#open-source-ai — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #open-source-ai, aggregated by home.social.
-
Three AI titans suddenly agree we should “pace the frontier.” How convenient that the proposed speed limit arrives after they built the biggest closed AI tollbooths.
Safety matters. But “safety” cannot mean locking out open-source builders, local AI users, and everyone without a token budget.
Gitgem’s take on the Cartel Token Gang: (no need an X account with this link!)
-
Open-Source AI and Open Models Reading List
https://www.interconnects.ai/p/open-source-ai-reading-list
Comments: https://news.ycombinator.com/item?id=49690260
#HackerNews #OpenSourceAI #AIModels #ReadingList #TechNews #Innovation
-
A study of cybersecurity literature on open-source software and AI – GOV.UK
Taking a moment to read this and celebrate the amount of personal effort gone into developing the Open Source AI Definition.
The UK government, “Department for Digital, Culture, Media & Sport (DCMS) commissioned this review to assess the cybersecurity landscape for open-source software (OSS) and open-source AI (OSAI), map global frameworks and practices, identify security gaps and emerging risks, and provide actionable early recommendations.”
In its key findings, the report says:
3. The most comprehensive definition available is the Open-Source AI Definition 1.0 (OSAID).
Published in October 2024, it requires that a genuinely open-source AI system make available its training data information, source code, and model parameters together, clarifying that openness should mean transparency across the full artefact chain, not just code access. UK policy should engage with it explicitly.
and later, in the recommendations:
1. Establish working definitions of OSS and OSAI.
Adopt the OSD explicitly, including for OSS used as an input to AI systems, and anchor the OSAI definition in the OSAID, distinguishing fully open-source systems, open-weight models, and partially open configurations, with obligations calibrated to each.
Source: A study of cybersecurity literature on open-source software and AI – GOV.UK
-
RT @TheAhmadOsman: Dass DeepSeek V4.1 Flash so gut ist, lässt Anthrinks IPO im Wert von 2 Billionen Dollar wahnsinnig dumm erscheinen. Deshalb hassen sie Open-Source-KI und wollen sie verbieten.
mehr auf Arint.info
#Anthropic #DeepSeek #Innovation #KI #OpenSourceAI #TechNews #arint_info
-
Three AI projects show what comes after chat: Heretic changes model behavior automatically, LLM Robot Arena turns AI-written controllers into competition, and Scientific Agent Skills brings reusable skills and scientific databases to research agents.
#AI #ArtificialIntelligence #OpenSourceAI #AIAgents #MachineLearning
-
NVIDIA Nemotron 3 Ultra 550B: Developer Guide — Architecture, Benchmarks & Deployment
Jensen Huang unveiled Nemotron 3 Ultra at Computex 2026 on June 1 — a 550B-parameter open-weights MoE model with 55B active parameters, 1M token context, LatentMoE archite...
https://wowhow.cloud/blogs/nvidia-nemotron-3-ultra-550b-computex-2026-developer-guide
-
Open should mean more than downloadable weights.
K2 Horizon releases six models—from 0.9B to 375B parameters—together with training code, data or recipes, checkpoints and evaluations.
This makes model development inspectable and reproducible: an important reference point for sovereign AI.
https://ifm.ai/k2/
#OpenSourceAI #SovereignAI #AIInfrastructure -
Corporate America Is Getting Hooked on Open-Source A.I
https://www.nytimes.com/2026/09/04/technology/open-source-ai-anthropic-openai.html
Comments: https://news.ycombinator.com/item?id=49566137
#HackerNews #CorporateAmerica #OpenSourceAI #Technology #Innovation #AITrends #AICommunity
-
NVIDIA is reportedly acquiring Hugging Face for $12.9B, one of its biggest deals yet. 🤖
It’s not just about chips anymore. The next AI battle is for the ecosystem of models and developers.
