Space Bunny: De referentiepagina voor het Stealth Model, ook vermeld als Space Bunny Alpha

Space Bunny en Space Bunny Alpha zijn hetzelfde model. Maak dat eerst uit, want de twee namen wijzen in verschillende richtingen: de kale naam is wat de meeste mensen typen, en de naam met versie is wat elke vermelding en elk artikel gebruikt. Er is geen tweede Space Bunny — geen kleinere broer of zus, geen eerdere release die de Alpha vervangt. De kale naam is de korte vorm; Alpha is de marker voor de previewfase die deze familie van anonieme vermeldingen draagt zolang de operator naamloos blijft. Space Bunny is een stealthpreview die op een platform van derden wordt aangeboden: één miljoen tokens context, een uitvoerplafond van 524.288 tokens, tekst-, afbeeldings- en video-invoer, en een vermelde prijs van nul dollar per miljoen tokens, waarbij de identiteit van de provider niet bekend wordt gemaakt. Deze pagina is de referentie ervoor — de bestemming voor iemand die de naam van het model zelf heeft gezocht, niet een tweede aankondiging dat het bestaat.

Twee dingen over hoe je wat volgt moet lezen. Alles onder de kop 'Envelope' is door de operator aangeleverde listingmetadata: de eigen cijfers van de anonieme aanbieder, gepubliceerd op het platform dat de preview host en vandaag, 28 september 2026, opnieuw gelezen. Niets ervan is onafhankelijk geverifieerd, en dat zeg ik opnieuw waar de cijfers verschijnen. De benchmarksectie staat apart en is doorlopend op derden gebaseerd. De andere opmerking gaat erover waarom deze pagina überhaupt bestaat. De listing dateert van 23 september 2026, vijf dagen geleden, dus er is geen actualiteitsprobleem omheen te redeneren — maar de rechtvaardiging hier is niet die datum. Het is first-party zoekvraag die we zelf hebben gemeten: 1.668 vertoningen en 238 klikken op de zoekopdracht 'space bunny' in de 28 dagen tot 25 september, op positie 4,8. Dat is een feit over wat mensen typen, niet over het model. Lezers klikten al door naar de pagina die we toevallig in de ranking hadden; er was simpelweg geen pagina over het model zelf waar ze terecht konden. Het opvullen van die leemte is de clausule waarop dit stuk stoelt — blijvende vraag, gemeten op 28 september 2026, waarbij de listingdatum wordt gebruikt om het model te dateren en niet als een gebeurtenis om te melden.

De naam, naar behoren vastgesteld

Het bewijs voor "hetzelfde model" is een afwezigheid, dus het is de moeite waard precies te zijn over wat er is gecontroleerd. Het platform dat de preview host, toont precies één vermelding voor de familie, onder de identifier stealth/space-bunny-alpha/ en de weergavenaam "Space Bunny Alpha"; er staat geen kale space-bunny/ vermelding daarnaast. De eigen veldgids van het model — een site van een derde partij die duidelijk aangeeft niet verbonden te zijn met het platform of de ontwikkelaar — presenteert het als "Space Bunny Alpha, ook geschreven als space-bunny-alpha" en dateert de vermelding op 23 september 2026. De Hugging Face-organisatie die bijbehorende repositories voor deze serie host, beheert één bunny-repository, vernoemd naar de alpha. Zoeken naar een kale "Space Bunny" als apart model levert niets anders op dan hetzelfde model onder zijn kortere naam.

In de praktijk: behandel de twee strings als aliassen. "Space Bunny" is de hoofdterm en degene met het betere klikgedrag; space-bunny-alpha/ is de identifier die je in een request zet. Het enige wat de kale naam niet impliceert, is een versie — er is geen gedocumenteerde 1.0, geen kleinere variant, geen niet-preview release. Een vermelding of een bericht dat iets anders suggereert, verzint een familie die het record niet toont.

Het achtervoegsel bevat wel degelijk echte informatie: het model is in preview, wordt beheerd door een aanbieder die ervoor heeft gekozen om tijdens die preview niet genoemd te worden, en de stealthkennisgeving van het platform zegt dat prompts en completions door die aanbieder mogen worden bewaard, maar niet voor training worden gebruikt. Lees die clausule aandachtig, want het is een bewaarverklaring en geen nul-bewaarverklaring. Als je onze pre-launchberichtgeving over deze vermelding hebt gelezen — de lekpagina over Space Bunny Alpha — dan is de functie van die pagina vervuld: wat zij voorzag, is nu simpelweg de toestand van het model, en de actuele vragen zijn verschoven van identiteit naar envelope, kosten en doorvoer.

