Vibekollen Nytt

AI-nyheter för nyfikna och byggare.

Modeller, verktyg och händelser som formar AI-världen. Hitta nyheter, video och poddar – och följ vad som händer på Vibekollen.

Följ via RSS

Sök och filtrera

Urval Senaste

1 451 nyheter

Alla nyheter i tidsordning. Använd filtren för att hitta ditt ämne, din podd eller ditt verktyg.

13 augusti 2026

BloggGoogle DeepMind

Introducing Gemini 3.7 Flash

Google DeepMind presenterar Gemini 3.7 Flash, en uppdaterad AI-modell som är särskilt utformad för kodning och automatiserade agenter. Modellen visar betydande förbättringar jämfört med den tidigare versionen 3.6 Flash — bland annat når den 43,6 procent rätt på första försöket vid kodgenering (mot tidigare 34,4 procent) och presterar bättre inom webbutveckling, juridik och finans. Priset är halverat jämfört med 3.6 Flash, och modellen är redan tillgänglig via Google Gemini Spark och utvecklarplattformar.

13 aug. deepmind.google

VideoNate Herk

Codex's Browser Agent Automates Literally Anything

Nate Herk visar hur Codex Browser Agent kan automatisera webuppgifter utan att du behöver skriva kod. Verktyget kan navigera webbsidor, logga in på konton, testa appar och kontrollera skrivbordsprogram. I videon demonstrerar han praktiska exempel som att automatisera testning av appar, ladda ner finansiella rapporter, söka på X (tidigare Twitter) och skriva färdiga artikelutkast. Han förklarar även när det är bättre att använda ett API, en makro eller en AI-agent beroende på vad du vill göra.

13 aug. youtube.com

BloggOpenAI

The builder’s guide to GPT‑5.6

Learn how startups use GPT-5.6 to build faster, more cost-efficient AI agents with smarter model selection and new Responses API capabilities.

13 aug. openai.com

BloggOpenAI

Previewing Ultrafast mode: GPT-5.6 Sol at up to 14X the speed

OpenAI lanserar en ny tjänst kallad Ultrafast som kör deras modell GPT-5.6 Sol upp till 14 gånger snabbare än normalt. Tjänsten drivs av Cerebras-teknik och kan producera upp till 750 utgångstokens per sekund — tokens är små textbitar som modellen genererar. Det är en preview, alltså en testversion som OpenAI visar innan full lansering.

13 aug. openai.com

BloggOpenAI

OpenAI appoints Dali Rajic as Chief Revenue Officer

OpenAI har utsett Dali Rajic till Chief Revenue Officer, en roll som innebär att leda OpenAIs globala försäljnings- och intäktsorganisation. Rajic ska hjälpa företag att få maximalt värde av sina AI-investeringar.

13 aug. openai.com

Claude Code släppte en ny version (v2.1.231)13 aug.

BloggHugging Face

What We Learned by Reproducing 2,200 papers from ICML

Hugging Face körde en stor hackathon under sommaren 2026 där communityn försökte återskapa resultaten från 2 226 av ICML-konferensens 6 352 accepterade papers — totalt 34 procent av konferensen. Med hjälp av AI-agenter (som Claude Code och andra) checkade deltagarna 35 908 påståenden från dessa papers. Resultatet var blandat: 51 procent av papers hade minst ett påstående som verifierades, men 23 procent hade minst ett påstående som motbevisades eller ifrågasattes. Det visar att vetenskaplig reproducerbarhet är mer komplicerat än bara sant eller falskt — flera oberoende team kom ofta fram till motsatta slutsatser om samma påståenden.

13 aug. huggingface.co

Ollama släppte en ny version (v0.32.10)13 aug.

12 augusti 2026

Claude Code släppte en ny version (v2.1.229)12 aug.

