AI TrackerOpen source: wiadomości
dla twórców.
Najnowsze wiadomości z kategorii „Open source” od każdego dostawcy AI: premiery, zmiany cen i wycofania, w skrócie i z tym, co oznaczają dla Ciebie.
Asahi Linux przenosi cały swój kod na GPL, powołując się na pranie kodu z pomocą AI
Asahi Linux, projekt zapewniający obsługę Linuksa na komputerach Mac z Apple Silicon, poinformował w raporcie z postępów, że przenosi wszystkie swoje repozytoria z licencji MIT na GNU General Public License w wersji 2 lub nowszej, tak aby jego kod był objęty wyłącznie licencjami copyleft. Projekt ogłosił tę zmianę kilka dni przed 9 listopada.
Nous Research udostępnia Arete-27B — model Qwen3.8-27B po dodatkowym treningu, który obniża odsetek odpowiedzi zgodnych z „linią partii” z 22% do 1%
6 listopada Nous Research ogłosiło na X model Arete-27B. To Qwen3.8-27B po dodatkowym treningu, którego celem — jak mówi laboratorium — jest „wzmocnienie zachodnich wartości”. Nous argumentuje, że najpotężniejsze otwarte modele pochodzą z Chin, a ich wagi odzwierciedlają zachowania zgodne z linią państwa.Harness Leaderboard porównuje dziewięć środowisk agentów programistycznych działających na otwartych modelach; najlepszy jest agent korzystający wyłącznie z bash
Joel Niklaus opublikował Harness Leaderboard, który porównuje dziewięć środowisk agentów programistycznych działających na otwartych modelach. W każdym porównaniu zmienia się tylko środowisko: model, dostawca i poziom zaangażowania w rozumowanie pozostają takie same, a każde zadanie ma trzy próby. Niklaus twierdzi, że przeprowadził 28 849 testów za 4 746 USD kosztów wnioskowania, korzystając z GLM-5.3-Flash, DeepSeek-V4.1-Flash i Flint na Terminal-Bench 2.1 oraz DeepSWE. Do 6 listopada post uzyskał 625 punktów na X.Village: modele z otwartymi wagami to najlepszy wybór przy 3% budżetów, wobec 41% w czerwcu
Village, wydawca LLM Atlas, podaje, że zamknięte modele zajmują obecnie niemal wszystkie punkty na granicy stosunku ceny do wydajności. Według szacunków serwisu model z otwartymi wagami jest najmocniejszy przy 3% budżetów — niemal wyłącznie w najtańszym segmencie (Gemma 4 E4B od Google i MiMo-V2.6-Flash od Xiaomi). W czerwcu udział ten wynosił 41%, a sam DeepSeek V4 Flash prowadził wówczas w niemal jednej trzeciej budżetów. Village twierdzi, że obecny udział jest najniższy w historii pomiarów; na koniec każdego kwartału od 2024 roku wynosił co najmniej 6%.
Artificial Analysis plasuje FLUX 3 Image Klein na 2. miejscu wśród modeli text-to-image z otwartymi wagami
Według Artificial Analysis FLUX 3 Image Klein firmy Black Forest Labs, model do generowania obrazów z otwartymi wagami i 5,6 mld parametrów, wydany 15 października, zajmuje 2. miejsce w rankingu AA-Image-T2I v2.1, tuż za liderem Qwen-Image-2.1. W rankingu AA-Image-Editing v2.1 zajmuje 3. miejsce wśród modeli z otwartymi wagami. Rankingi są opracowaniem Artificial Analysis.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 dodaje pulpit w przeglądarce, /rewind, czaty grupowe i limity wydatków
Nous Research wydało Hermes Agent v0.23.0, które określa jako Hearth Release. Oto najważniejsze nowości wymienione przez firmę:Artificial Analysis ocenia model open-weight Nanbeige4.3-33B na 20 punktów w swoim Intelligence Index — tyle samo co Qwen3.8 27B
Według Artificial Analysis model open-weight Nanbeige4.3-33B od Nanbeige (zespołu pracującego nad modelami bazowymi na chińskiej platformie rekrutacyjnej BOSS Zhipin) uzyskał 20 punktów w Intelligence Index v5, tyle samo co Qwen3.8 27B (xhigh). Oba modele są gęste i mają odpowiednio 33B oraz 27B parametrów. Artificial Analysis twierdzi, że model Nanbeige lepiej radzi sobie z obsługą terminala, ale ma słabszą wiedzę, a jego wynik wyznacza nowy punkt na granicy Pareto dla Intelligence Index w odniesieniu do łącznej liczby parametrów.Baidu udostępnia na otwartej licencji ERNIE-5.5-Flash-Base, rzadki model MoE z 280 mld parametrów
