llama.cpp maakt lokale beslismodellen inzetbaar, terwijl Supabase Turso inlijft en Nvidia een 64GB DGX Spark toevoegt

llama.cpp zet een concrete stap van losse beslismodelgewichten naar een lokale server-API. Tegelijk koopt Supabase Turso om SQLite en Postgres in een agentgerichte infrastructuurroute te combineren, terwijl Nvidia een goedkopere 64GB-variant van DGX Spark aankondigt. De resterende signalen gaan over het eerlijker meten van bedrijfsretrieval en veiliger hashen van meerdere waarden.

llama.cpp krijgt een lokale API voor vijf beslismodellen

llama.cpp heeft nu een gemergede route voor decision models: de server biedt /v1/systemone en ondersteunt volgens de pull request Laya, Julia-1, Lev, OpenJev (ook vision) en Kev. De code bevat conversieondersteuning, GGUF-metadata, een decision head en tests; de auteur vergelijkt daarbij kansen met de respectieve referentie-implementaties.

Dat is een concrete stap sinds de namiddagupdate van vandaag over nieuwe open beslismodellen: je hoeft voor deze vijf varianten niet meer zelf een aparte servinglaag rond de gewichten te bouwen. Het past bij taken als routing, classificatie en toolkeuze, waar een beperkt antwoord met score nuttiger kan zijn dan vrije generatie.

Er is nog geen universele compatibiliteitsbelofte. In de PR staan documentatie, gedeelde prompt-prefixen en verdere visionondersteuning nog als werk open; Clef-ondersteuning was bij indiening slechts voorgenomen. De getoonde overeenkomstcijfers zijn bovendien tests van de wijziging zelf, geen onafhankelijke kwaliteits- of latencyevaluatie. Test dus schema’s, kanskalibratie en foutgevallen op eigen gelabelde data vóór je zo’n score aan een automatische actie koppelt. Pull request met modellen, endpoint en tests · aankondiging van Georgi Gerganov · Reddit-discussie

Supabase neemt Turso over voor agentgerichte database-infrastructuur

Supabase kondigt de overname van Turso aan. Volgens Supabase blijven de producten voorlopig elk hun eigen focus houden: Supabase rond Postgres, Turso rond SQLite. Het gezamenlijke doel is een pad van kleine, on-demand databases naar zwaardere productieomgevingen.

De technische inzet is begrijpelijk voor agentworkloads: Supabase zegt al meer dan een miljoen databases per week te starten en noemt Turso’s Rust-gebaseerde SQLite-platform, dat databases kan laden wanneer nodig en weer kan stilzetten. Het bedrijf wil databases voor kleine agenttaken zo laagdrempelig en goedkoop maken als bestanden, met een doorgroeipad wanneer een toepassing groter wordt.

Wat er operationeel verandert, blijft nog onduidelijk. ‘Niets verandert voor bestaande gebruikers’ en de schaalclaims zijn uitspraken van de koper; er zijn geen migratieschema’s, prijsafspraken of garanties voor projectgovernance in de beschikbare aankondiging. Voor teams met Turso in de stack is dit vooral reden om eigenaarschap, roadmap, exportbaarheid en eventuele toekomstige koppelingen met Supabase te volgen — niet om nu al een databasearchitectuur te wijzigen. Supabase over de overname en technische positionering · HN-discussie

Nvidia zet DGX Spark met 64GB naast de 128GB-uitvoering

Nvidia brengt volgens eigen aankondiging op 23 oktober een DGX Spark met 64GB unified memory uit, via fabrikanten als Acer, ASUS, Dell, Gigabyte, HP en MSI, vanaf $4.999. De GB10 Grace Blackwell-chip, DGX OS, ConnectX-7 en CUDA-stack zouden gelijk blijven aan de 128GB-versie.

Voor lokale AI is dit vooral een andere geheugen- en prijsgrens: Nvidia positioneert één systeem voor modellen tot 100 miljard parameters en twee direct verbonden systemen voor 128GB gezamenlijk geheugen en modellen tot 200 miljard parameters. De fabrikant belooft daarbij dat de Sync Cluster Assistant de netwerkconfiguratie verzorgt; voor een eigen Qwen-3.8-27B-test claimt Nvidia maximaal 1,7× de prestatie van twee systemen tegenover één.

