Deno bouwt af onder Cloudflare; nieuwe lokale beeld-, OCR- en multimodale modellen verschijnen

Cloudflare haalt het Deno-team binnen, maar kondigt tegelijk het einde aan van de eigen ontwikkeling van Deno Runtime en Deno Deploy. Voor lokale AI verschijnen een open acht-stappenmodel voor beeldgeneratie en twee nieuwe document- en multimodale parsers; een nieuwe preprint wil speculative decoding efficiënter maken.

Deno-team gaat naar Cloudflare, Runtime en Deploy krijgen een einddatum

Deno meldt dat het hele team naar Cloudflare gaat. De directe consequentie voor gebruikers is aanzienlijk: de Deno Runtime krijgt nog één jaar maandelijkse bugfix- en securityreleases, waarna het team de ontwikkeling stopt. De runtime blijft open source; anderen kunnen het onderhoud overnemen. Deno Deploy blijft nog zes maanden actief en betalende klanten krijgen migratiehulp naar Cloudflare Workers. JSR blijft bestaan en verhuist qua infrastructuur naar Cloudflare.

De technische focus verschuift naar Cloudflares Workers- en Durable-Objects-omgeving. Deno wil zijn celld-werk combineren met die platformteams; volgens de aankondiging moeten persistent state, WebSockets en serverless uitvoering zo een fundament worden voor onder meer agentharnesses. Ook rusty_v8 blijft ondersteund en moet richting workerd integreren.

Voor teams met Deno in productie is dit geen gewone overname om af te wachten: inventariseer nu Runtime-, Deploy- en JSR-afhankelijkheden, bepaal of Workers werkelijk past en test een migratie vóór het zesmaandsvenster voor Deploy sluit. De toekomst van de open-source-runtime ná het aangekondigde jaar is nog niet ingevuld. In de HN-discussie wordt vooral de vraag opgeworpen hoe het celld-model in workerd landt; dat is geen vaststaand implementatieplan. Deno’s aankondiging met tijdpad · HN-discussie

Qwen brengt Image-2.1-Turbo uit met acht denoisingstappen

Qwen heeft Qwen-Image-2.1-Turbo als open-weight checkpoint uitgebracht. Volgens de aankondiging blijft het gebaseerd op dezelfde 7B-architectuur als Qwen-Image-2.1, maar is het afgesteld op generatie en beeldbewerking in acht denoisingstappen. Qwen positioneert het als een model voor 2K-tekst-naar-beeld en vervolgbewerkingen via natuurlijke taal.

Dat is een concrete nieuwe variant na de basisrelease van Qwen-Image-2.1: de inzet is vooral kortere generatiecycli, niet een andere modelklasse. Voor lokale workflows kan dat interessant zijn wanneer snelle iteratie belangrijker is dan een lang samplingpad. De aankondiging zegt dat de aanbevolen acht-stappenschedule rechtstreeks met QwenImage21Pipeline in Diffusers beschikbaar is.

De kwaliteitsclaim — minder stappen zonder kwaliteitsverlies — komt van Qwen zelf. In de beschikbare context staan geen onafhankelijke vergelijkingen, VRAM-metingen of tests op ingewikkelde edits. Meet dus op eigen prompts niet alleen tijd per afbeelding, maar ook tekstweergave, consistentie bij edits en mislukte generaties. Qwen-aankondiging

LightOnOCR-3 koppelt OCR aan layout, bounding boxes en grafiekdata

Het Franse LightOn heeft LightOnOCR-3 uitgebracht, een Apache-2.0-familie voor OCR en documentbegrip in 0,8B-, 1B- en 4B-varianten. Naast gewone transcriptie kan de nieuwe grounding-modus volgens de modelkaart tekstblokken, tabellen, beelden en grafieken van labels en bounding boxes voorzien. Beelden krijgen een korte beschrijving; grafieken worden als HTML-tabel met datapunten uitgegeven.

Dat kan een losse keten van OCR, layoutanalyse en chart extraction vereenvoudigen. De 0,8B- en 4B-varianten gebruiken Qwen3.5-VL-architectuur; de 1B-versie is bedoeld als compatibele upgrade voor eerdere LightOnOCR-2-inzet. Wie alleen transcriptie wil, kan de bestaande route met lege prompt blijven gebruiken. Grounding kost volgens LightOn wel circa 25% meer outputtokens per pagina dan kale transcriptie.

De bron geeft praktische beperkingen mee: andere prompts dan transcriptie of grounding vallen buiten de trainingsdistributie, en de voorbeeldroutes verwachten recente Transformers of een vLLM-server met trust_remote_code. De prestatie- en kwaliteitspositionering is van LightOn zelf. Test daarom scans, formulieren, tabellen en taalvarianten uit de eigen documentstroom — inclusief de geometrie van boxes — voordat je een bestaande pipeline vervangt. Modelkaart, installatie en voorbeeldroutes · Reddit-discussie

Tencent bundelt document-, audio- en videoparsing in één 5B-model

Youtu-Parsing-Omni van Tencent is een open gepubliceerd 5B-model dat één gestructureerd JSON-formaat produceert voor documenten, natuurlijke beelden, grafieken, flowcharts, geometrische figuren, audio en twee soorten video. De modelkaart noemt onder meer tekst, tabellen, formules, bounding boxes, tijdstempels, ASR, akoestische gebeurtenissen en camerabeweging als mogelijke uitvoer.

Het interessante ontwerp is de gemeenschappelijke parserinterface: een taakprompt kiest het gewenste formaat, terwijl één encoder beeld-, audio- en audiovisuele invoer verwerkt. Tencent levert gewichten, een vLLM-plugin, voorbeelden en vaste servinginstellingen mee. Dat maakt het in beginsel mogelijk om verschillende extractieroutes achter één lokaal endpoint te hangen, in plaats van per mediatype een apart modelcontract te beheren.

De praktische route is nog niet frictieloos. De documentatie vereist CUDA voor inference, aparte Python-omgevingen voor de vLLM- en Transformers-paden en specifieke versiepins; de standaardconfiguratie beperkt bovendien max-num-seqs tot één. De gerapporteerde benchmarkranglijsten zijn van Tencent en de aangekondigde evaluatiecode staat nog als toekomstig werk vermeld. Behandel dit dus als een breed maar te valideren parsingmodel, vooral voor schema-trouw, Nederlandse documenten en mediabestanden uit je eigen workflow. Modelkaart, plugin en configuratie · Reddit-signaal

Verder nog

• DLoop wil minder verificatiepasses bij speculative decoding: de preprint stelt voor een zelfverzekerd draftmodel meerdere draft-rondes te laten doen voordat het targetmodel alle verzamelde tokens controleert. De auteurs rapporteren 5–41% extra wall-clock-versnelling bovenop bestaande speculative methoden, zonder lossless decoding op te geven. Dit is voorlopig onderzoek: de cijfers komen van de auteurs en de bijbehorende code zou nog intern worden beoordeeld. Paper en Reddit-post