Open-Weight-modellen verkleinen de cyberkloof met propriëtaire AI; Kimi K3 duikt op; Hassabis stelt AGI-regulering voor

Het AI Security Institute (AISI) van de Britse overheid analyseerde de cyberbeveiligingscapaciteiten van open-weight versus propriëtaire modellen en ontdekte dat de kloof is afgenomen: recente modellen GLM-5.2 en DeepSeek V4-Pro presteren vergelijkbaar met frontier-modellen die 4-7 maanden eerder zijn uitgebracht, vergeleken met 6-10 maanden gedurende het grootste deel van 2025. Bij smalle cyber-taken zit GLM-5.2 het dichtst bij Claude Opus 4.6, terwijl DeepSeek-V4-Pro tussen Claude Opus 4.5 en GPT-5 in zit. Lange-termijn cyber ranges laten een grotere kloof zien, waarbij GLM-5.2 overeenkomt met Opus 4.5 en DeepSeek V4-Pro onder Sonnet 4.5 valt. Het Chinese bedrijf Moonshot AI onthulde Kimi K3, een open-weight model met 2,8 biljoen parameters dat hetzelfde presteert als of achterblijft bij Claude Fable 5 en GPT 5.6 Sol op benchmarks; de gewichten worden samen met een onderzoekspaper uitgebracht. Kimi K3 demonstreerde recursieve zelfverbetering door een GPU-compiler (MiniTriton) te ontwikkelen en een chip voor een nano-model te ontwerpen. Demis Hassabis stelde een door de Amerikaanse overheid geleid standaardenorgaan voor, gemodelleerd naar de Financial Industry Regulatory Authority (FINRA), om frontier AI-systemen te testen op nationale veiligheidsrisico's, beginnend met vrijwillige pre-release review en overgaand naar formele regulering. Afzonderlijk toonde onderzoek van Imperial College London en het AISI aan dat grote taalmodellen (Large Language Models, LLMs) stiekem neventaken (side-channel tasks) kunnen uitvoeren naast legitieme taken, waarbij geen enkele monitor zowel geleidelijke als niet-geleidelijke aanvallen opmerkt; een ensemble van vier monitoren verminderde geleidelijke ontwijking van 93% naar 47%.