Vai al contenuto principale
← Torna alle notizie

Il kernel Linux valuta di eliminare il tag «Assisted-by» per i patch scritti con l'IA

Strumenti e rilasci
Fonte:Phoronix
Da quando gli assistenti di IA sono entrati nell'uso quotidiano, i patch del kernel Linux con contributi di IA/LLM dovevano dichiararlo con il tag «Assisted-by:». Con l'uso ormai ubiquo di questi strumenti, gli sviluppatori del kernel valutano di eliminare l'obbligo — la dichiarazione diventa una scelta, non un requisito.
Leggi l'articolo originale

Articoli correlati

Come Eseguire Modelli LLM Localmente: dal Primo Install al Primo Modello

Da zero al primo modello che risponde: cosa ti serve davvero, Ollama passo per passo, come scegliere il modello per la tua memoria, la velocità attesa per hardware e i problemi tipici con le soluzioni.

Fine-tuning: adattare un modello ai tuoi dati con LoRA e QLoRA

Quando il prompt e il RAG non bastano: adatti i pesi del modello ai tuoi dati. LoRA, QLoRA, preparazione del dataset e strumenti locali (LLaMA-Factory, Unsloth, MLX) su una sola GPU consumer.

Privacy: cosa gira davvero in rete quando l'IA è locale

I tuoi dati non lasciano la macchina — quasi. Ecco cosa parte davvero in rete con Ollama e LM Studio, e come verificarlo in mezz'ora con tcpdump, Wireshark e mitmproxy.

Ricevi il prossimo punto sull'IA locale

Ogni settimana, la selezione del meglio di iaLocale: articoli, notizie e risorse sull'IA locale, e altro ancora.

Dopo l'iscrizione ricevi una email di conferma (double opt-in). Senza conferma non inviamo nulla. Nessuno spam, ti promettiamo.

Risorse correlate

Strumenti e risorse dell'archivio iaLocale pertinenti a questo contenuto.

🔧

Boro

Software

CLI di NVIDIA in Rust per lo sviluppo assistito da IA del kernel Linux, con focus sull'IA locale: validazione dei patch, build, boot e test, pensata per il backporting di patch su kernel più vecchi. Supporta back-end locali (Claude, OpenCode, Codex) o server OpenAI-compatibili. Licenza Apache 2.0, guidato da Andrea Righi.

🌱

Bonsai-2 27B

Modelli

Modello di ragionamento da 27B con pesi ternari a 1,72 bit per peso, derivato da Qwen3.8-27B con attenzione ibrida (~75% lineare). In GGUF PTQ1_0 occupa 5,95 GB, mantiene il 98,2% dell'intelligenza FP16 e arriva a ~47 tok/s su un laptop Apple M5 Max, con contesto da 262K token. Licenza Apache 2.0. Richiede la fork llama.cpp di Prism ML (i kernel ternari non sono in llama.cpp stock).

⚡

DeepSeek V4.1 Flash

Modelli

Modello MoE di DeepSeek con 552B di parametri totali e 8-16B attivi per token. Contesto da 1M di token, licenza MIT: uso commerciale libero. Pensato per il serving in linea, troppo grande per un uso locale su un singolo PC.

💎

Gemma 3

Modelli

Famiglia di modelli open di Google nelle taglie 1B, 4B, 12B e 27B. Contesto di 128K token, oltre 140 lingue supportate e input multimediali (testo e immagini). Ottima scelta per RAG e documenti lunghi su hardware consumer.

Sfoglia tutte le risorse