Baidu opublikowało ERNIE-5.5-Flash-Base w serwisie Hugging Face. Karta modelu opisuje ERNIE 5.5 Flash jako wydajny model językowy oparty na rzadkiej architekturze mieszanki ekspertów, z 280 mld parametrów łącznie i 14 mld aktywnych parametrów. Model wytrenowano od podstaw na 33,5 bln tokenów, przy kontekście treningowym o długości 128 tys. tokenów. Fine-tuning i inferencja obsługują kontekst do 1 mln tokenów.Ricursive AI udostępnia Ripple-65B Preview, gęsty model o otwartych wagach z 65 mld parametrów, przeznaczony do programowania agentowego
Ricursive AI udostępniło 4 listopada Ripple-65B Preview, gęsty model językowy z 65 miliardami parametrów, który — jak twierdzi firma — wytrenowano wstępnie od podstaw. Firma deklaruje, że model wyznacza nowy stan sztuki wśród amerykańskich modeli o otwartych wagach w zadaniach programowania agentowego, wyprzedzając znacznie większe modele, które wymienia: Muse Spark Open-816B, Beam-501B, Inkling-975B i Nemotron 3 Ultra-550B. Są to twierdzenia samej firmy.Nous Research umieszcza wtyczki, integracje i umiejętności Hermes Agent w jednym marketplace
Nous Research poinformowało 4 listopada na X, że wtyczki, integracje i umiejętności dla Hermes Agent są teraz dostępne w jednym Hermes Marketplace, gdzie użytkownicy mogą przeglądać rozszerzenia i dodawać je kilkoma kliknięciami. Marketplace znajduje się pod adresem hermes-agent.nousresearch.com/marketplace.Cloudflare udostępnia open source umiejętność audytu bezpieczeństwa dla agentów programistycznych
Konto deweloperskie Cloudflare opublikowało cloudflare/security-audit-skill — otwartoźródłową umiejętność, która przekształca agenta programistycznego w zespół audytorów bezpieczeństwa. Cloudflare twierdzi, że ta umiejętność dała początek własnemu narzędziu do wykrywania podatności.Perplexity udostępnia pplx-embed-v2-context — modele embeddingowe vision-language z otwartymi wagami w rozmiarach 9B i 0.6B
Perplexity udostępniło na Hugging Face pplx-embed-v2-context — dwa modele embeddingowe vision-language z otwartymi wagami (9B i 0.6B), wraz z artykułem napisanym we współpracy z turbopuffer. Każdy z nich zwraca jeden wektor int8 na dokument albo jeden na fragment, który uwzględnia cały dokument. Oba działają też w trybie bez kontekstu, zwracając jeden embedding na dokument i nie dzieląc go na fragmenty.
OpenCode przebudowane tak, by działało w narzędziach deweloperskich przeglądarki
Adam (adamdotdev) napisał 2 listopada na X, że przebudował OpenCode tak, by działało w konsoli narzędzi deweloperskich przeglądarki, wykorzystując instrukcje console.log jako interfejs. Projekt opiera się na frameworku, do którego linkuje na textjs.org. Adam zachęca deweloperów i ich agentów do tworzenia z jego pomocą innych aplikacji konsolowych. W notatce do wpisu napisano, że trwają prace nad rozszerzeniem do VS Code, a rozszerzenie do narzędzi deweloperskich Chrome ma powstać później.
Anthropic publikuje FlashProve — otwarty prototyp do weryfikacji, który model wygenerował odpowiedź
Anthropic opublikował badania nad weryfikowalnym wnioskowaniem: dowodem kryptograficznym (zkSNARK), że odpowiedź pochodzi z konkretnego, zatwierdzonego zestawu wag modelu, który może sprawdzić użytkownik nieposiadający tych wag. Jak głosi wpis, mogłoby to pomóc wykryć model potajemnie podmieniony przez usługę routującą żądania lub zmodyfikowany przez atakującego, a także dać ewaluatorom i regulatorom sposób na sprawdzenie, jaki model jest udostępniany.
Wydano Hydrogen-1.0, otwarty model naukowy, który dostrojono po treningu na bazie GLM-5.3
Chenru Duan ogłasza Hydrogen-1.0, który zespół określa jako swój pierwszy model z otwartymi wagami do badań naukowych. To GLM-5.3 (od Z.ai) dostrojony po treningu na wewnętrznych danych naukowych zespołu, dokumentacji laboratoryjnej i trajektoriach odkryć.
MiniMax wymienia społecznościowe kwantyzacje do lokalnego uruchamiania M3.1 Flash
MiniMax opublikował zestawienie kwantyzowanych wersji swojego modelu M3.1 Flash z otwartymi wagami i 428 mld parametrów, przygotowanych przez społeczność z myślą o osobach uruchamiających go na własnym sprzęcie. Firma twierdzi, że wagi o niższej precyzji zmniejszają ilość pamięci potrzebnej do załadowania modelu oraz ilość danych wag przenoszonych podczas dekodowania. Dodaje, że uzyskanie praktycznego rozwiązania wymaga starannej kalibracji, wydajnych niskoprecyzyjnych kerneli oraz odpowiedniego rozmieszczenia ekspertów między GPU a pamięcią RAM systemu.