VideoAI Engineer

Improving Agents is a Data Mining Problem — Vivek Trivedy, LangChain

Vivek Trivedy från LangChain argumenterar att att förbättra AI-agenter handlar om att analysera spårdata — det vill säga de loggade steg och beslut som agenten tar när den arbetar. I stället för att gissa varför en agent blir sämre efter uppdateringar kan man låta andra AI-modeller läsa igenom dessa spår och identifiera problem. Trivedy menar att observerbarhet och kontinuerlig inlärning är samma problem sett ur olika vinklar. Han visar att billigare, öppna modeller kan nå samma kvalitet som dyrare toppmodeller om man är smart med hur man formulerar instruktionerna — och att det lönar sig att ändra instruktioner tills det går långsamt, sedan finjustera modellen för att komma vidare, sedan tillbaka till instruktioner igen.

12 aug. youtube.com

VideoAI Engineer

Designing Agents (The Floor Is the Frontier) — Ben Hylak, Raindrop

Ben Hylak från Raindrop argumenterar att det nuvarande rådet om att testa AI-agenter är designat för en äldre tid med chatbotar, där man visste vad användare skulle fråga. Istället bör man fokusera på «golvet» — de värsta misstagen som förstör förtroendet, som när en agent rekommenderar en konkurrent eller raderar data — snarare än på alla möjliga problem. Det viktiga är att spåra två siffror för varje fel: när det började och hur många användare det drabbar. Hylak delar tre lärdomar från Raindrop: klassificering av agentspår är inte samma sak som feldetektering, automatisk kodbaserad testning skalbar väl, och agenter är bättre på att undersöka anomalier än att hitta dem själva.

12 aug. youtube.com

VideoAI Engineer

Bringing Continual Learning into Enterprises — Samuel Denton, Applied Compute

Applied Compute använder en teknik som kallas kontinuerligt lärande för att förbättra AI-modeller direkt i företags-produktionen. I ett exempel fick de en Qwen-modell att slutföra uppgifter på SWE bench dubbelt så snabbt (från 80 ned till 40 steg) genom att visa modellen hur den bör agera baserat på hur den redan beter sig — istället för att tvinga den mot ett "rätt svar". Deras approach fungerar i två lägen: antingen med gamla sparade data från produktion (snabb att börja men begränsad förbättring), eller med live-feedback från varje ny körning (långsammare att sätta upp men ger mycket bättre resultat). I ett verkligt exempel lyckades de få en modell att formatera hyperländar rätt i 80 procent av fallen genom att ge smarta tips efter varje försök — något som både belöningar och vanlig träning misslyckades med.

12 aug. youtube.com

VideoAI Engineer

Adaption Labs: Gradient-Free Continual Learning — Sara Hooker, Adaption

Sara Hooker från Adaption Labs argumenterar att AI-utveckling står inför en revolution. I dag kontrollerar en handfull företag och forskningsinstitut hur stora AI-modeller tränas — färre än 5 000 personer världen över vet hur man gör det. Hooker presenterar AutoScientist, ett verktyg som automatiserar själva träningsprocessen och hittar bättre lösningar än människor genom att testa olika designval istället för att förlita sig på tidigare erfarenhet. Hon hävdar också att den era då större modeller alltid är bättre börjar ta slut, vilket skulle göra det möjligt för fler att bygga kraftfulla AI-system — eftersom mindre, smarta modeller kan distribueras utan att kräva enorma GPU-resurser samlade på ett ställe.

12 aug. youtube.com

BloggHugging Face

Introducing OlmoEarth embeddings: Custom embedding exports from OlmoEarth Studio for downstream analysis

Hugging Face presenterar OlmoEarth Studio, ett verktyg som låter användare beräkna och exportera inbäddningsvektorer — kompakta numeriska representationer av satellitdata från jorden. Användaren väljer sitt område, tidsperiod och andra inställningar via ett webbgränssnitt eller API, och får tillbaka en fil som kan användas för olika uppgifter. Dessa inbäddningar kan användas för att hitta likartade platser, göra enkla klassificeringar av landtyp från få märkta exempel, eller spåra förändringar över tid. Alla modeller och källkod är öppen, så vem som helst kan se hur inbäddningarna skapas.

