Gepubliceerd: 15 augustus 2026
Dots studio, het AI-lab binnen Xiaohongshu, bracht op 14 augustus 2026 dots3-note Preview uit, het eerste publieke model in de dots3-familie, onder de Apache 2.0-licentie. dots3-note Preview is een mixture of experts van 280 miljard parameters met 16 miljard actieve parameters, een contextvenster van 512.000 tokens en invoer via tekst, beeld, video en audio. De release introduceert TEMPO, een reinforcement learning-methode die dots studio bouwde om agents te trainen op taken die tientallen uren duren.
Wat kan dots3-note Preview?
Dots studio omschrijft dots3-note Preview als een stap richting langlopende zelfstandigheid in de praktijk, en het ontwerp volgt daaruit. Het model neemt tekst, beeld, video en audio als invoer en geeft tekst terug, waarbij video-invoer ook het bijbehorende audiospoor meeneemt als dat aanwezig is. Het is ontwikkeld om onbekende omgevingen te verkennen, geheugen in de tijd bij te werken en multimodale waarneming te combineren met programmeren en tool use over langlopende taken, in plaats van losse vragen goed te beantwoorden.
Het lab bracht twee evaluatieomgevingen mee, VibeSearchBench en VibeLifeBench, gericht op precies dat soort langdurig werk. Dat is een klein detail maar wel een veelzeggend detail: een benchmark meeleveren met het model is hoe een lab aangeeft op welke capaciteit het beoordeeld wil worden.
Architectuur en technische specificaties van dots3-note Preview
De gepubliceerde specificatie is ongewoon gedetailleerd voor een preview. dots3-note Preview heeft 280 miljard parameters in totaal met 16 miljard actief, verdeeld over een dichte laag en 45 mixture of experts-lagen. Het routeert per token naar 8 van de 256 experts plus een gedeelde expert, bij een verborgen dimensie van 5.120, met een dichte feed forward-breedte van 13.824 en 1.536 per expert. De attentie mengt 13 DSA-blokken met 33 sliding window-blokken, ongeveer een op drie, waarbij DSA werkt over de bovenste 2.048 posities. Een laag voor multi token prediction voegt nog eens 1,13 miljard parameters toe.
De waarnemingslaag staat los van het taalmodel. Beeld loopt via een mixture of experts vision transformer van 7 miljard parameters met 1,2 miljard actief, audio via een dichte encoder van 800 miljoen parameters. Het contextvenster is 512.000 tokens, de woordenschat telt 152.000 tokens en de gewichten verschijnen in zowel BF16 als FP8. Zowel vLLM als SGLang bieden een vlag om alleen het taalmodel te laden als de waarnemingsencoders niet nodig zijn.
Op benchmarks publiceert dots studio een eigen tabel tegen HY3, GLM 5.2, DeepSeek V4 flash en pro, Seed 2.1 turbo, Kimi K3, Claude Opus 4.8 en GPT-5.5, en het resultaat is specialistischer dan een kop zou doen vermoeden. Het model leidt op abstract redeneren en zoeken: 81,39 op ARC AGI 2 tegenover 72,1 voor Claude Opus 4.8, 60,4 voor Kimi K3 en 22,8 voor GLM 5.2, en 6,9 op het officiële ARC AGI 3 tegenover 1,5 voor Claude Opus 4.8 en 0,4 voor GPT-5.5. Het noteert ook 80,4 op IFBench tegenover 62,2 voor Claude Opus 4.8. Op agentisch programmeren verliest het vaker dan het wint: 75,1 op Terminal-Bench 2.1 tegenover 88,3 voor Kimi K3 en 81 voor GLM 5.2, 61 op SWE-bench Pro tegenover 69,2 voor Claude Opus 4.8, en 55,6 op Toolathlon Verified tegenover 76,5 voor Kimi K3. dots studio publiceert de harnesses en de beoordelingsmodellen, maar ruwweg de helft van de concurrentscores in de tabel draagt een asterisk waarvan de betekenis nergens in de aankondiging wordt uitgelegd.
Wat is TEMPO, en wat heeft dots studio daadwerkelijk aangetoond?
TEMPO staat voor Test-time-scaled Value Estimation with Macro-step Policy Optimization en lost een trainingsprobleem op, geen inferentieprobleem. Het argument van dots studio is dat een enkele agentrollout op een echt lange taak meer dan tien uur kan duren, en dat de beloning aan het eind te schaars is om krediet over die hele periode toe te wijzen. TEMPO knipt de taak in macro-stappen van elk enkele interactierondes. Aan het einde van een macro-stap schakelt hetzelfde model van actor naar criticus en schat het met test-time-scaled redeneren het verwachte resterende rendement, waardoor de policy kan worden bijgewerkt voordat de taak klaar is. In de formulering van dots studio leert reinforcement learning het model niet alleen hoe het moet handelen, maar ook hoe het zichzelf moet beoordelen.
Het bewijs voor TEMPO is mager in verhouding tot de claim. dots studio meldt dat TEMPO gemiddeld 31,5 procent hoger scoort dan het baseline-checkpoint en 20,6 procent hoger dan GRPO op ARC-AGI-3, maar dat cijfer staat alleen in een onderschrift bij een grafiek, zonder tabel, zonder aantal seeds en zonder spreiding. Het volledige technische rapport over architectuur, training en evaluatie was beloofd binnen een week na de lancering en was op 17 augustus 2026 nog niet gepubliceerd.
Een veelgedeelde claim verdient correctie. dots studio meldt dat het bij IMO 2026 een interne harness bouwde rond een branch van dots3-note Preview die recursief bewijzen genereerde en tools gebruikte om die te toetsen en te verbeteren, en dat dat systeem een officieel gecertificeerde perfecte score van 42 uit 42 en een gouden medaille behaalde. Dat resultaat hoort bij een branch van het model binnen een op maat gebouwde harness, niet bij het checkpoint dat op 14 augustus is gepubliceerd. Berichtgeving die stelt dat dots3-note 42 uit 42 scoorde op de IMO overdrijft wat er is uitgebracht.
Waar dots3-note Preview te krijgen is
De gewichten staan op Hugging Face als dots-studio/dots3-note-prev en dots-studio/dots3-note-prev-fp8, op ModelScope onder dezelfde namen, en de code staat op GitHub bij studio-dots-ai/dots3-note-prev. De licentie is Apache 2.0, bevestigd in het licentiebestand, dus commercieel gebruik is toegestaan. Wie het wil proberen zonder zelf te hosten, kan terecht bij OpenRouter, waar het gratis draait als dots-studio/dots-3-note-preview met het volledige contextvenster van 512.000 tokens.
De ondersteuning door frameworks is bij de lancering nog gedeeltelijk. vLLM ondersteunt het model native op main, terwijl de pull requests voor Transformers en SGLang op 17 augustus 2026 nog in review stonden, waarbij dots studio SGLang-gebruikers voorlopig doorverwijst naar een aparte ontwikkelimage. Toegang tot de eigen API loopt via een aanvraag op het platform van dots.ai.
Ga voor meer informatie naar de officiële dots3-note Preview aankondiging van dots studio
