AI TrackerBerita Open source,
untuk developer.
Berita Open source terbaru dari setiap penyedia AI: peluncuran, perubahan harga, dan penghentian, diringkas beserta artinya bagi Anda.
Asahi Linux memindahkan seluruh kodenya ke GPL, dengan alasan adanya upaya menyamarkan asal kode berbantuan AI
Asahi Linux, proyek yang menghadirkan Linux di Mac dengan Apple Silicon, mengumumkan dalam laporan kemajuan bahwa mereka memindahkan semua repositorinya dari lisensi MIT ke GNU General Public License versi 2 atau lebih baru, sehingga kodenya hanya akan berada di bawah lisensi copyleft. Proyek tersebut mengumumkan perubahan ini beberapa hari sebelum 9 November.
Nous Research merilis Arete-27B, Qwen3.8-27B yang dilatih pasca-prapelatihan untuk memangkas tingkat "garis partai" dari 22% menjadi 1%
Nous Research mengumumkan Arete-27B di X pada 6 November. Model ini adalah Qwen3.8-27B yang dilatih pasca-prapelatihan, menurut istilah lab tersebut, "untuk memperkuat nilai-nilai Barat". Nous berpendapat bahwa model terbuka terkuat berasal dari China dan menyertakan perilaku yang selaras dengan negara dalam bobotnya.Harness Leaderboard membandingkan sembilan harness agen coding pada model terbuka; agen yang hanya menggunakan bash berada di posisi teratas
Joel Niklaus merilis Harness Leaderboard, yang membandingkan sembilan harness agen coding yang menjalankan model terbuka. Dalam setiap perbandingan, hanya harness yang berubah: model, penyedia, dan tingkat upaya penalaran tetap sama, dan setiap tugas dicoba tiga kali. Niklaus mengatakan ia menjalankan 28.849 uji coba dengan biaya inferensi $4.746, menggunakan GLM-5.3-Flash, DeepSeek-V4.1-Flash, dan Flint pada Terminal-Bench 2.1 dan DeepSWE. Hingga 6 November, unggahan tersebut mendapat 625 poin di X.Village: model berbobot terbuka menjadi pilihan terbaik untuk 3% anggaran, turun dari 41% pada Juni
Village, penerbit LLM Atlas, melaporkan bahwa model tertutup kini menguasai hampir seluruh titik pada batas harga-kinerja. Menurut perkiraannya, model berbobot terbuka menjadi model terkuat untuk 3% anggaran, hampir semuanya berada di segmen termurah (Gemma 4 E4B dari Google dan MiMo-V2.6-Flash dari Xiaomi). Pada Juni, porsinya 41%, ketika DeepSeek V4 Flash saja memimpin hampir sepertiga anggaran. Village menyebut porsi saat ini sebagai yang terendah yang pernah diukurnya; pada akhir setiap kuartal sejak 2024, angkanya setidaknya 6%.
Artificial Analysis menempatkan FLUX 3 Image Klein di posisi #2 di antara model teks-ke-gambar berbobot terbuka
Menurut Artificial Analysis, FLUX 3 Image Klein dari Black Forest Labs, model gambar berbobot terbuka dengan 5,6 miliar parameter yang dirilis pada 15 Oktober, menempati posisi #2 di antara model berbobot terbuka pada papan peringkat AA-Image-T2I v2.1, bersaing ketat dengan Qwen-Image-2.1 yang berada di posisi #1. Pada AA-Image-Editing v2.1, model ini menempati posisi #3 di antara model berbobot terbuka. Peringkat tersebut merupakan hasil penilaian Artificial Analysis sendiri.Moonshot releases the open weights of Kimi K3.1 Pro
Moonshot posted on X that it is releasing the model weights of Kimi K3.1 Pro, on Hugging Face as moonshotai/Kimi-K3.1-Pro, and said "we'll keep advancing open intelligence." It had promised the weights by November 4 when it launched the model on October 23.Hermes Agent v0.23.0 menambahkan desktop di browser, /rewind, obrolan grup, dan batas pengeluaran
Nous Research merilis Hermes Agent v0.23.0, yang disebutnya sebagai Hearth Release. Berikut sorotan yang dicantumkan perusahaan:Artificial Analysis memberi skor 20 pada Intelligence Index untuk model open-weight Nanbeige4.3-33B, setara dengan Qwen3.8 27B
Menurut Artificial Analysis, Nanbeige4.3-33B, model open-weight dari Nanbeige (tim model fondasi di platform rekrutmen Tiongkok BOSS Zhipin), meraih skor 20 pada Intelligence Index v5, sama dengan Qwen3.8 27B (xhigh). Keduanya merupakan model dense, dengan total parameter masing-masing 33B dan 27B. Artificial Analysis menyebut model Nanbeige lebih unggul dalam penggunaan terminal, tetapi lebih lemah dalam pengetahuan, serta menetapkan titik Pareto-optimal baru untuk Intelligence Index dibandingkan total parameter.Baidu merilis open source ERNIE-5.5-Flash-Base, model MoE sparse dengan 280B parameter