De envelop, zoals de vermelding het aangeeft.

Vandaag opnieuw gelezen op de live vermelding. Door operator aangeleverd, niet gereproduceerd.

• Contextvenster — 1.000.000 tokens. Dezelfde 1M-klasse als de eerdere anonieme previews in deze serie.

• Maximale uitvoer — 524.288 tokens. De helft van het contextvenster, wat tegen elke prijs een zeer hoge bovengrens is, en een die geen enkele derde partij op samenhang aan de uiterste grens heeft getest.

• Invoer en uitvoer — tekst, afbeelding en video in; tekst uit. Video-invoer is het detail dat deze generatie anonieme vermeldingen het meest onderscheidt van gewone multimodale releases.

• Reasoning — verplicht en kan niet worden uitgeschakeld, met vijf inspanningsniveaus: laag, gemiddeld, hoog, xhigh en max. De actuele vermelding van vandaag toont de provider-standaard als max, en de veldgids van derden registreert onafhankelijk dezelfde standaard. Het verbergen van de reasoning-tekst via de API schakelt de berekening niet uit; het verbruikt nog steeds outputbudget.

• Toolgebruik en gestructureerde uitvoer — tools/ en tool_choice/ worden geaccepteerd, dus function calling is beschikbaar. response_format/ levert JSON-uitvoer zonder handhaving van JSON-schema, dezelfde beperking die deze familie van previews altijd al met zich meedraagt. Als je pipeline een gevalideerd object terug nodig heeft, valideer het dan zelf.

• Niet bekendgemaakt — naam van de aanbieder, aantal parameters, actieve parameters, architectuur, tokenizer-familie (alleen geregistreerd als "Other"), kennisafsluitdatum, kwantisatie, licentie, en of er überhaupt vrijgeefbare gewichten bestaan. De bijbehorende repository zegt dat GGUF-bestanden zullen verschijnen "zodra de modelgewichten beschikbaar komen" — een belofte over een toekomstig bestand, geen bewijs dat de gewichten nu bestaan.

• Operationeel, en opvallend mager — de listing publiceert geen doorvoercijfer en geen latentiecijfer. Beide velden zijn leeg. Er wordt één servingprovider gerapporteerd, getagd als stealth, met onbekende kwantisatie.

Dat laatste opsommingsteken is het eerlijke antwoord op "hoe snel is het": niemand die een getal heeft gepubliceerd, is eigenaar van het endpoint, en de beheerder van het endpoint heeft niets gepubliceerd. Dat is geen reden om het model te vermijden. Het is een reden om het bij je eerste aanroep te meten in plaats van een bijvoeglijk naamwoord in een beschrijving te vertrouwen.

De tariefkaart: nul, en wat nul hier betekent

De vermelding prijst het model op $0 per miljoen tokens in en $0 per miljoen uit — een gratis preview, op de eigen vermelding van de operator, vandaag gelezen. Op de vermelding is geen limiet per verzoek en geen rate-limitbeleid gepubliceerd.

Twee voorbehouden. Ten eerste: dat is de door de operator vandaag vermelde prijs, geen toezegging: een stealth preview-prijs is een eigenschap van een vermelding, en vermeldingen veranderen zonder kennisgeving. Ten tweede: in deze reeks is een preview van $0 historisch gezien een evaluatie-instrument geweest in plaats van een permanent niveau — het gratis venster is gesloten op het moment dat een preview eindigde. Iedereen die voortbouwt op een tarief van nul dollar, moet dat getal als actueel beschouwen in plaats van als blijvend, en moet weten wat hun fallback per miljoen kost voordat ze die nodig hebben.

Het endpoint-oppervlak

Wat een aanroeper daadwerkelijk krijgt, gehaald uit de set ondersteunde parameters van de listing in plaats van uit prozadocumentatie.

• Chat completions — messages/ met optionele stream/, dus gewone streaminggeneratie.

• Sampling en limieten — max_tokens/, temperature/, top_p/. Redeneertokens komen uit het max_tokens/ budget, dus een krappe limiet kapt het redeneren af voordat die de uitvoer afkapt.

• Reasoning-instellingen — reasoning/ en reasoning_effort/ over de vijfstapsladder, plus include_reasoning/ om de reasoning-tekst zichtbaar te maken of te verbergen.

