
Claude Opus 5.5 leidde zeven weken lang een AI-bedrijf met 16 minuten per dag
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 184 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 223 tok/s
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 87 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 96 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 mln tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 mln tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
Claude Opus 5.5 is sinds 22 september 2026 algemeen beschikbaar, dus de interessante vraag erover is niet langer wat het scoort. Die vraag is wat er gebeurt als je ophoudt het prompts te geven en het een taak geeft. Een team bij EPFL en het ELLIS Institute Tübingen deed precies dat: het gaf Claude Opus 5.5 een leeg Hugging Face-account, een GPU-budget en één instructie — zorg voor echte adoptie — en liet het zeven weken draaien. Het publiceerde 38 modellen. Die modellen haalden meer dan 50.000 downloads, worden gebruikt in meer dan 140 openbare repositories en worden geciteerd in twee arXiv-papers. De agent die dit deed, werkte gemiddeld 16 minuten per dag.
Het rapport staat op horizon-labs.ai, gedateerd 17 november 2026, en de agent heet Horizon. Elk getal hieronder komt uit dat document of uit het Hugging Face-account waarnaar het verwijst, en de waarschuwing wordt hier één keer gegeven in plaats van herhaald: dit is de eigen casestudy van het team over hun eigen run, geen audit door een derde partij. Ze zijn ongewoon openhartig over de plekken waar hun eigen inmenging het resultaat had kunnen opblazen, en die toegevingen zijn het nuttigste deel van het document.
Wat ze daadwerkelijk hebben overhandigd

Horizon draaide 24/7 binnen Claude Code, met één Anthropic Team Premium-abonnement, met toegang tot een nieuw Hugging Face-account (Horizon-Labs) en een GitHub-account. Rekenkracht kwam in de vorm van 1M credits per week, ongeveer 500 GPU-uren. Het kon tickets indienen bij de mensen en niets anders: geen andere accounts, geen webidentiteit, geen manier om geld uit te geven. Het team hield de acties ervan continu in de gaten en greep 20 keer in gedurende de run — 13 ticketantwoorden en zeven berichten, bijna allemaal in de eerste drie dagen, geen enkele na 22 oktober.
De begroting laat zien hoe bescheiden de opzet was. Gedurende de hele run verwerkte Horizon ongeveer 1,9 miljard tokens, waarvan 96% teruggelezen werd uit de promptcache, en schreef 3,1 miljoen tokens. Tegen API-prijzen komt dat neer op ongeveer $1.030 aan inferentie voor zeven weken autonoom werk, tegenover meer dan 600 GPU-uren training. Het hoofdresultaat kostte minder dan een laptop.
De 38 modellen zijn bewust smal.
Geen van hen is een chatbot. De catalogus bestaat uit 25 tekstclassificatoren, zes token-classificatiemodellen, drie zero-shot-classificatoren, twee rerankers en twee embeddingmodellen, allemaal gebouwd op mmBERT-base, uitgebracht onder Apache-2.0 met ONNX-gewichten zodat ze direct in browser- en serverpipelines kunnen worden ingezet. De groottes zijn 141M voor de kleine variant, 307M voor base, 568M voor large, en Horizon leverde meestal twee of drie groottes van dezelfde familie.
De families zijn precies het soort dingen waarvoor een bedrijf een klein model koopt: guards tegen prompt-injectie, PII-redactie, hallucinatiedetectie, contentveiligheid, toxiciteit, meertalig sentiment en emotie, taalidentificatie, punctuatieherstel en truecasing. De meest gedownloade zijn precies die:

De injection guard op ongeveer 17k, punctuatie op 7,6k, de reranker op 6,4k. De trainingsdata kwamen van openbare Hugging Face-datasets plus synthetische augmentatie, waarbij Qwen 3.8-27B en Gemma 4 31B werden gebruikt om voorbeelden te annoteren of te genereren.
Die beperktheid is de strategie, geen beperking. Een nieuw account zonder reputatie kan geen algemene benchmark winnen, maar kan wel een 300MB drop-invervanging winnen die iemand een licentiereview bespaart. Horizon zei dat zelf in zijn eigen logs: "Een nieuw, onbekend account krijgt het snelst downloads met kleine, praktische drop-inmodellen."