Baidu telah menerbitkan ERNIE-5.5-Flash-Base di Hugging Face. Kartu modelnya menjelaskan ERNIE 5.5 Flash sebagai model bahasa mixture-of-experts sparse yang efisien, dengan total 280B parameter dan 14B parameter aktif, dilatih sebelumnya dari nol menggunakan 33.5T token dengan konteks pelatihan 128K. Fine-tuning dan inferensi mendukung konteks hingga 1M token.Ricursive AI merilis Ripple-65B Preview, model berbobot terbuka padat 65B untuk coding agentik
Ricursive AI merilis Ripple-65B Preview pada 4 November, model bahasa padat berparameter 65 miliar yang menurut perusahaan mereka latih awal dari nol. Perusahaan mengklaim model ini menetapkan standar baru untuk model berbobot terbuka dari AS dalam tugas coding agentik, mengungguli model yang jauh lebih besar yang mereka sebutkan: Muse Spark Open-816B, Beam-501B, Inkling-975B, dan Nemotron 3 Ultra-550B. Semua ini merupakan klaim perusahaan sendiri.Nous Research menyatukan plugin, konektor, dan keterampilan Hermes Agent dalam satu marketplace
Nous Research menyatakan di X pada 4 November bahwa plugin, konektor, dan keterampilan untuk Hermes Agent kini disatukan dalam satu Hermes Marketplace, tempat pengguna dapat menelusuri dan menambahkan ekstensi hanya dengan beberapa klik. Marketplace tersebut tersedia di hermes-agent.nousresearch.com/marketplace.Cloudflare membuka kode sumber skill audit keamanan untuk agen pengodean
Akun developer Cloudflare merilis cloudflare/security-audit-skill, sebuah skill sumber terbuka yang mengubah agen pengodean menjadi tim auditor keamanan. Cloudflare mengatakan skill ini menjadi dasar bagi harness penemuan kerentanan internalnya sendiri.Perplexity merilis pplx-embed-v2-context, model embedding visi-bahasa berbobot terbuka berukuran 9B dan 0.6B
Perplexity merilis pplx-embed-v2-context, dua model embedding visi-bahasa berbobot terbuka (9B dan 0.6B) di Hugging Face, beserta makalah yang ditulis bersama turbopuffer. Keduanya menghasilkan satu vektor int8 per dokumen, atau satu vektor per chunk yang mencakup seluruh dokumen, dan juga dapat berjalan dalam mode nonkontekstual dengan satu embedding per dokumen tanpa pembagian menjadi chunk.
OpenCode dibangun ulang agar berjalan di dalam devtools browser
Adam (adamdotdev) mengatakan di X pada 2 November bahwa ia membangun ulang OpenCode agar berjalan di konsol devtools browser, menggunakan pernyataan console.log untuk antarmukanya. Aplikasi ini dibuat dengan framework yang ia tautkan di textjs.org, dan ia mengajak para developer beserta agen mereka untuk membuat aplikasi konsol lain dengannya. Catatan pada postingan itu menyebutkan bahwa ekstensi VS Code sedang dikembangkan dan ekstensi devtools Chrome akan menyusul.
Anthropic merilis FlashProve, prototipe sumber terbuka untuk membuktikan model mana yang menghasilkan sebuah respons
Anthropic menerbitkan riset tentang inferensi yang dapat dibuktikan: bukti kriptografis (zkSNARK) bahwa suatu respons berasal dari kumpulan bobot model tertentu yang telah dikomitmenkan, dan dapat diperiksa oleh pengguna yang tidak memiliki bobot tersebut. Unggahan itu menyebutkan bahwa hal ini dapat membantu mendeteksi model yang diam-diam diganti oleh layanan perutean atau diubah oleh penyerang, serta memberi evaluator dan regulator cara untuk memeriksa model apa yang sedang disajikan.
Hydrogen-1.0, model ilmiah berbobot terbuka yang dilatih lanjut dari GLM-5.3, dirilis
Chenru Duan mengumumkan Hydrogen-1.0, yang disebut tim sebagai model berbobot terbuka pertama mereka untuk riset ilmiah. Model ini adalah GLM-5.3 (dari Z.ai) yang dilatih lanjut menggunakan data ilmiah internal, catatan laboratorium, dan rekam jejak penemuan tim.
MiniMax mencantumkan kuantisasi komunitas untuk menjalankan M3.1 Flash secara lokal
MiniMax mengunggah rangkuman versi terkuantisasi buatan komunitas dari M3.1 Flash berbobot terbuka dengan 428B parameter, yang ditujukan bagi mereka yang menjalankannya di perangkat keras sendiri. MiniMax menyatakan bahwa bobot bit-rendah mengurangi memori yang dibutuhkan untuk memuat model dan data bobot yang dipindahkan selama proses decoding. Agar hasilnya berguna, diperlukan kalibrasi cermat, kernel bit-rendah yang efisien, serta penempatan expert di antara GPU dan RAM sistem.