-
Nvidia’s $13 Billion Hugging Face Deal Could Change the Future of AI
https://www.cashlesstime.com/2026/09/nvidias-13-billion-hugging-face-deal.html?m=1#Nvidia #HuggingFace #AI #ArtificialIntelligence #OpenSourceAI #GenerativeAI #TechNews #AIIndustry #Semiconductors #NvidiaStock #Technology #BusinessNews
-
Swiss AI model Apertus one year on: our progress on v1.5 and challenges are in the #swissinfo headlines today, feat. interviews with the #opensourceai community #CantonTicino #SingaporeAI @Liip #Artificialy #Apertus
https://www.swissinfo.ch/eng/swiss-ai/one-year-on-has-swiss-ai-model-apertus-lived-up-to-the-hype/91984276 -
It's Meta's answer to the "AI should be for everyone" debate — and a not-so-subtle jab at closed labs like OpenAI and Anthropic who keep their best models locked away. Zuckerberg's betting big: this is just the appetizer. The full-power Muse Spark model is set to go open-weight next.
#metaads #museglimmer #opensourceai #artificialintelligence #ｍodels #technews #zuckerberg #machinelearning #agenticai #openweightai
-
Local LLM Arena #7
Na początku GPT-OSS-20B zrobił na mnie bardzo dobre wrażenie. W benchmarku codingowym zremisował z Qwenem, a przy tym działał około 5 razy szybciej. Dlatego chciałem sprawdzić, jak poradzi sobie nie z krótkimi zadaniami, ale z normalną pracą nad kodem.
Przygotowałem 5 praktycznych zadań, w których model musiał sam znaleźć problem w projekcie, zmienić kod i przejść testy.
Wynik końcowy: 0/5.
Sprawdziłem to jeszcze osobnym audytem, bo po wcześniejszych problemach z samym środowiskiem nie chciałem niesprawiedliwie obwiniać modelu. Tym razem jednak test przebiegł prawidłowo i wynik się potwierdził.
Model może wyglądać bardzo dobrze w benchmarku, a znacznie gorzej radzić sobie wtedy, gdy musi przez dłuższą chwilę samodzielnie pracować nad prawdziwym projektem.
GPT-OSS nadal jest szybki i ciekawy, ale jako lokalny zamiennik narzędzi, których używam do codziennego programowania, na razie mnie nie przekonał.
Kolejnych modeli nie będę już testował. Czekają na mnie następne projekty, więc na razie zostaję przy Codex i Antigravity.
#LocalLLM #LLM #AI #AppleSilicon #MacBookAir #M4 #LMStudio #GPTOSS #Coding #OpenSourceAI -
Local LLM Arena #6
Udało mi się już mniej więcej ustalić, co wydarzyło się podczas wczorajszej awarii Maca.
I najważniejsze: problemem nie był sam GPT-OSS.
Problemem był system, który miał go testować.
Kilka procesów uruchamianych podczas testu nie kończyło się prawidłowo. Harness zamiast je przerwać potrafił czekać na nie godzinami, a przy okazji trzymał w pamięci coraz więcej logów i danych z kolejnych etapów.
W pewnym momencie zaczęło się to nakładać.
Pamięci było coraz mniej, macOS zaczął coraz mocniej korzystać z kompresji i swapu, wszystko coraz bardziej zwalniało, aż w końcu komputer praktycznie przestał reagować.
Antigravity doszło wtedy do prawie 48 GB zajętej pamięci na MacBooku z 16 GB RAM.
Po twardym restarcie wszystko wróciło do normy: około 87% wolnej pamięci i 0 MB swapu.
Czyli sprzęt jest OK.
Po prostu sam harness do testowania modeli zrobił się zbyt skomplikowany i w pewnym momencie zaczął być większym problemem niż model, który miał sprawdzać.
Dlatego starego V3 już nie uruchamiam.
Powstała prostsza wersja V4. Każdy zewnętrzny proces ma mieć limit czasu, logi nie mogą rosnąć bez końca, a osobny System Guard ma zatrzymać test, zanim sytuacja z pamięcią wymknie się spod kontroli.
Trial #2 nadal nie został uruchomiony.
Najpierw chcę mieć pewność, że tym razem bezpieczny jest nie tylko model, ale też cały system, który go testuje.
#LocalLLM #LLM #AI #AppleSilicon #MacBookAir #M4 #LMStudio #Codex #GPTOSS #Coding #OpenSourceAI
-
Local LLM Arena #5
Pierwszy prawdziwy test GPT-OSS jako lokalnego agenta programistycznego przyniósł więcej informacji, niż się spodziewałem — tylko niekoniecznie o samym modelu.