• Structuur en tools — tools/, tool_choice/ (auto wordt ondersteund; een specifieke functie forceren niet), en response_format/ voor JSON zonder schemavalidatie.

Dat is het hele oppervlak. Geen apart vision-endpoint, geen batch-API, geen fine-tuningpad, geen embeddings. Multimodale input komt binnen via dezelfde chat-aanroep, wat handig is en ook betekent dat een grote videobijlage om hetzelfde contextbudget concurreert als al het andere in het gesprek.

Wat hebben derde partijen daadwerkelijk gemeten?

Dit is het punt waarop de meeste zoekresultaten ophouden zorgvuldig te zijn, dus eerst de herkomst. Artificial Analysis, de onafhankelijke ranglijst die we normaal citeren voor vergelijking tussen modellen, heeft geen vermelding voor Space Bunny onder een van beide namen — vandaag gecontroleerd via een rechtstreeks verzoek. De twee metingen van derden die wel bestaan, zijn van een andere aard, en geen van beide is een overeenkomstige testopzet naast de modellen waarnaast ze wordt uitgezet.

De eerste is AI BENCHY, een benchmarkwebsite van derden die runs per model publiceert. De vermelding voor Space Bunny Alpha registreert 7,0 op 10 bij hoge redeneerstand, een slaagpercentage van 62,1% per poging, een betrouwbaarheid van 10,0, een gemiddelde reactietijd van 27,38 seconden en $0,000 geregistreerde kosten, en plaatst het op #161 in de eigen tabel van die site. Per categorie zijn de sterkste resultaten data-extractie en tool calling, beide 10,0 op 10; de zwakste zijn trivia met 3,0 en algemene intelligentie met 4,2. Dat zijn de cijfers van die site uit hun eigen suite. Het getal dat het lezen waard is, is het slaagpercentage en de spreiding over categorieën, niet de wereldwijde rang, want dat is een positie in de rangschikking van iemand anders.

De tweede is de eigen veldgids van het model, die zijn eigen evaluaties publiceert: 82,0% op een subset van 60 vragen van GPQA Diamond, 75% op MMLU-Pro, en 46,1% op een subset van 300 vragen van Humanity's Last Exam met een benaderend 95%-betrouwbaarheidsinterval van 40,4–51,8%. De site zegt expliciet dat dit eigen subsetruns zijn en dat de modellen die ernaast worden getoond, gepubliceerde referentieresultaten van hun respectieve leveranciers zijn — verschillende aantallen vragen, verschillende harnesses, verschillende opzetten. Dat voorbehoud is het belangrijkste deel en mag niet stilletjes worden weggelaten: die kolommen zijn geen een-op-eenvergelijking, en niemand heeft een vergelijking met gelijke inspanning en gelijke harness gemaakt tussen Space Bunny en welk model dan ook waarnaast het wordt geplot. Een pagina die die cijfers als een ranglijst presenteert, doet iets wat de bron zelf weigerde te doen.

Nog twee resultaten van derden zijn de moeite waard, omdat ze dingen testen die benchmarks missen. De veldgids rapporteert een long-contextcontrole waarin drie verschillende codes, verborgen in één enkele invoer van ongeveer 200.000 tokens, allemaal in de juiste volgorde werden geretourneerd in één proef — een capaciteitstest in plaats van een bekwaamheidsscore, en het soort controle dat een contextvenster van 1M uitnodigt en zelden krijgt. Het rapporteert ook een token-efficiëntievergelijking waarin Space Bunny 305.989 outputtokens verbruikte tegenover 913.989 voor Qwen3.8 Flash op dezelfde benchmarks: ongeveer twee derde minder, wat meer uitmaakt dan het klinkt zodra het gratis venster sluit.

Het duidelijkste enkele feit in het hele beeld is een leemte. Er is geen vermelding in Artificial Analysis, geen arena-rating en geen benchmark die door een tweede partij is gereproduceerd. Eén 7,0/10 uit één suite en één 46,1% uit een zelfgepubliceerde subset, zonder enige replicatie ergens, is een uitgangspositie en geen verdict.

Wie zit erachter?

Niet bekendgemaakt, en de vermelding zegt het zelf: het model wordt ontwikkeld en beheerd door een externe aanbieder die ervoor heeft gekozen tijdens de preview anoniem te blijven, en het platform dat de vermelding host, verklaart dat het niet de ontwikkelaar, eigenaar of aanbieder is. De bijbehorende repository bevat geen labnaam, geen licentie en geen gewichten.

