Open weights bez tajemnic: format, który dzieli OpenAI, Google i chińskie laboratoria AI
Open weights, czyli publikowanie wytrenowanych parametrów modelu tak, by każdy mógł je pobrać i uruchomić, przestało być zajęciem hobbystów i weszło w centrum branży AI. Najnowszy punkt zapalny pojawił się 30 września, gdy Google zapowiedział wycofanie Gems na rzecz Skills. Firma dołączyła tym samym do OpenAI i Anthropic, które zamiast dawać użytkownikom maszynerię pod spodem, wręczają im gotowe pliki z promptami.

To brzmi jak porządki. Porządkami nie jest. Skill to plik tekstowy, który zapisujesz i używasz ponownie. Gem był konfiguracją wewnątrz serwerów Google. Żadne z nich nie jest modelem, który możesz skopiować na własny laptop i uruchomić, gdy dostawca straci zainteresowanie, zmieni cennik albo zablokuje konto. Jak podaje The Decoder, Gems znikną w listopadzie dla kont osobistych, w marcu 2027 dla klientów biznesowych i organizacji non-profit Workspace oraz w czerwcu 2027 dla klientów z sektora edukacji. Istniejące Gems zostaną przekonwertowane automatycznie. W listopadzie kończy się też Opal, eksperyment Google z miniaplikacjami AI z lata 2025.
Ta różnica znaczy dziś więcej niż rok temu, bo open weights przestały być niszą.
We wrześniu Nvidia ogłosiła przejęcie Hugging Face, nowojorskiego centrum otwartych modeli i zbiorów danych, za 12,9 mld dolarów. Rest of World opisał transakcję 30 września przy okazji przeglądu chińskich alternatyw dla tej platformy i przypomniał, że Pekin zablokował Hugging Face w 2023. ModelScope od Alibaby, uruchomiony w 2022, ma dziś ponad 170 000 modeli. MoArk należący do OSChina, startujący w 2023, obsługuje około 20 000. Xu Yong, dyrektor generalny OSChina, powiedział Rest of World, że „nie każdy może cały czas korzystać z VPN” i że Chiny potrzebują samowystarczalnego ekosystemu AI dla osób mówiących po chińsku.
W tym samym tygodniu pojawiła się seria wydań, które kiedyś wymagałyby firmowego laboratorium i centrum danych. Fermion Research opublikowało 30 września Phonon-2, model rozpoznawania mowy angielskiej, który waży 164 MB i osiąga średni wskaźnik błędu słowa 5,21 % na siedmiu angielskich zbiorach Open ASR Leaderboard, jak podaje własny opis firmy. Wagi udostępniono na licencji CC-BY-4.0, tej samej co Parakeet TDT 0.6B v3 od Nvidii, z którego model się wywodzi. Fermion twierdzi, że każdy otwarty model z lepszym wynikiem na tej liście jest co najmniej 5,8 razy większy, a godzina nagrania zamienia się w tekst w około 20 sekund na MacBooku Air.
Nvidia, żeby nie dać się wyprzedzić na własnym podwórku, opublikowała na Hugging Face Kumo Tabular. To otwarty model bazowy do predykcji tabelarycznej w trzech rozmiarach od 28 000 000 do 215 000 000 parametrów, wydany na licencji OpenMDW-1.1 dopuszczającej użycie komercyjne i wytrenowany wyłącznie na danych sztucznych. Firma podaje, że zajmuje pierwsze miejsce w czterech benchmarkach: TabArena, BeyondArena, TALENT i ScoringBench. Chodzi o to, że wytrenowany model czyta oznaczoną tabelę jako kontekst i przewiduje nowe wiersze w jednym przebiegu w przód, bez treningu i bez inżynierii cech.
Co naprawdę obiecują nowe wydania
Najciekawsza otwarta praca tego tygodnia wcale nie jest wydaniem modelu. Brytyjski Instytut Bezpieczeństwa AI i Meridian Labs opublikowały Inspect, otwartoźródłowe ramy do ewaluacji modeli frontier, z komponowalnymi zbiorami danych, agentami, narzędziami i skoczkami, ponad 200 gotowymi ewaluacjami oraz systemem sandboxingu, który uruchamia niezaufany kod modelu w Dockerze, Kubernetesie, Modalu, Proxmoxie lub Vagrancie. Obsługuje zewnętrznych agentów, w tym Claude Code, Codex CLI i Gemini CLI. Jeśli chcesz sprawdzić, czy deklaracja bezpieczeństwa dostawcy przetrwa zderzenie z napisanym przez ciebie zestawem testów, to narzędzie daje ci taką możliwość.
Bespoke Labs opublikowało 30 września Nimble, model 9 000 000 000 parametrów, i przepis na jego trening, oparty na Qwen3.5-9B. Model podejmuje decyzje typowane w jednym kroku, bez wypisywania najpierw rozumowania, więc jest szybki, a repozytorium wprost zaznacza, że zespół nie destylował z Jev od TypeSafe. Chodzi o pokazanie, jak przygotować dane, wytrenować taki model i go udostępnić, jak głosi README. Dziennik zmian biegnie od 18 września, gdy dodano publiczny zestaw benchmarków, do 22 września, gdy dopasowano temperaturę, by prawdopodobieństwa modelu lepiej odpowiadały temu, jak często odpowiedzi są poprawne.
