ModellerKullanılabilir
Qwen'in açık ağırlıklı yeni 27B modeli; kodlama, agentic görevler ve görüntü/video anlama yeteneklerini tek bir yoğun (dense) pakette birleştiriyor.
Ne?
Gated DeltaNet ve Gated Attention katmanlarını harmanlayan 64 katmanlı, 27B parametreli bir causal language model + vision encoder; 262.144 token yerel bağlam uzunluğu 1M'a kadar genişletilebiliyor. Yerel olarak görüntü ve video anlamayı destekliyor; thinking modu varsayılan açık, istek bazında kapatılabiliyor, reasoning_effort ile akıl yürütme derinliği ayarlanıyor ve preserve_thinking ile geçmiş mesajlardaki reasoning bağlamı korunuyor. Ağırlıklar Apache-2.0 lisansıyla Hugging Face Transformers formatında yayınlanmış; vLLM, SGLang ve TokenSpeed ile uyumlu olduğu belirtiliyor.
Neden önemli?
Sınır durumdaki (frontier) modellere ihtiyaç duymayan çoğu kullanım için 27B'lik yoğun bir modelin kişisel donanımda çalıştırılabilir olması önemli; README'deki karşılaştırmalarda Qwen3.6-27B'nin belirgin şekilde üzerinde, bazı agentic kodlama testlerinde (DeepSWE 1.1'de 42.2, QwenSWEBench'te 79.0) kapalı modelleri zorluyor. Yerelde kod agent'ı veya görsel-dil iş akışı çalıştıran geliştiricilere yönelik.
Dikkat
HN'de en güçlü itiraz "benchmaxxing" şüphesi: 27B'lik bir modelin Opus sınıfı modellerle aynı testlerde yarışması iki mertebe parametre verimliliği anlamına geldiği için gerçek kullanımda beklentiyi karşılamayabileceği, karşılaştırmaların SOTA modellerle birebir aynı sonucu vermediği belirtiliyor. Yoğun (dense) mimari, benzer boyuttaki MoE modellere göre belirgin biçimde yavaş: bir yorumda MoE alternatiflerinin ~2-4x daha hızlı çalıştığı, M4 Max 128GB gibi bellek bant genişliği sınırlı donanımlarda kabul edilebilir hızın zor olduğu aktarılıyor. Ayrıca quant'ların (Unsloth GGUF) orijinal modelle aynı testlerde ölçülmediği ve llama.cpp tarafının yeni modele yetişmesini bekleme önerisi var.
Veri & VeritabanıKullanılabilir
DuckDB'nin 1.5'ten bu yana ~20.000 commit'lik en büyük özellik sürümü; Quack protokolüyle client-server kullanımı, async I/O, birinci sınıf VARIANT tipi ve trigger'lar geliyor ve en az Ekim 2027'ye kadar LTS desteği var.
Ne?
DuckDB, süreç içi (in-process) çalışan gömülü bir analitik veritabanı; 2.0 sürümü artık olgunlaşmış Quack protokolü ve yeni CONNECT ifadesiyle uzak bir DuckDB'ye tek komutla bağlanıp veritabanı değiştirmeye izin veriyor. Parquet, CSV ve DuckDB'nin kendi formatı için asenkron I/O eklenmiş; I/O katmanı sorgu işleme katmanından bağımsız ölçekleniyor. VARIANT tipi artık uçtan uca entegre: şema tanımlamadan yarı yapılandırılmış veri saklanıyor, ortak yapı tespit edilip “shred” edilerek sıkıştırma ve sorgu hızı korunuyor. Ayrıca CREATE TRIGGER (BEFORE/AFTER, satır ve statement bazlı, transition table'lı), varsayılan hale gelen PEG tabanlı yeni SQL parser, CLI'da agent mode ve C API v2 geliyor.
Neden önemli?
Tek makinede büyük veri üzerinde SQL çalıştırmak isteyenler için Spark gibi dağıtık yığınlara alternatif olgunlaşıyor; HN'de bir kullanıcı 2.0 ile yüksek çekirdekli EC2 makinelerinde ölçeklenmenin ~64 vCPU'dan ~192 vCPU'ya çıktığını ve Splink ile 1 milyar kaydı 10 dakikada işlediklerini bildiriyor. Client-server modu, DuckDB'yi merkezi bir analitik sunucu olarak kullanmayı mümkün kılıyor; trigger'lar ve VARIANT ise onu “kutuda veri ambarı”na yaklaştırıyor.