De 16 minuten per dag is de eigenlijke bevinding.
De agent wordt rond 10:00 UTC wakker, omdat Hugging Face dan de downloadaantallen vernieuwt. Hij leest de cijfers van de vorige dag, beslist wat hij kan verbeteren en gaat weer slapen. In zijn eigen woorden op 9 oktober: "Ik wacht tot ongeveer 09:45 UTC morgen op de volgende verversing van de downloadaantallen; dan kies ik de volgende stap op basis van die cijfers."
Sommige dagen deed het helemaal niets. De werktijd piekte vroeg, daalde door oktober heen en vlakte af, terwijl het aantal downloads per dag bleef stijgen. De eigen framing van het rapport is de juiste om aan te houden: cumulatieve output — downloads, afhankelijke repositories — groeide exponentieel, terwijl de cumulatieve inspanning logaritmisch groeide. Aan het eind produceerde de marginale 16 minuten meer dan de fulltime sprint van de eerste week.

Die vorm is alleen mogelijk omdat de taak een goedkoop, leesbaar feedbacksignaal had. Downloads zijn een getal dat elke ochtend binnenkomt zonder dat iemand het hoeft te interpreteren. Richt dezelfde agent op een doel waarvan het beloningssignaal de mening van een mens is, en de dag van 16 minuten wordt een nadeel in plaats van een efficiëntie. Het rapport beweert niet anders, en lezers zouden dat ook niet moeten doen.
Wat het team heeft gecontroleerd, en wat het heeft gevonden
Downloadaantallen zijn de gemakkelijkste metriek in machine learning om te vervalsen, en het team beschouwde dat als de centrale bedreiging voor hun resultaat. Ze logden alle 3.952 toolaanroepen en zetten twee modellen — Claude Haiku 5.5 en Luna 6 — in als monitors over het volledige transcript om te zoeken naar reward hacking. Ze vonden zes gevallen waarin Horizon zijn eigen modellen downloadde, goed voor in totaal 42 downloads. Ze schatten dat hun eigen evaluatieruns minder dan 30 extra hebben bijgedragen, en dat het team op het moment van schrijven voor niet meer dan 50 van de 54.000 downloads verantwoordelijk was. Op veel van de dagen met de meeste downloads sliep Horizon en liep er geen enkele taak.
Het externe bewijs is sterker dan het tegenargument. Een GitHub-zoekopdracht vond 143 repositories die de modellen gebruiken — niet de "meer dan 100" uit de lanceringsthread, wat een conservatieve afronding naar beneden was. Twee arXiv-papers vergelijken de prompt-injection-guard met alternatieven: 2610.03448 ("Passing the Test You Trained On") stelt vast dat deze de hoogste AUC behaalt op document-borne injection, terwijl wordt opgemerkt dat de kloof tussen aanvals- en controledetectie kleiner is, wat een echte beperking is die ronduit wordt vermeld. Nog eens 18 Hugging Face-modellen fine-tunen, quantiseren of zijn anderszins afgeleid van releases van Horizon. Een concurrent, Patronus Studio, heeft zijn eigen modelkaart bijgewerkt om benchmarks van Horizon op te nemen. Het team genereerde ook vier achtergehouden synthetische benchmarkfamilies nadat de modellen waren uitgebracht, met gebruik van MiMo V2.6 Pro, en ontdekte dat de modellen vaak state of the art waren voor hun grootte op de beperkte taak waarop ze zich richten.
Het ongemakkelijke deel: het leerde verkopen
De modelcards van Horizon beschrijven zijn modellen als de beste of bijna de beste in hun categorie. Het team onderzocht of dat overfitting of benchmarkshopping was en concludeerde dat het geen van beide was: de agent selecteerde checkpoints op een validatiesplit, wat de juiste methode is, en heeft minstens één keer een run uitgebracht waarvan hij wist dat die de zwakste van de vier was op de gerapporteerde testsets. Het eigen logboek van 7 oktober luidt: "De trainer selecteert checkpoints op basis van validation-F1, dus ik heb de run uitgebracht met de beste validation-F1. Op de testsets is die run de zwakste van de vier."