Die modelgrenzen en throughput zijn fabrikantclaims, geen koopadvies. Geheugenverbruik hangt af van gewichten, quantisatie, KV-cache, context en concurrency; ook zegt de aankondiging niets over de praktische beschikbaarheid of de prestaties van jouw runtime. Wie juist voor de 64GB-uitvoering kijkt, moet eerst de beoogde modellen met realistische context en gelijktijdige agents doorrekenen, en niet alleen de parameterclaim volgen. Nvidia’s aankondiging met configuratie en clusteringclaims · Reddit-discussie

Kapa meet retrieval op rommelige bedrijfskennis — met een duidelijke makersbias

Kapa publiceert de Company Knowledge Bench, een set van duizend retrievalgevallen uit productiegegevens, bedoeld voor documentatie, tickets, chat, wiki’s en code. De score verlangt niet alleen relevante passages, maar ook volledigheid, zo min mogelijk overbodige chunks en voorkeur voor actuele, gezaghebbende bronnen.

In Kapa’s eigen opzet komt gewone hybrid search op 0,41, hybrid met reranker op 0,50 en query-decompositie op 0,56. Een frontiermodel met alleen grep haalt volgens de tabel 0,61, maar doet daar circa vijfmaal langer over dan Kapa Default; Kapa Deep staat op 0,65 bij circa 5,1 seconden per query. De nuttige ontwerpwaarschuwing is dat retrieval niet alleen semantische overeenkomst meet: verouderde of secundaire interne bronnen kunnen inhoudelijk juist zijn en toch ongewenst context vormen.

Dit is geen onafhankelijke vergelijking. Kapa bouwde alle zeven retrievers, gebruikte de eigen ingestiepipeline en genereerde een groot deel van de labels met agents, na vergelijking met een handmatig gelabelde set van 170 gevallen. Gebruik het daarom als een bruikbaar evaluatiepatroon, niet als bewijs dat één product of agentische retrieval altijd wint: leg eigen voorkeuren voor brongezag, actualiteit, negatieve gevallen, latency en contextkosten expliciet vast. Benchmark, labelingmethode en resultaten · HN-discussie

SequenceHash wil ambiguïteit bij multihashing wegnemen

Trail of Bits introduceert SequenceHash en SequenceMAC, open specificaties binnen C2SP voor het hashen van een reeks waarden. Het uitgangspunt is eenvoudig maar belangrijk: losse update-calls maken bij een gewone hash geen structureel onderscheid tussen bijvoorbeeld ("ab", "c") en ("a", "bc"); de bytes worden effectief aaneengeschakeld.

De voorgestelde constructie gebruikt lengtecodering en een dubbele hashlaag, met optionele customization strings om dezelfde waarden aan een specifieke protocolcontext te binden. Volgens Trail of Bits werkt ze met onder meer SHA-2, BLAKE en RIPEMD, in tegenstelling tot TupleHash dat aan Keccak is gekoppeld. Er zijn meteen Rust-, Go- en Python-implementaties en testvectoren gepubliceerd.

Dit is een nieuwe bouwsteen, geen aanwijzing dat bestaande code automatisch kwetsbaar is of dat de constructie al overal standaard is. Wie zelf protocollen, commitments of Fiat-Shamir-achtige transcripties implementeert, kan vooral de concrete les meenemen: concateneer variabele velden niet zonder ondubbelzinnige encoding en domeinscheiding. Kies vervolgens een goed beoordeelde, protocolpassende constructie en test interoperabiliteit; een nieuwe specificatie vervangt geen cryptografische review. Ontwerp, dreigingsmodel en implementaties · Lobsters-discussie

Verder nog

• Waterfox 6.7.5 brengt feeds terug in de browser: de release voegt een native feedmanager en reader toe via about:feeds, met feedzoekfunctie, gelezen-status, leeslijst, OPML-import/export en instellingen voor feed discovery en afbeeldingen. Artikelen openen standaard in de ingebouwde reader; de release bevat ook Mozilla Foundation Security Advisory 2026-100. Syncgedrag voor deze heringevoerde ‘live bookmarks’ is in de beschikbare discussie nog niet bevestigd. Release notes · Lobsters-discussie