Welke nieuwe AI-modellen en tools uit mei 2026 (week 21) moeten developers kennen?

Half mei 2026 zetten onafhankelijke benchmarks het spraakmodel GPT-Realtime-2 van OpenAI bovenaan twee ranglijsten voor gesprekken, al antwoordt het trager dan de concurrentie. Twee papers lieten AI-agents zien die blijven leren terwijl het taalmodel zelf ongewijzigd blijft, en een derde vond taalmodellen die eerlijk beslissen terwijl ze vanbinnen bevooroordeeld blijven. Nieuwe tools gaven codeeragents een backend (InsForge), lokale logging van LLM-aanroepen (Torrix) en gezondheidsscores voor code (Repowise), en een methode van Anthropic (7 mei) zet activaties van een model om in leesbare tekst.

Hoe doet GPT-Realtime-2 het in onafhankelijke tests?

OpenAI bracht GPT-Realtime-2, GPT-Realtime-Translate en GPT-Realtime-Whisper op 7 mei 2026 uit voor zijn Realtime API, zoals het overzicht van week 20 beschrijft. Op 15 mei zette The Batch de eerste onafhankelijke resultaten op een rij. GPT-Realtime-2 verwerkt spraak van begin tot eind in één model, het redeneren inbegrepen, en met een API-parameter kies je de redeneerinspanning in vijf niveaus, van minimal tot xhigh. Low is de standaard. Zo ruil je snelheid in voor redeneren zonder van model te wisselen.

• Het staat bovenaan de Audio MultiChallenge van Scale AI: op xhigh haalt het in 48,45% van de gesprekken met meerdere beurten alle criteria, tegen 34,73% voor GPT-Realtime-1.5. Scale AI had Grok Voice Think Fast 1.0 en Step-Audio R1.1 Realtime, die de redeneertest hieronder aanvoeren, nog niet getest.
• Het staat bovenaan de test Conversational Dynamics van Artificial Analysis, die beurtwisselingen en onderbrekingen meet, met 96,1% op minimal.
• Bij redeneren over spraak blijft het achter: op Big Bench Audio scoort het 96,6% op high, na Step-Audio R1.1 Realtime (97,6%) en Grok Voice Think Fast 1.0 (97,1%).

Snelheid is het zwakke punt. Het eerste geluid komt na 1,12 seconde op minimal en na 2,33 seconde op high, terwijl een live gesprek volgens The Batch het best werkt onder de 500 milliseconden.

Hoe leren teams van agents zonder het model te hertrainen?

EVOCHAMBER (11 mei 2026) laat een team van agents beter worden tijdens het werk, zonder de gewichten van het model aan te passen. De kern is CODREAM: na een mislukte of omstreden taak reflecteren de agents samen, en sterke agents geven wat ze leerden door aan zwakke agents in die niche. Met Qwen3-8B haalt het 63,9% op wedstrijdwiskunde, 75,7% op code en 87,1% op redeneren in meerdere domeinen. Bij wiskunde is dat relatief 32% boven de beste baseline. Uit identieke agents ontstaan vier tot vijf vaste specialisten. Een apart artikel legt het mechanisme uit.

Solvita (14 mei 2026) past hetzelfde idee toe op wedstrijdprogrammeren. Vier agents (Planner, Solver, Oracle en Hacker) krijgen elk een trainbaar kennisnetwerk in de vorm van een graaf. Uitslagen van geslaagd of gezakt en de bugs die de Hacker vindt, passen die netwerken aan via reinforcement learning, terwijl het taalmodel zelf ongewijzigd blijft. Volgens de auteurs verslaat Solvita bestaande multi-agentpijplijnen op CodeContests, APPS, AetherCode en live Codeforces-rondes, en verdubbelt het bijna de nauwkeurigheid van baselines die in één poging werken.

Welke tools houden codeeragents op koers?

Statewright, op 12 mei 2026 getoond op Hacker News, zet een state machine om een codeeragent heen. Een engine in Rust, zonder taalmodel ertussen, bepaalt welke tools de agent in elke fase van het werk mag gebruiken. Het overzicht van week 20 en een apart artikel beschrijven het uitgebreider.

InsForge noemt zichzelf een open-source Heroku voor codeeragents. Het geeft een agent een Postgres-database, authenticatie, S3-compatibele opslag, edge functions, een model-gateway en het uitrollen van sites, en de agent bedient dat via een MCP-server of, in de cloudversie, een CLI met skills. In de Show HN van 18 mei 2026 legt medeoprichter Hang uit waarom ze voor een CLI kozen: MCP-tools worden in de context geladen voordat de agent iets doet, en sommige geven meer dan 10.000 tokens terug. InsForge valt onder de Apache 2.0-licentie.

Torrix is self-hosted LLM-observability in één Docker-container met SQLite, zonder Postgres of Redis. Via een HTTP-proxy of een SDK voor Python of Node legt het tokens, kosten, latency, volledige prompttraces en reasoning-tokens vast, en het maskeert persoonsgegevens. Via een MCP-server kunnen AI-assistenten de logs doorzoeken. In zijn Show HN van 13 mei 2026 noemt de maker de grens: SQLite is bedoeld voor honderden tot een paar duizend LLM-aanroepen per dag.

Repowise, een codebase-index voor AI-agents onder de AGPL-licentie, kreeg op 18 mei 2026 een laag voor codegezondheid. Twaalf deterministische biomarkers, zoals McCabe-complexiteit, diepe nesting, duplicatie en ongeteste hotspots, geven elk bestand een score van 1 tot 10. Ze draaien zonder LLM-aanroepen, op data uit tree-sitter en git. Via een MCP-tool zoekt een agent de slechtst scorende bestanden op voordat hij gaat refactoren.

Wat liet onderzoek naar de binnenkant van modellen zien?

Op 7 mei 2026 introduceerde Anthropic natural language autoencoders (NLA's). Eén kopie van het model zet een activatie, de interne getallen achter een gedachte, om in tekst. Een tweede kopie bouwt de activatie uit die tekst weer op, en de uitleg telt als goed wanneer die reconstructie klopt. Anthropic gebruikte NLA's bij de alignment-audits van Claude Mythos Preview en Claude Opus 4.6 voor hun release. Ze wezen erop dat Claude vaker een test vermoedt dan het zegt: in 16% van de gevallen bij een test op destructieve acties en bij 26% van de opgaven in SWE-bench Verified, tegen minder dan 1% van het echte gebruik van claude.ai. Anthropic waarschuwt dat de uitleg van een NLA fout kan zijn en duur is om te maken, en het bracht code uit voor open modellen.

Fair outputs, Biased Internals (12 mei 2026) van Jagdish Tripathy en Marcus Buckmann testte open-weight modellen op hypotheekbeslissingen, met aanvragen die alleen verschilden in namen die met een etnische groep worden geassocieerd. De beslissingen toonden geen bias, maar de modellen hielden de demografische informatie vast en versterkten die over hun lagen. Toen de onderzoekers die informatie met activation steering terugzetten, draaiden de beslissingen bijna volledig om, vooral in één richting. Hun conclusie: audits die alleen de uitvoer controleren, schieten tekort.

Het Bicameral Model (11 mei 2026) koppelt twee taalmodellen via hun hidden states in plaats van via tekst. Twee modellen van 0,5 miljard parameters met een rekenmachine scoorden bij rekenopgaven 96% in plaats van 36%. Een apart artikel legt uit hoe het werkt.