OpenAI trekt drie wiskundepapers in; R9700-test richt zich op snelle lange context

OpenAI heeft drie wiskundemanuscripten ingetrokken nadat een tekenfout een argument en twee afhankelijke papers onderuit haalde. Tegelijk beschrijft een R9700-eigenaar een smalle maar reproduceerbaar bedoelde Windows/WSL-route voor Qwen3.8-27B met lange context; de hoge prestaties zijn vooralsnog uitsluitend eigen metingen. Voor tooling zijn Jujutsu 0.46 en een reeks lokale audio-optimalisaties de praktischere signalen.

OpenAI documenteert drie intrekkingen en veertien reparaties

De eerder gemelde correctie rond OpenAI’s wiskundecatalogus is nu concreet gemaakt in de projectgeschiedenis. Een tekenfout zou een stabilisatie-/trace-annuleringsargument ongeldig maken in Algebraicity of Weil classes on split abelian eightfolds, en daarmee ook twee afhankelijke manuscripten. OpenAI trok alle drie terug en laat de oorspronkelijke versies met een uitleg over het gat beschikbaar.

Dit is meer dan het voorzichtige signaal uit de middagupdate van vandaag: de primaire bron noemt daarnaast veertien gereviseerde manuscripten, met onder meer gerepareerde bewijsstappen, aangescherpte hypotheses en een verwijderde verouderde bronverwijzing. Ook kwamen er zes formaliseringen bij; volgens OpenAI is nu 300 van 719 top-line resultaten geformaliseerd.

Dat verhoogt niet automatisch of verlaagt niet automatisch het vertrouwen in de overige catalogus; het maakt vooral versie- en verificatiestatus nog belangrijker. Een formeel artifact, natuurlijke-taalmanuscript en semantische koppeling tussen die twee zijn afzonderlijke controlepunten. In de HN-discussie wordt terecht opgemerkt dat de ingetrokken stukken niet als Lean-geverifieerd waren gepresenteerd; reacties zijn echter geen onafhankelijke review van de resterende resultaten. OpenAI’s wijzigingslog met intrekkingen en reparaties · HN-discussie

Eén R9700 onder WSL: lange context via eigen kernels en speculative decoding

Een ontwikkelaar publiceert een installatie- en benchmarkroute voor Qwen3.8-27B op één Radeon AI PRO R9700 onder Windows 11/WSL2. De opzet combineert AMD’s MXFP4-checkpoint met een eigen W4A8-kernelpad voor RDNA4 en DFlash2 speculative decoding. De auteur meldt ongeveer 125–134 tok/s greedy decode, 216K context standaard en rond 260K met een andere startoptie.

Technisch interessanter dan de topsnelheid zijn de beschreven randvoorwaarden: een WSL-patch voor pinned host memory, een KV-cache die wordt afgestemd op werkelijk vrij VRAM en het overslaan van de vision tower om geheugen vrij te maken. Volgens de auteur valt decode terug tot ongeveer 10 tok/s zodra de cache naar shared memory overloopt. De repository zet image, commits en modelrevisies vast, wat een betere uitgangspositie biedt voor herhaling dan een losse screenshot.

Dit is een andere vraag dan die in de ochtendupdate van vandaag, waar twee R9700’s en PCIe-topologie centraal stonden: hier gaat het om één kaart, WSL en een specifiek kernel-/drafterpad. Toch is het geen algemene R9700-vergelijking. De cijfers zijn zelfgerapporteerd, gebruiken een specifieke quant, prompt en runtime, en de genoemde llama.cpp-vergelijking is volgens de auteur zelf slechts ruw. Meet dus tokenpariteit, lange-contextrecall, foutgedrag en geheugenmarge op de eigen Windows- en driverstack. Opzet, vaste versies en meetcijfers

Een agentstad laat zien waarom modeloutput nooit direct state mag wijzigen

De maker van Slow Vale beschrijft een continu draaiende simulatie met meer dan achthonderd LLM-gestuurde inwoners. Agenten doen volgens de post elk grofweg 300–400 modelcalls per dag; hun bedoelingen worden niet direct op de wereld losgelaten, maar eerst opnieuw getoetst tegen de actuele toestand. Dat voorkomt bijvoorbeeld dat twee agents tegelijk hetzelfde laatste voorwerp kopen of een inmiddels vertrokken karakter aanspreken.

Die scheiding tussen gelijktijdige inference en één component die state mutaties valideert, is een nuttig patroon voor elke meerstapsagent met gedeelde resources. De auteur houdt ook stabiele promptdelen vooraan en wisselende toestand en actiekeuzes achteraan om prefix caching te helpen. De gemelde cache-hitratio ligt boven 90 procent; de post stelt daarbij expliciet dat dit aandeel cached inputtokens is, niet het wegvallen van elke nieuwe generatie.

De schaal-, kosten- en productcijfers zijn volledig afkomstig van de maker en draaien vooral op hosted DeepSeek Flash, niet op lokale inference. Gebruik dit dus als praktijkvoorbeeld van cache- en concurrencyontwerp, niet als onafhankelijke kostencalculator of bewijs dat een dergelijke simulatie robuust is. Engineeringverslag met architectuur en cijfers

Verder nog

• Jujutsu 0.46 koppelt workspaces aan Git-worktrees: jj workspace add --colocate kan nu een Git-worktree naast een Jujutsu-workspace maken; workspace forget en workspace remove kunnen die ook weer opruimen. Verder zijn pushes naar meerdere remotes, file-edit/delete buiten de huidige werkmap en bron-symbolen in diff-hunkheaders toegevoegd. Let op de brekende ondergrens: Git 2.42 en Rust 1.97.1 zijn nu minimaal vereist. Releasenotes · Lobsters-discussie
• audio.cpp verlaagt volgens de maker de drempel voor lokale audio: Higgs Audio TTS zou na runtimewijzigingen ongeveer 6 GB VRAM vragen, 48% minder dan eerder; HTDemucs zou 2,21× sneller zijn op CUDA en PocketTTS 2,23× sneller op de CPU. Er is ook een experimentele generatiegeschiedenis in de WebUI. Deze cijfers zijn projectmetingen, en een reactie wijst erop dat de documentatie achterloopt — test dus model, backend en geheugenverbruik op de eigen machine. Aankondiging en tabel