Dikkat
HN'de Quack protokolünü destekleyen istemcilerin hâlâ çok sınırlı olduğu belirtiliyor; bir yorumcu bu yüzden Postgres wire protocol / Arrow Flight köprüsü (duckflight-extension) kullandığını söylüyor. Async I/O kapsamı tartışmalı: blogda JSON ve DuckDB'nin kendi formatının senkron I/O kullandığı yazarken, bir DuckDB geliştiricisi native formatın async desteklediğini belirtiyor; JSON'un yol haritasında olduğu söyleniyor. Trigger'larda BEFORE ... FOR EACH ROW ve UPDATE ... FOR EACH ROW kombinasyonları henüz desteklenmiyor; extension repository sözdizimi değişebilir ve C API v2 henüz stable değil. R ve Rust istemcileri ile bazı extension'lar birkaç gün gecikebilir.
Dene
CALL quack_serve(token = 'my_token');
-- başka bir DuckDB oturumunda:
ATTACH 'quack:localhost' AS qk (TOKEN 'my_token');
CONNECT qk;
CLI'da kısayollar: -serve ve -connect.
ModellerKullanılabilir
DeepSeek'in çok modlu amiral gemisi modelinin hız ve maliyet odaklı güncellemesi; açık ağırlıklı, MIT lisanslı ve agentic/coding benchmark'larda üst sıralarda.
Ne?
DeepSeek-V4.1-Flash'ın küçük bir güncellemesi olarak tanıtılıyor; reasoning, coding, agentic görevler ve görsel benchmark'larda iyileştirme getirirken görev yürütme süresini ve çıktı uzunluğunu azaltıyor. image-text-to-text pipeline'ı ile çok modlu (metin + görsel) çalışıyor ve transformers kütüphanesiyle yükleniyor. 1M token context window ve ≥256K max_tokens destekliyor; önerilen sampling değerleri temperature 1.0 ve top_p 1.0. Ağırlıklar MIT lisansıyla yayınlanmış.
Neden önemli?
Fiyat/performans dengesini öne çekiyor: HN yorumcularına göre GLM 5.3 ve Kimi K3'ün üzerinde, Opus 5.5/Sol 6.1 seviyesine yakın ama çok daha ucuz ve hızlı. Açık ağırlıklı ve MIT lisanslı olduğundan kendi altyapısında çalıştırmak veya API üzerinden kullanmak isteyen geliştiricilere hitap ediyor.
Dikkat
HN'de benchmark rakamlarına ciddi şüpheyle yaklaşan yorumlar var ('bu rakamlar gerçek olamaz') ve modelin yerelde çalıştırılmasının pahalı/zor olduğu belirtiliyor; ayrıca sansürlü olduğu yorumları mevcut. Kaynak tarafında Jinja chat template'i bulunmuyor; prompt encoding için ayrı bir Python referans implementasyonu (encoding.py) veya deepseek-recipe gerekiyor.
AI Araçları & Agent'larKullanılabilir
Claude Managed Agents ve OpenAI Agents API'ye alternatif olarak konumlanan, Apache 2.0 lisanslı, kendi altyapınızda çalıştırabileceğiniz bir agent çalıştırma platformu.
Ne?
Omnara, REST API üzerinden agent başlatıp mesaj gönderebildiğiniz, olay akışını canlı izleyebildiğiniz bir platform. Mimari üç parçaya ayrılıyor: API katmanı, her agent'ın her adımını saklayan Postgres (agent'ın durumu bu kayıt defteri) ve model çağrısı ile tool çalıştırmayı yapan stateless worker'lar. Agent'lar komutları kendi makinenizde ya da sandbox'ta çalıştırır; makinelerde çalışan omnarad daemon dışarı bağlanır, yani inbound port veya SSH anahtarı gerekmez. Model tarafında OpenAI, Anthropic, OpenRouter, Bedrock, LiteLLM, Ollama ve uyumlu endpoint'ler destekleniyor; tool, MCP, skill, memory store, subagent, cron tetikleyici, Slack/Discord/GitHub entegrasyonu ve tool bazlı izin ayarları README'de listelenen özellikler arasında.
Neden önemli?