Osobny projekt o nazwie Coop idzie dalej. Mieści się pod github.com/commonsense-ai/coop i wstępnie trenuje mały model językowy na użyczonym sprzęcie konsumenckim oraz w darmowych planach Hugging Face i GitHub Actions, bez serwera, bez finansowania i bez demona. Pseudogradienty przychodzą jako pull requesty do Hugging Face, a bezstanowe zadanie cron w GitHub Actions je agreguje. Etap 2 trwa: około 145 000 000 parametrów trenowanych od zera na FineWeb-Edu. Etap 1, model 15 000 000 parametrów na TinyStories, zakończył się po przekroczeniu optymalnego budżetu według Chinchilli. Według projektu kilku wolontariuszy na różnych maszynach, Apple Silicon i zwykłym CPU, wytrenowało ten sam krok zewnętrzny, a wyniki uśredniono w jedną aktualizację.
Z kolei PSSA, model językowy niebędący transformerem, napisany od zera w Rust bez PyTorcha, TensorFlow ani żadnego frameworka ML pod spodem, twierdzi, że przy tych samych parametrach i na tym samym korpusie uczy się szybciej niż transformer i generuje tekst około dwanaście razy szybciej na tym samym CPU. Autor mówi wprost, dlaczego: aktualizacje wag na token, bank pamięci zapisywany w przebiegu w przód i ścieżka referencyjna na skalarach sprawiły, że framework autogradu był więcej kłopotu niż wart.
Nie każde otwarte wydanie wygrywa benchmark. CHOMPI Club udostępniło 30 września sprzęt i oprogramowanie swojego przenośnego samplera jako wydanie kończące produkcję, ze schematami, listą materiałów, plikami PCB EAGLE i firmware, a także z betą syntezatora wavetable na 8 głosów o nazwie WAVE. To przypomnienie, że open weights, otwarty sprzęt i otwarte źródła to trzy różne rzeczy i że firma może robić jedno, nie robiąc pozostałych.
Argument o bezpieczeństwie działa w obie strony
Najgłośniejsza historia tygodnia o open weights dotyczy jednak modelu, którego wcale nie wydano. The Register podał 30 września, że OpenAI oskarżyła osoby związane z chińskim Moonshot AI o atak destylacyjny rozpoczęty 1 lipca, w którym masowe zapytania posłużyły do odtworzenia chronionego rozumowania. Blog OpenAI mówi o skokach 24 i 25 lipca: 16 000 żądań według schematu ekstrakcji od ponad 4 000 użytkowników, powiązanej aktywności u ponad 15 000 użytkowników i pełnym przerwaniu kampanii 28 lipca. Firma nazwała wrogą destylację ryzykiem dla bezpieczeństwa i bezpieczeństwa narodowego, bo wyodrębnione rozumowanie może wytrenować inny model bez oryginalnych zabezpieczeń.
The Register ujął to mniej życzliwie i zauważył, że OpenAI trenowała na ogromnych ilościach treści z internetu w środku sporów o prawa autorskie, a sprzeciwia się, gdy jej wyniki są wykorzystywane w ten sam sposób. Portal dodał, że Claude Opus 5.5 od Anthropic, wydany tydzień wcześniej, ma wbudowaną obronę przed destylacją o nazwie preserved thinking.
W jednym akapicie mieści się całe napięcie. Open weights pozwalają każdemu zajrzeć do modelu, uruchomić go lokalnie i budować na nim bez pytania o zgodę. Pozwalają też każdemu zdjąć zabezpieczenia i przepakować możliwości. Jedno i drugie jest prawdą, a branża nie ustaliła, które z nich liczy się dla niej bardziej.
Wdrożenie Skills przez Google to cichsza połowa tego samego sporu. Skills to otwarty format, który powstał w Anthropic, a Gemini potrafi generować Skills z wcześniejszych rozmów, łączyć kilka w łańcuch i uruchamiać je automatycznie, gdy wykryje pasujący prompt. Użytkownicy zyskują przenośność instrukcji. Nie zyskują przenośności modelu. OpenAI wygasza swój odpowiednik, Custom GPTs, jak podaje The Decoder.
Kto próbuje zdecydować, co uruchomić, ten nie staje przed wyborem otwarte czy zamknięte. Staje przed pytaniem, co jeszcze zrobisz z narzędziem, gdy firma zmieni zdanie.
Źródła
12- 01Google drops Gems for Skills, joining OpenAI and Anthropic in the shift to agent-ready prompt formatsEN
- 02The open-source AI platforms vying to become China's Hugging FaceEN
- 03Phonon-2: most accurate open speech recognition model in a 164 MB downloadEN
- 04Nvidia Kumo Tabular: Open Foundation Model for Tabular PredictionEN
- 05Inspect: An open-source framework for large language model evaluationsEN
- 06Nimble: Data, Model, Recipe for an Open Jev (From Bespoke Labs)EN
- 07Coop: A small language model pretrained by volunteersEN
- 08PSSA: A non-transformer language model written from scratch in RustEN
- 09CHOMPI portable sampler instrument is now open-source (hardware and software)EN
- 10Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
- 11Jevstiller: Open-source tool distills Jev so you can run it locallyEN
- 12Jevstiller: Distill a repeated Jev classification task into a local modelEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.