Okazało się, że pierwsza wersja testu miała problem z izolacją środowiska Codex CLI. Do kontekstu lokalnego modelu trafiały informacje o wtyczkach i narzędziach, które nie miały nic wspólnego z zadaniem programistycznym.
Dlatego wyniku tego testu nie traktuję jako miarodajnego wyniku GPT-OSS.
Zacząłem więc poprawiać środowisko: czyste sesje, brak chmurowego fallbacku, izolacja hidden testów, kontrola retry, timeouty i dodatkowa diagnostyka.
I tutaj pojawił się kolejny problem.
Sam system testujący zrobił się zbyt skomplikowany.
Kolejne preflighty potrafiły zawieszać procesy na wiele godzin, a podczas ostatniej próby Antigravity doszedł do około 48 GB (?!?!?) zajętej pamięci na MacBooku Air M4 z 16 GB RAM.
System w końcu przestał odpowiadać i potrzebny był twardy restart.
Na szczęście właściwy Trial #2 nigdy nie został uruchomiony, a po restarcie Mac wrócił do normalnego stanu: 0 MB swapu i około 87% wolnej pamięci.
Wniosek jest prosty: nie ma sensu dokładać kolejnych warstw do wadliwego harnessu.
Teraz robię krok wstecz.
Codex ma przeprowadzić audyt całej obecnej infrastruktury i pomóc zaprojektować prostszą wersję V4.
Założenia są już inne:
– każdy proces ma twardy timeout,
– żadnego czekania godzinami,
– test ma własny niezależny System Guard,
– w razie problemów zatrzymywana jest tylko grupa procesów trialu,
– hidden testy są całkowicie poza zasięgiem modelu podczas kodowania,
– iCloud nie jest częścią krytycznej ścieżki,
– Antigravity ma tylko przygotować i uruchomić test, a nie czekać na niego godzinami.Cel się nie zmienił.
Tym razem jednak najpierw trzeba mieć pewność, że sam test nie jest groźniejszy dla Maca niż model, który ma sprawdzać.
#LocalLLM #LLM #AI #AppleSilicon #MacBookAir #M4 #LMStudio #Codex #GPTOSS #Coding #OpenSourceAI
-
Local LLM Arena #4
Repair run już się zakończył i po kilku dodatkowych poprawkach udało się domknąć benchmark.
Po drodze wyszło jeszcze kilka problemów technicznych, więc część testów trzeba było poprawić i uzupełnić. Ostatecznie mamy jednak kompletny zestaw wyników dla wszystkich 5 modeli.
Najlepiej wypadły dwa modele.
Qwen3.8-27B wygrał cały benchmark i osiągnął najwyższy wynik jakościowy.
GPT-OSS-20B był bardzo blisko, a w testach kodowania uzyskał taki sam wynik jak Qwen. Jednocześnie na moim MacBooku Air M4 16 GB działa około 5 razy szybciej.
Dlatego teraz testuję właśnie GPT-OSS jako lokalnego agenta do prawdziwego kodowania.
Schemat wygląda tak:
Codex CLI
↓
LM Studio
↓
GPT-OSS-20B
↓
repozytorium projektuModel dostał 5 rzeczywistych zadań w kodzie Local LLM Arena.
Może sam przeglądać repozytorium, edytować pliki, uruchamiać testy, analizować błędy i poprawiać własne rozwiązania.
Każde zadanie zaczyna od czystej kopii repozytorium. Po zakończeniu rozwiązanie jest sprawdzane także dodatkowymi testami, których model wcześniej nie widział. Jeśli coś nie przejdzie, dostaje informację o błędzie i może spróbować się poprawić.
Maksymalnie trzy podejścia na zadanie.
Całość działa lokalnie na Macu.
Teraz chcę sprawdzić nie tylko, czy model potrafi wygenerować poprawny kod, ale czy rzeczywiście może wykonywać część pracy lokalnego agenta programistycznego i odciążyć modele działające w chmurze.
Test właśnie trwa.
#LocalLLM #LLM #AI #AppleSilicon #MacBookAir #M4 #LMStudio #Codex #GPTOSS #Qwen #Coding #OpenSourceAI