Agent altyapısını kendi Postgres'inizde ve kendi makinelerinizde tutmak isteyenler için; agent geçmişi sizde kalır, veriyi analitik veya eval için sorgulayabilirsiniz. HN yorumlarında geliştiriciler bunu Supabase benzetmesiyle anlatıyor: asıl ürün API, dashboard sadece izleme için. Tek bir model sağlayıcısına bağlı kalmadan agent'ı kendi ürününe gömen ekiplere hitap ediyor.
Dikkat
HN'de izin (permissions) seçeneklerinin "always" önekiyle adlandırılması eleştirilmiş, geliştirici de "ifade iyileştirilebilir" diye kabul etmiş. Roller/hiyerarşi (team lead, tester, engineer gibi) soran bir yoruma verilen yanıt paylaşılanlarda yok, yani orkestrasyon tarafı belirsiz. Context caching için özel bir şey yapılmıyor; istek Postgres'ten yeniden kuruluyor, cache sağlayıcı tarafında. Self-host kurulumunda README, yerel varsayılanların bilinçli olarak güvensiz olduğunu ve gerçek dağıtım için ayrı bir rehber izlenmesi gerektiğini belirtiyor.
Dene
git clone https://github.com/omnara-ai/omnara.git
cd omnara
docker compose -f compose.yaml --profile app up -d
Sonra http://localhost:8000 adresinden kayıt olun; doğrulama linki docker compose logs api çıktısına düşer. Bulut üzerinden denemek için npx omnara agents launch --file agent.yaml --name "Machine assistant" --message "..." (Node.js 22+).
Altyapı & DevOpsErken
DeepSeek'in büyük ölçekli üretim servislerini çalıştıran çıkarım framework'ünün açık kaynak sürümü; şimdilik yalnızca offline inference ve tek bir modeli destekliyor.
Ne?
DeepInfer, DeepSeek'in üretimdeki büyük ölçekli servislerini besleyen yüksek performanslı çıkarım framework'ü. Bu açık kaynak sürüm yalnızca offline inference sunuyor ve tek model olarak DeepSeek-V4.1-Flash'ı destekliyor. İçinde optimize edilmiş kernel'ler (FlashMLA, DeepGEMM, DeepEP, TileKernels, DeepSelect, TileLang), paralelleştirme (Attention DP / balanced CP, MoE EP + EPLB), DSpark ve confidence-scheduled verification, SWA bounded replay, asenkron batch scheduler, batch-invariant inference, deterministik örnekleme ve structured outputs (regex/JSON schema/EBNF) var. vLLM temeli üzerine kurulmuş, SGLang ve TensorRT-LLM'den de esinlenmiş; NVIDIA SM100 GPU ve Huawei Ascend 950 NPU destekliyor.
Neden önemli?
DeepSeek'in kendi üretim yığınını açması, MoE servis etme ve decode hızlandırma (draft token + doğrulama) gibi tekniklerin geniş kitleye ulaşması demek. vLLM/SGLang kullanıcıları için buradaki fikirler taşınabilir bir referans; kendi çıkarım yığınını kuran ekipler için somut bir başlangıç noktası.
Dikkat
HN'deki teknik itirazlar: proje vLLM tabanlı ve buradaki fikirlerin çoğu DeepSeek'in yayınlanmış makalelerinde zaten var; vLLM ve SGLang aynı modeli daha geniş donanımda ve başka modellerle birlikte servis edebiliyor. Ayrıca tam bir servis için gereken KV cache sistemi, VE/Prefill/Decode disaggregation ve data-parallel replikalar arası load balancing bu sürümde yok; yorumlarda gecikme/eşzamanlılık rakamlarının paylaşılmadığı da belirtiliyor.
Dene
export DEEPINFER_ACCELERATOR=nvidia
./build.sh
python examples/offline_inference.py
AI Araçları & Agent'larDeneysel
Claude Duet, mesajla iş devrettiğiniz, kendi bulut bilgisayarında çalışan ve sizden onay bekleyen proaktif bir Anthropic ajanı; şu an ABD'de Pro/Max aboneleri için research preview waitlist'inde.
Ne?
Claude Duet, Claude uygulamasındaki memory, skills ve connectors'ı kullanan, tek bir thread üzerinden metin veya sesle konuştuğunuz bir ajan. Bağladığınız uygulamalarla kendi bulut bilgisayarında çalışıyor; sabah brief'i hazırlıyor, inbox ve takvimde dikkat gerektiren şeyleri işaretliyor, yanıt taslakları çıkarıyor, iş bitince veya karar gerektiğinde size mesaj atıyor. Mesaj gönderme ya da ödeme gibi hassas işlemlerden önce onay istiyor; onaylar, login'ler ve güvenlik kontrolleri kendi bulut bilgisayarında çalışıyor. Uygulama iOS ve Android için standalone; bilgisayarda claude.ai üzerinden açılıyor.