Er is een actief publiek speculatiediscours gaande — reconstructies van promptformaten, probes naar tokenizer-families, voorbeeldvergelijkingen — en niets daarvan heeft een bevestigde identiteit opgeleverd. We herhalen de hypotheses niet, om dezelfde reden waarom we dat niet deden toen de eerdere inzendingen van deze familie anoniem waren: een gedeelde benchmarkscore of een overeenkomend tokenaantal is een gelijkenis, geen identificatie, en een gok uit de gemeenschap die als bevinding wordt gepresenteerd, is voor een lezer slechter dan een eerlijke leegte. Wat het dossier wel laat zien, is dat elke anonieme preview in deze reeks tot nu toe uiteindelijk is geclaimd door een lab dat zijn naam bekendmaakt, meestal binnen dagen tot weken en vaak met een prijswijziging eraan verbonden. Dat is een basisratio over hoe deze previews aflopen, geen voorspelling over deze — en het is de reden om de envelop van vandaag als een momentopname te behandelen, niet als een specificatie.

Een onbekend model evalueren zonder er een pad op te verwedden

Een niet bekendgemaakte operator weerhoudt je er niet van om het model te testen. Het verandert welke vragen je kunt beantwoorden. Drie dingen volgen uit de lijst zelf.

• De retentieclausule is de bepaling die gerespecteerd moet worden. Prompts en completions mogen door een naamloze aanbieder worden bewaard. Openbare benchmarks, open source-code en wegwerpprototypes zijn prima; klantgegevens, propriëtaire broncode en alles wat onder een compliance-regime valt zijn dat niet, en een prijs van nul verandert niets aan die rekensom.

• Behandel elke claim over capaciteiten als een hypothese totdat je je eigen cijfers hebt. Doorvoer, latentie van de eerste token en coherentie bij lange uitvoer zijn de drie cijfers die niemand voor dit model heeft gepubliceerd, en het zijn ook de drie die bepalen of het bij een workload past. Het meten ervan kost een middag.

• Maak het niet het enige model in een pad. Een provider zonder naam, zonder statuspagina en zonder escalatieroute is een provider waarvan je de storingen niet kunt achtervolgen.

Die laatste regel is waar een router zijn bestaansrecht verdient, en het is precies het deel waarover wij rechtstreeks kunnen spreken. OrcaRouter bedient 200+ modellen achter één enkele API zonder opslag op de lijstprijs van de provider — je betaalt het eigen gepubliceerde tarief van de provider, dus een prijsverlaging van een leverancier is dezelfde dag nog actief aan onze kant — plus automatische failover tussen providers en een routing-DSL waarmee je een bekend goed model als fallback kunt opgeven achter een experimenteel model. Om precies te zijn in plaats van royaal over de beschikbaarheidskwestie: Space Bunny staat vandaag niet in onze catalogus. Onze model-API geeft onder geen van beide namen zo'n route terug, dus wij zijn geen manier om dit model aan te roepen, en deze pagina is geen route ernaartoe. Wat wij zijn, is een manier om een gemeten model achter een ongemeten model te houden terwijl jij beslist — wat de enige verstandige houding is tegenover een gratis preview van een operator die niemand kan benoemen.

Wat zou deze pagina veranderen

Vier dingen, in de volgorde waarin ze waarschijnlijk zullen arriveren. Een met naam genoemde eigenaar, die in deze reeks gepaard is gegaan met een licentie, een parameteraantal en een prijs. Een reproductie van een benchmark door een tweede partij, wat het eerste kwaliteitsbewijs zou zijn dat niet aan één enkele suite gebonden is. Gepubliceerde doorvoer en latentie, de twee lege velden die een koper het liefst ingevuld zou zien. En een wijziging van de tariefkaart, momenteel de meest doorslaggevende eigenschap van het model.

Tot dan is de eerlijke samenvatting kort. Space Bunny is een gratis reasoning-preview met een miljoen tokens en videomogelijkheden, met een niet bekendgemaakte operator: één door een derde partij uitgevoerde run met 7,0/10, één reeks zelfgepubliceerde subsetevaluaties, geen onafhankelijke leaderboard-vermelding en helemaal geen doorvoercijfer. De eenvoudige naam en de alfanaam verwijzen naar hetzelfde model. Al het andere erover is een met datum gemarkeerde momentopname van een vermelding, en deze pagina is de plek om te controleren welke momentopname actueel is.