12 aug. huggingface.co

VideoAI Engineer

Intelligence + Continual Learning = Expertise — Yu Su, NeoCognition

Yu Su från NeoCognition skiljer på två saker som ofta blandas ihop: intelligens och expertis. Intelligens är förmågan att resonera genom nya problem — något som moderna AI-modeller blir allt bättre på. Expertis är kunskaper man byggt upp över tid genom erfarenhet, något som nästan ingen skalas idag. Han förklarar varför kodningsagenter fungerar bra medan andra verktyg är skört: kod är redan strukturerat och symboliskt med tester som feedback, men resten av digitalt arbete är miljontals små världar med olika regler som en statisk modell inte kan hantera. Su argumenterar att intelligens och expertis är nästan ortogonala — skala bara intelligens och du får världens smartaste nybörjare som är lysande men lär sig ingenting mellan problem.

12 aug. youtube.com

VideoNate Herk

3 Secret Ways Claude Code’s Creator Actually Uses It

Nate Herk diskuterar hur Claude Code fungerar sämre med nyare modeller när gamla instruktioner står i vägen. Han visar exempel från Anthropic där 80 procent av instruktionerna togs bort, och förklarar tre ändringar han gör själv: förenkla gamla instruktioner, ge prompter på högre nivå istället för detaljstyrning, och låta agenten själv verifiera sitt arbete. Poängen är inte att ta bort allt utan att behålla det Claude behöver för att fungera bra.

12 aug. youtube.com

VideoAI Engineer

Scaling Compute on Context — Jack Morris, Engram

Jack Morris från Engram förklarar varför det är svårt att få AI-modeller att förstå privat företagsdata. Modeller tränas på offentlig data från internet och blir mycket bra där, men när du försöker lära dem din egen data blir de ofta värdelösa när de ska generera resultat. Han beskriver tre klassiska vägar att förbättra detta — mer data, mer beräkningskraft och större modeller — men säger att när det gäller privat data är bara beräkningskraft ett alternativ. Han går igenom olika tekniker som KV-kompression och syntetisk träningsdata, men visar att de alla stannar upp när modellen har lärt sig allt du givit den, och det finns inget magiskt sätt att fortsätta förbättra med mer beräkningskraft.

12 aug. youtube.com

VideoAI Engineer

Scaling up Continual Learning — Ronak Malde, Trajectory

Ronak Malde från Trajectory presenterar self-distillation, en metod för att träna AI-modeller på långvariga uppgifter med många steg. Problemet han löser är att när modeller tränas på långa sekvenser med befintliga metoder, blir de osäkra och fyller sitt svar med ord som "men", "vänta" och "kanske" — vad han kallar "but wait-problemet". Self-distillation fungerar genom att göra modellen till sin egen lärare: man ger en version av modellen extra information ("hints") och tränar en annan version att matcha dess beslut utan dessa hints. Till skillnad från andra träningsmetoder som måste välja mellan olika fördelar, säger Malde att self-distillation får alla fyra önskade egenskaper: att träna på verklig data, att kunna sampla olika vägar, att göra det effektivt utan parallella körningar, och att ge belöning för varje enskild token.

12 aug. youtube.com

BloggGoogle DeepMind

Putting sign language AI into users’ hands

Google DeepMind har utvecklat SL2T, en AI-modell som översätter teckenspråk till text. Modellen är tränad på över 100 000 timmar data från mer än 50 teckenspråk och fungerar nu i Gboard och Live Transcribe på Pixel 11-telefoner, med start för amerikansk teckenspråk (ASL). Till skillnad från tidigare försök förstår SL2T teckenspråk som helt egna språk med egen grammatik, inte bara engelska på händerna. Systemet spårar kroppens rörelser genom en on-device-modell och skickar bara koordinater till servern för att skydda användarnas integritet.

12 aug. deepmind.google

Vibekollen Nytt

Hämtar senaste nytt…