Neden önemli?
Claude uygulaması sohbetin açılmasını beklerken Duet size geliyor; yani 'sürekli açık, işi kovalayan' asistan kategorisinde Anthropic'in cevabı. OpenAI Dot, Grok Bot ve Meta Muse gibi ürünlerin doğrudan rakibi; e-posta, takvim, fatura takibi gibi looplanabilir idari işleri devretmek isteyen ve zaten Claude aboneliği olan kullanıcıya hitap ediyor.
Dikkat
HN'deki en somut itirazlar: tek bir model ailesine (Opus 5.5) kilitlenmek ve arka plan kontrollerinin plan kullanım limitlerinden yemesi; ayrıca birkaç yorumcu ürünün Dot/Muse/Instinct karşısında anlamlı biçimde farklılaşmadığını, bunun Claude'a native olması gerektiğini söylüyor. Kaynağın kendi uyarısı: research preview olduğu için bir thread'i yanlış okuyabilir, neyin acil olduğunu yanlış kalibre edebilir ve sizinle check-in arasında gelen bir şeyi kaçırabilir. Team ve Enterprise planları henüz kapsam dışı.
Dene
Research preview waitlist'te: ABD'deki Claude Pro/Max aboneleri iOS/Android uygulamasından veya claude.ai üzerinden erişebiliyor.
GüvenlikOlgun
LiteLLM'in PyPI'daki 1.107.0 sürümüne, her Python sürecinde çalışan bir kimlik hırsızı ve uzaktan kod çalıştırma arka kapısı yerleştirilmiş; upstream GitHub kaynağında bu kod yok.
Ne?
PyPI'daki litellm==1.107.0'ın yedi wheel'inde (Linux, macOS, Windows) site-packages'a üç dosya düşüyor: cook.pth, cook.py ve sitecustomize.py. cook.pth, Python her başladığında cook.py'yi import ediyor; bu betik SSH anahtarları, bulut kimlik bilgileri, CI/CD sırları, AI araç token'ları, tarayıcı parolaları ve LiteLLM proxy veritabanındaki LLM sağlayıcı anahtarlarını toplayıp şifreleyerek www.litellm[.]dev adresine gönderiyor. sitecustomize.py ise saatte bir GitHub'daki bir dosyadan sunucu adresi okuyup oradan kod indirip çalıştıran bir daemon başlatıyor. İkisi de litellm'i import etmeyen süreçler dahil, makinedeki her Python sürecinde çalışıyor.
Neden önemli?
LiteLLM yaygın kullanılan bir LLM proxy/router kütüphanesi; etkilenen sürüm CI job'ları ve geliştirici makinelerinde tüm sırları sızdırabilir. Saldırı, pyproject.toml'daki maturin yapılandırmasına eklenen tek satırlık data = "cook" ile wheel'e dosya soktuğu için sdist'e bakan gözle fark edilmiyor; kaynak koddan derleyenler değil, PyPI wheel'ini kuranlar etkilendi.
Dikkat
HN yorumcuları bunun LiteLLM için ikinci kez olduğunu vurgulayıp bakımcı güvenilirliğini sorguluyor. Bir yorumcu attestation'ların bu saldırıyı yakalayamayacağını belirtiyor: attestation hangi workflow'un yayınladığını kanıtlar, o workflow'un hangi kaynağı checkout ettiğini değil. Ayrıca LiteLLM'in enterprise müşterilere özel registry üzerinden 27 Ekim'de açıklanacak ayrı bir zafiyetin yamasını dağıtması eleştiriliyor.
Dene
Etkilenen sürümü kurmayın; temiz sürüme sabitleyin: pip install "litellm==1.106.2"
AI Araçları & Agent'larErken
Ajanları izole sandbox'larda çalıştırıp dosya, syscall ve ağ erişimini politika ile kernel seviyesinde sınırlayan, politika değişikliklerini formal verification ile denetleyen bir runtime.
Ne?
