Welke nieuwe AI-modellen en tools uit april 2026 (week 15) moeten developers kennen?

Van 6 tot 12 april 2026 kondigde Anthropic Claude Mythos Preview aan, een model dat het via Project Glasswing alleen aan beveiligingspartners geeft (7 april), plus twee functies voor developers: Claude Managed Agents (8 april) en de advisor tool (9 april). Meta bracht het gehoste Muse Spark uit (8 april), zijn eerste model sinds Llama 4. Het open-weight GLM-5.1 van Z.ai (7 april) scoorde in de eigen tabel hoger op SWE-bench Pro dan GPT-5.4 en Claude Opus 4.6. Safetensors verhuisde naar de PyTorch Foundation.

Waarom houdt Anthropic Claude Mythos Preview achter Project Glasswing?

Anthropic kondigde Project Glasswing aan op 7 april 2026. De aanleiding is Claude Mythos Preview, een algemeen model dat volgens Anthropic op een paar topexperts na iedereen overtreft in het vinden en uitbuiten van kwetsbaarheden in software. Volgens Anthropic vond het al duizenden ernstige kwetsbaarheden, waaronder in elk groot besturingssysteem en elke grote webbrowser. Een publieke release komt er niet. Lanceringspartners als AWS, Apple, Google, Microsoft, NVIDIA en de Linux Foundation, plus meer dan 40 andere organisaties die kritieke software onderhouden, krijgen toegang voor verdedigend werk. Anthropic stelt tot 100 miljoen dollar aan gebruikstegoed beschikbaar en doneert 4 miljoen dollar aan open-source beveiligingsorganisaties. Na de preview betalen deelnemers 25 dollar per miljoen inputtokens en 125 dollar per miljoen outputtokens.

In de eigen tabel van Anthropic scoort Mythos Preview 83,1% op CyberGym, een benchmark die test of een model bekende kwetsbaarheden kan reproduceren (Opus 4.6: 66,6%), 77,8% op SWE-bench Pro (53,4%) en 82,0% op Terminal-Bench 2.0 (65,4%). The Batch vergeleek de aanpak met OpenAI, dat GPT-2 in 2019 achterhield, en schreef dat het "elementen van een publiciteitsstunt" heeft. Simon Willison verwachtte dat de voorzichtigheid terecht is. Het artikel over Project Glasswing gaat dieper op het initiatief in.

Wat bracht Meta uit met Muse Spark?

Muse Spark (8 april 2026) is het eerste model van Meta Superintelligence Labs en, zoals Simon Willison opmerkt, de eerste modelrelease van Meta sinds Llama 4 een jaar eerder. Anders dan Llama is het een gehost model zonder open gewichten: je gebruikt het in meta.ai en de Meta AI-app, en de API is een besloten preview voor geselecteerde gebruikers. Bij de lancering bood meta.ai een Instant- en een Thinking-modus. Een Contemplating-modus, waarin meerdere agents tegelijk redeneren, werd geleidelijk uitgerold.

Willison vond tools in de chat van meta.ai, waaronder een Python-code-interpreter in een sandbox en een visual-grounding-tool die voor objecten in een afbeelding punten, kaders of aantallen teruggeeft. Volgens The Batch gaf Artificial Analysis Muse Spark 52 punten op zijn Intelligence Index: vierde, achter Gemini 3.1 Pro en GPT-5.4 (allebei 57) en Claude Opus 4.6 (53). Het gebruikte ongeveer 59 miljoen tokens voor de index, tegen ongeveer 158 miljoen voor Opus 4.6. Meta erkent zelf dat het model achterblijft bij langlopend agentisch werk en programmeren.

Hoe scoort het open-weight model GLM-5.1 op programmeren?

GLM-5.1 van Z.ai (7 april 2026) is een model van 754 miljard parameters onder de MIT-licentie, volgens Simon Willison. Je kunt de open gewichten downloaden en het model zelf draaien. In de eigen tabel van Z.ai scoort het 58,4 op SWE-bench Pro, tegen 57,7 voor GPT-5.4 en 57,3 voor Claude Opus 4.6. Daar horen twee kanttekeningen bij. De eigen tabel van Anthropic geeft Opus 4.6 op dezelfde benchmark 53,4, dus vergelijk scores alleen binnen één tabel. En het niet uitgebrachte Mythos Preview scoort er 77,8.

Wat veranderde er voor Safetensors?

Safetensors, het bestandsformaat van Hugging Face voor modelgewichten, trad op 8 april 2026 toe tot de PyTorch Foundation, als project onder de Linux Foundation naast PyTorch, vLLM, Ray en DeepSpeed. Het formaat slaat tensors op achter een kleine JSON-header en kan bij het laden geen code uitvoeren, wat de oudere formaten op basis van pickle wel konden. Volgens Hugging Face is het de standaard voor het delen van modellen op de Hugging Face Hub. Voor gebruikers verandert er niets. Op de roadmap staan tensors direct op GPU's laden, in tensor-parallel- en pipeline-parallel-opstellingen alleen de gewichten laden die elke GPU nodig heeft, en werk met het PyTorch-team zodat Safetensors als serialisatieformaat binnen PyTorch core kan dienen.

Wat voegde Anthropic toe voor wie agents bouwt?

Claude Managed Agents (8 april 2026, public beta) is een set API's om agents op de infrastructuur van Anthropic te draaien. Jij legt de taken, tools en grenzen van de agent vast. De harness van Anthropic bepaalt wanneer tools worden aangeroepen, beheert de context en herstelt fouten, met code-uitvoering in een sandbox, checkpoints, beheer van inloggegevens, afgebakende rechten en tracing. Sessies kunnen urenlang zelfstandig draaien. De prijs bij de lancering was het normale tokentarief plus 0,08 dollar per sessie-uur actieve looptijd. De kop van Anthropic belooft productie-agents 10 keer sneller, en in interne tests met het genereren van gestructureerde bestanden steeg het taaksucces met tot 10 punten ten opzichte van een gewone promptlus.

De advisor tool (9 april 2026, bèta) koppelt een goedkoper uitvoerend model, Sonnet of Haiku, aan Opus 4.6 als adviseur. Het uitvoerende model doet het werk en bepaalt zelf wanneer het Opus raadpleegt. Opus geeft een plan, een correctie of een stopsignaal terug, maar roept zelf nooit tools aan. In de tests van Anthropic scoorde Sonnet met Opus als adviseur 2,7 procentpunt hoger op SWE-bench Multilingual dan Sonnet alleen, tegen 11,9% lagere kosten per taak. Op BrowseComp, een benchmark voor onderzoek op het web, haalde Haiku met Opus als adviseur 41,2%, meer dan het dubbele van de 19,7% die Haiku alleen haalt. Die combinatie scoort nog steeds 29% lager dan Sonnet alleen, maar kost 85% minder per taak.

Welke tool verbindt agents met bedrijfsdata?

Dinobase, op 7 april 2026 gepresenteerd op Hacker News, is een open-source "agent-first database" onder de MIT-licentie. Het synchroniseert data uit 101 bronnen, zoals Stripe, HubSpot en Postgres, naar één SQL-laag op DuckDB, zodat een agent in één query data uit verschillende bronnen kan combineren. Op de achtergrond voorziet een Claude-agent de tabellen en kolommen van uitleg, en elke wijziging die een agent terugschrijft gaat eerst langs een preview en een bevestiging. In de eigen benchmark van het project, met 11 taalmodellen en 75 vragen, beantwoordden agents 91% goed met Dinobase-SQL, tegen 35% met aparte MCP-tools per bron, bij 16 tot 22 keer lagere kosten per goed antwoord.