AI TrackerTin mã nguồn mở,
cho nhà phát triển.
Tin mới nhất về mã nguồn mở từ mọi nhà cung cấp AI: ra mắt, thay đổi giá và ngừng hỗ trợ, tóm tắt kèm ý nghĩa với bạn.
Asahi Linux chuyển toàn bộ mã nguồn sang GPL, viện dẫn việc dùng AI để hợp thức hóa mã nguồn
Asahi Linux, dự án đưa Linux lên các máy Mac dùng Apple Silicon, thông báo trong báo cáo tiến độ rằng họ sẽ chuyển tất cả kho mã nguồn từ giấy phép MIT sang GNU General Public License phiên bản 2 trở lên, để mã nguồn chỉ còn được cấp phép theo các giấy phép copyleft. Dự án công bố thay đổi này vài ngày trước ngày 9 tháng 11.
Nous Research ra mắt Arete-27B, Qwen3.8-27B được hậu huấn luyện để giảm tỷ lệ theo “đường lối của Đảng” từ 22% xuống 1%
Nous Research công bố Arete-27B trên X vào ngày 6 tháng 11. Đây là Qwen3.8-27B được hậu huấn luyện, theo lời phòng thí nghiệm, “để củng cố các giá trị phương Tây”. Nous cho rằng những mô hình mở mạnh nhất hiện nay là của Trung Quốc và được phát hành với hành vi phù hợp với định hướng của nhà nước đã tích hợp trong trọng số.Harness Leaderboard so sánh chín harness cho tác tử lập trình trên các mô hình mở; một tác tử chỉ dùng bash dẫn đầu
Joel Niklaus đã công bố Harness Leaderboard, bảng so sánh chín harness cho tác tử lập trình chạy trên các mô hình mở. Trong mỗi phép so sánh, chỉ harness thay đổi: mô hình, nhà cung cấp và mức độ suy luận được giữ nguyên, đồng thời mỗi tác vụ có ba lần thử. Niklaus cho biết ông đã chạy 28.849 lượt thử với chi phí suy luận 4.746 USD, sử dụng GLM-5.3-Flash, DeepSeek-V4.1-Flash và Flint trên Terminal-Bench 2.1 và DeepSWE. Đến ngày 6 tháng 11, bài đăng đạt 625 điểm trên X.Village: các mô hình trọng số mở là lựa chọn đáng tiền nhất ở 3% ngân sách, giảm từ 41% hồi tháng 6
Village, đơn vị xuất bản LLM Atlas, cho biết hiện nay các mô hình đóng chiếm gần như mọi điểm trên đường biên hiệu năng/giá. Theo ước tính của tổ chức này, mô hình trọng số mở là lựa chọn mạnh nhất ở 3% ngân sách, gần như toàn bộ ở phân khúc giá rẻ (Gemma 4 E4B của Google và MiMo-V2.6-Flash của Xiaomi). Hồi tháng 6, tỷ lệ này là 41%, khi riêng DeepSeek V4 Flash dẫn đầu ở gần một phần ba mức ngân sách. Village cho biết tỷ lệ hiện nay là thấp nhất mà họ từng ghi nhận; vào cuối mỗi quý kể từ năm 2024, tỷ lệ này đều ở mức ít nhất 6%.
Artificial Analysis xếp FLUX 3 Image Klein ở vị trí số 2 trong số các mô hình chuyển văn bản thành hình ảnh có trọng số mở
Artificial Analysis cho biết FLUX 3 Image Klein của Black Forest Labs, mô hình tạo ảnh có trọng số mở với 5,6 tỷ tham số ra mắt ngày 15 tháng 10, đứng thứ 2 trong số các mô hình có trọng số mở trên bảng xếp hạng AA-Image-T2I v2.1 của hãng, bám sát vị trí số 1 của Qwen-Image-2.1. Trên AA-Image-Editing v2.1, mô hình đứng thứ 3 trong số các mô hình có trọng số mở. Đây là các bảng xếp hạng riêng của 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 bổ sung giao diện máy tính để bàn trên trình duyệt, /rewind, trò chuyện nhóm và giới hạn chi tiêu
Nous Research phát hành Hermes Agent v0.23.0, được hãng gọi là Hearth Release. Các điểm nổi bật theo danh sách của công ty:Artificial Analysis chấm mô hình trọng số mở Nanbeige4.3-33B đạt 20 trên Intelligence Index, ngang bằng Qwen3.8 27B
Artificial Analysis cho biết Nanbeige4.3-33B, mô hình trọng số mở của Nanbeige (nhóm phát triển mô hình nền tảng thuộc nền tảng tuyển dụng Trung Quốc BOSS Zhipin), đạt 20 trên Intelligence Index v5, ngang bằng Qwen3.8 27B (xhigh). Cả hai đều là mô hình dense, có tổng cộng lần lượt 33B và 27B tham số. Artificial Analysis cho biết mô hình của Nanbeige sử dụng terminal tốt hơn nhưng có kiến thức yếu hơn, đồng thời tạo ra một điểm Pareto tối ưu mới xét theo Intelligence Index so với tổng số tham số.Baidu mã nguồn mở ERNIE-5.5-Flash-Base, một mô hình MoE thưa có 280B tham số
Baidu đã phát hành ERNIE-5.5-Flash-Base trên Hugging Face. Thẻ mô hình mô tả ERNIE 5.5 Flash là mô hình ngôn ngữ MoE thưa hiệu quả, với tổng cộng 280B tham số và 14B tham số kích hoạt; mô hình được tiền huấn luyện từ đầu trên 33.5T token với ngữ cảnh huấn luyện 128K. Fine-tuning và suy luận hỗ trợ ngữ cảnh lên đến 1M token.Ricursive AI ra mắt Ripple-65B Preview, mô hình trọng số mở dạng dense 65B dành cho lập trình bằng tác tử