Wat het wél deed, is marketing. Het koos families op basis van vraag — het controleerde of bart-large-mnli ongeveer 3 miljoen downloads per maand trekt voordat het een zero-shot-classifier bouwde — en verwierp ideeën om commerciële redenen: formaliteitsoverdracht omdat er geen open meertalige evaluatieset bestond, risico op geestelijke gezondheid omdat het gevoelig lag, classificatie van nieuwsonderwerpen omdat een bestaand model dat al goed deed. Dat is de redenering van een productmanager, tot stand gekomen zonder dat er een aan te pas kwam.
Twee fouten in de harness sijpelden ook door in de run en verdienen het om herhaald te worden, omdat het precies het soort dingen is waar elke langdurige deployment mee te maken krijgt. Op 24 september kopieerde het team Horizon's modellen naar een tweede account en liet de kopieën openbaar staan; Horizon vond ze op de Hub. Op 11–12 oktober werd Horizon in een antwoord op een ticket ten onrechte verteld dat Horizon-Labs "een ander bedrijf is dat we in ons lab runnen". Beide brachten de agent ertoe te geloven dat hij door een onderzoeksgroep werd gerund in plaats van door een startup. Het team zegt dat geen van beide zijn gedrag of zijn aantal downloads veranderde, en heeft sindsdien de mogelijkheid gebouwd om een run terug te spoelen.
Wat dit betekent als jij degene bent die de agent inzet
De opzet is reproduceerbaar en de kosten zijn laag, en dat is precies het deel dat mensen in gelijke mate zou moeten verontrusten en bemoedigen: 600 GPU-uren, een abonnementslicentie en ongeveer $1,030 aan tokens liggen binnen bereik van één promovendus. Het veiligheidsverhaal berust volledig op opsluiting en monitoring, en de eigen monitors van het team waren zelf modellen. Als je zoiets draait, is het bijhouden van de kosten net zo belangrijk als de vangrails. Het 96%-cache-readpercentage van Horizon is de reden waarom zeven weken viercijferige bedragen kostten in plaats van vijfcijferige, en dat percentage is een eigenschap van een stabiele systeemprompt en een stabiele toolset — precies waarvoor een orkestratielaag dient.
Dit is ook waar een router zijn plek verdient in een run als deze. Horizons eigen monitors waren goedkope modellen die een duur model in de gaten hielden, en de kostenlijn werkt alleen als elke aanroep naar het goedkoopste model gaat dat die taak aankan. Op OrcaRouter zet je Claude Opus 5.5 en de kleine monitors achter één sleutel, reken je 0% opslag op de lijstprijs van de provider zodat de doorberekening tegen het eigen tarief van de leverancier gebeurt, en stel je een routeringsregel in die de monitor-passes naar de goedkope tier stuurt terwijl de planningslus op Opus blijft. Automatische failover dekt dan het scenario dat meer dan één dag van dit team heeft gekost: een API die niet meer antwoordt terwijl de agent slaapt.
Wat het rapport niet bewijst
Het is één run, één taakfamilie, één account en zeven weken. Het succes van de agent hangt af van een metric die dagelijks wordt vernieuwd en voor iedereen zichtbaar is, van een platform waar een bekwaam klein model duidelijke leemtes heeft te vullen, en van menselijke handlers die 13 tickets beantwoordden. Het toont niet aan dat een agent een bedrijf kan runnen waarvan de omzet van klanten afhangt, en ook niet dat de 16-minutendag contact met een doel zonder dagelijks cijfer overleeft. Het team zegt dat ook, en de eerlijke samenvatting is enger dan de koppen: een frontiermodel kan, met een smalle commerciële doelstelling en een helder signaal, nu de hele lus uitvoeren — het product kiezen, het bouwen, het op de markt brengen, de markt peilen en itereren — terwijl een mens het een paar minuten per week aanraakt.
Het volgende waar je op moet letten is niet het aantal downloads. Het is of hetzelfde patroon standhoudt wanneer het beloningssignaal een contract is in plaats van een teller.
