Prime Intellect lancerer verifiers 0.2.0 med en ny v1-kerne, der splitter miljøet for agentiske RL-workloads i taskset, harness og runtime. En central interception-server styrer proxy og tracing og kan omskrive tool-svar for at dæmpe reward-hacking. Det kan ændre, hvordan virksomheder evaluerer og træner agenter i skala — men rejser også praktiske spørgsmål om latency, governance og omkostninger.

VB Pulse-undersøgelsen fra juni 2026 peger på et voksende evaluation gap: Halvdelen har haft kundevendte fejl fra AI‑agenter, som bestod interne tests. En ud af fire oplevede det igen. 66 procent bevæger sig mod produktion uden menneskelig review, mens kun 5 procent stoler fuldt på automatiserede evalueringer. Ingen panik—bare solidt ingeniørarbejde: skarpere evalueringer, stærkere kontrollag og tæt overvågning i drift.

En ny guide på Towards AI giver en sjældent praktisk opskrift på at gøre et recommender-system produktionsklart: ranking fremfor simpel klassifikation, totrins-arkitektur med hurtig retrieval og tungere ranking, samt et stramt latency-budget omkring 200 ms med konkrete driftsgreb som kvantisering, caching og shadow mode. Der er substans her—og nogle huller, der kræver efterprøvning.

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.

AWS introducerer AgentOps som ramme for at få agentiske AI‑systemer stabilt i drift. AgentCore er referenceværktøjet i blogindlægget fra AWS, men arbejdet ligger hos jer: governance, telemetri, versionering og løbende evaluering. For danske teams betyder det nye processer, nye roller og skarpere CI/CD. Vi har set omkostninger løbe løbsk uden klare guardrails, og det kan undgås med disciplin og gode målepunkter.

MIT og S&P peger på, at AI‑projekter kollapser, når de rammer drift. Vores læsning af VentureBeat og en frisk Tencent‑case viser, at årsagen ofte er usynlig AI‑gæld—især i prompts, retrieval og evaluering—som ikke kan fanges af klassisk QA. Få styr på versionering, datakvalitet og løbende monitorering nu, ikke til næste år.

En ny, praktisk tutorial viser trin for trin, hvordan Langfuse kan sættes op som en fuld pipeline til tracing, promptstyring, scoring, datasæt og eksperimenter. Workflowet kan køre både live med OpenAI-nøgle og offline med en deterministisk mock-LLM. Vi har prøvet grebene af og vurderer, hvad det betyder i den virkelige drift, hvor faldgruberne er, og hvornår det giver reel værdi.

ByteDance præsenterer Lance, en fælles multimodal model trænet fra bunden til forståelse, generering og redigering på tværs af både billeder og video. Arkitekturen samler en delt kontekstsekvens med to specialiserede ekspertveje og kan skære integration ned – men løfter kravene til drift, evaluering og governance.

VentureBeat peger på en overset enterprise‑risiko: AI fjerner de indgangsroller, der danner fremtidens domæneeksperter. Vi vurderer, at virksomheder risikerer en feedback‑krise, hvor modellerne bliver bedre på papiret, men uden mennesker, der kan kalibrere, fange fejl og holde standarder i live.

LangChain lancerer LangSmith Engine i public beta. Værktøjet opdager fejl i produktion, diagnosticerer mod live-koden, klargør pull requests og foreslår evaluators med menneskelig godkendelse som sidste trin. Det kan korte fejlløkken markant, men multi‑model virksomheder har fortsat brug for et neutralt observability- og evalueringslag for at undgå lock‑in og bevare styringen på tværs af modeludbydere.