkresultater, lange agentiske forløb og en egenskab, Xiaomi kalder harness awareness.

Anthropic har lanceret Claude Opus 4.7 som direkte efterfølger til Opus 4.6. Ifølge den citerede rapportering er der ikke tale om et fuldt generationsskifte, men om en fokuseret opgradering med dokumenterede løft i kodning, længere agentforløb og vision.

Et nyt open source-bibliotek fra Kevin Gu hos thirdlayer.inc får opmærksomhed, fordi det ifølge kildematerialet kan lade en AI omskrive og forbedre sit eget agent-harness hen over natten. Det lyder smart. Det interessante er noget andet: om det kedelige håndarbejde i agentudvikling er ved at flytte fra mennesket til en meta-agent.