Ricursive AI ra mắt Ripple-65B Preview vào ngày 4 tháng 11, một mô hình ngôn ngữ dense có 65 tỷ tham số mà công ty cho biết đã tiền huấn luyện từ đầu. Công ty tuyên bố mô hình lập kỷ lục mới cho các mô hình trọng số mở của Mỹ trong những tác vụ lập trình bằng tác tử, vượt qua các mô hình lớn hơn nhiều mà công ty nêu tên: Muse Spark Open-816B, Beam-501B, Inkling-975B và Nemotron 3 Ultra-550B. Đây là những tuyên bố của chính công ty.Nous Research đưa plugin, trình kết nối và kỹ năng của Hermes Agent vào một marketplace duy nhất
Nous Research cho biết trên X vào ngày 4 tháng 11 rằng plugin, trình kết nối và kỹ năng dành cho Hermes Agent hiện được hợp nhất trong một Hermes Marketplace duy nhất, nơi người dùng có thể duyệt và thêm tiện ích mở rộng chỉ với vài cú nhấp. Marketplace có tại hermes-agent.nousresearch.com/marketplace.Cloudflare mã nguồn mở một kỹ năng kiểm tra bảo mật dành cho tác nhân lập trình
Tài khoản dành cho nhà phát triển của Cloudflare đã phát hành cloudflare/security-audit-skill, một kỹ năng mã nguồn mở biến tác nhân lập trình thành một nhóm kiểm toán viên bảo mật. Cloudflare cho biết kỹ năng này đã làm nền tảng cho bộ công cụ phát hiện lỗ hổng nội bộ của họ.Perplexity ra mắt pplx-embed-v2-context, các mô hình embedding thị giác-ngôn ngữ có trọng số mở với kích thước 9B và 0.6B
Perplexity đã phát hành pplx-embed-v2-context, hai mô hình embedding thị giác-ngôn ngữ có trọng số mở (9B và 0.6B) trên Hugging Face, cùng một bài báo được viết với turbopuffer. Cả hai trả về một vector int8 cho mỗi tài liệu, hoặc một vector cho mỗi đoạn có thể truy cập toàn bộ tài liệu; đồng thời, cả hai cũng chạy ở chế độ không có ngữ cảnh, với một embedding cho mỗi tài liệu và không chia đoạn.
OpenCode được xây dựng lại để chạy bên trong công cụ dành cho nhà phát triển của trình duyệt
Ngày 2 tháng 11, Adam (adamdotdev) cho biết trên X rằng anh đã xây dựng lại OpenCode để chạy trong bảng điều khiển của công cụ dành cho nhà phát triển trên trình duyệt, dùng các câu lệnh console.log làm giao diện. Ứng dụng được xây dựng trên một framework mà anh liên kết tại textjs.org, đồng thời anh mời các nhà phát triển và tác nhân của họ dùng framework này để tạo những ứng dụng khác chạy trong bảng điều khiển. Ghi chú kèm bài đăng cho biết tiện ích mở rộng cho VS Code đang được phát triển, còn tiện ích mở rộng cho Chrome devtools sẽ ra mắt sau.
Anthropic ra mắt FlashProve, nguyên mẫu mã nguồn mở để chứng minh mô hình nào đã tạo ra một câu trả lời
Anthropic công bố nghiên cứu về suy luận có thể chứng minh: một bằng chứng mật mã (zkSNARK) xác nhận câu trả lời được tạo ra từ một bộ trọng số mô hình cụ thể đã được cam kết, để người dùng không có trọng số vẫn có thể kiểm tra. Bài đăng cho biết phương pháp này có thể giúp phát hiện khi dịch vụ định tuyến âm thầm đổi mô hình hoặc khi kẻ tấn công can thiệp, đồng thời giúp chuyên gia đánh giá và cơ quan quản lý kiểm tra mô hình đang được cung cấp.
Hydrogen-1.0, mô hình trọng số mở dành cho khoa học được tinh chỉnh hậu huấn luyện từ GLM-5.3, ra mắt
Chenru Duan công bố Hydrogen-1.0, mà nhóm gọi là mô hình trọng số mở đầu tiên của họ dành cho nghiên cứu khoa học. Đây là GLM-5.3 (từ Z.ai), được tinh chỉnh hậu huấn luyện bằng dữ liệu khoa học nội bộ, hồ sơ phòng thí nghiệm và các lộ trình khám phá của nhóm.
MiniMax liệt kê các bản lượng tử hóa do cộng đồng thực hiện để chạy M3.1 Flash cục bộ
MiniMax đăng tổng hợp các phiên bản lượng tử hóa do cộng đồng tạo ra cho M3.1 Flash mã trọng số mở, 428 tỷ tham số, hướng đến những người chạy mô hình trên phần cứng của riêng mình. MiniMax cho biết trọng số bit thấp hơn giúp giảm bộ nhớ cần để tải mô hình cũng như lượng dữ liệu trọng số phải truyền trong quá trình giải mã; để các phiên bản này hữu ích cần hiệu chuẩn cẩn thận, kernel bit thấp hiệu quả và phân bổ các chuyên gia giữa GPU với RAM hệ thống.