OpenShell, her ajanı izole bir sandbox içinde çalıştırıyor; kernel kontrolleri hangi dosyalara erişebileceğini ve hangi syscall'ları yapabileceğini kısıtlıyor, her ağ bağlantısı sandbox'tan çıkmadan önce politika kontrolünden geçiyor. Ajanlar gerçek credential'ları hiç görmez; OpenShell bunları yalnızca onaylı endpoint'lere giden isteklere ekler. Politika değişiklikleri uygulanmadan önce formal verification ile incelenip yeni host'a credential ile erişim gibi riskli izinler insan onayına bırakılıyor. Mimari gateway, supervisor ve sandbox'tan oluşuyor; Kubernetes'te gateway Helm ile kurulabiliyor, Python/TypeScript/Go/Rust SDK'ları uygulamayı gateway'e bağlıyor.
Neden önemli?
Ajanlara dosya okuma, paket kurma, API çağırma ve credential kullanma yeteneği vermek isteyen ama bunu sınırsız erişime çevirmek istemeyen ekipler için. Elle yazılmış container + firewall kurulumlarına ve Anthropic'in sandbox-runtime gibi araçlara alternatif; kernel seviyesinde zorlama ve politika değişikliğinin önceden doğrulanması ayırt edici tarafları.
Dikkat
Telemetry varsayılan olarak açık; HN'de en çok eleştirilen nokta bu (kapatmak için gateway'de OPENSHELL_TELEMETRY_ENABLED=false veya Helm'de server.telemetryEnabled=false, ya da derlemeden telemetry'yi çıkarmak). Yorumcular OpenShell'in kendisinin bir sandbox olmadığını, Docker/Podman veya host virtualization gerektiren ve bir seviye üstte sandbox'ları orkestre eden ağır bir kurulum olduğunu belirtiyor; Kubernetes kullanımında CNI'nin NetworkPolicy'yi uygulaması şart, WSL 2 desteği deneysel. Bir yorumcu projenin bakımı konusunda şüpheli, bir başkası isim benzerliği nedeniyle Open-Shell Menu ile karıştırılmaması gerektiğini not ediyor.
Dene
curl -LsSf https://raw.githubusercontent.com/NVIDIA/OpenShell/main/install.sh | sh
openshell sandbox create --name demo
Varsayılan image içinde ajan yok; gerçek ajan için dokümandaki "Run Your First Agent" adımı OpenCode'u ücretsiz bir OpenRouter modeliyle çalıştırıyor.
ModellerKullanılabilir
Google DeepMind'ın 740M parametreli açık çok modlu embedding modeli; metin (kod dahil), görsel, video ve sesi aynı 768 boyutlu uzayda temsil ediyor ve mobil/laptop gibi tüketici donanımında çalışacak şekilde tasarlanmış.
Ne?
EmbeddingGemma 2, dört modaliteyi (metin, görsel, video, ses) tek bir paylaşılan 768 boyutlu vektör uzayına eşliyor. 270M'lik metin omurgası (130M transformer + 140M embedder) isteğe bağlı yüklenebilen 170M görsel ve 300M ses encoder'ıyla birleşiyor; kullanılmayan encoder'lar config_kwargs ile kapatılabiliyor. Matryoshka Representation Learning sayesinde çıktı vektörü 768d'den 512d, 256d ve 128d'ye kısaltılabiliyor. Metin girdileri için görev yönlendirme önekleri (search, classification, clustering vb.) kullanılıyor; görsel/video/ses girdileri öneksiz veriliyor.
Neden önemli?
Arama, RAG, sınıflandırma ve kümeleme için tek modelle hem metin hem görsel/ses indekslemek isteyenler için pratik; ayrı modelleri ayrı vektör uzaylarında yönetme ihtiyacını ortadan kaldırıyor. Apache 2.0 lisansı ve seçmeli encoder yükleme, on-device ve maliyet-duyarlı dağıtımı kolaylaştırıyor. 8K token bağlam penceresi dakikalarca ses/video işleyebiliyor.
Dikkat
float16 çalıştırılmamalı: aktivasyon aralığı float16'nın dinamik aralığını aştığı için model NaN veya sessizce bozulmuş embedding döndürüyor; bfloat16 veya float32 kullanılmalı. MRL ile kısaltılan vektörler L2-normalize edilmezse sıralama kalitesi sessizce düşüyor ve sorgu ile dokümanlar aynı boyutta olmak zorunda. 128d kısaltma çok modlu kaliteyi belirgin biçimde düşürüyor; kaynak bunun kendi iş yükünüzde doğrulanmasını öneriyor. Ayrıca tüm modaliteler tek 8.192 token bütçesini paylaşıyor (görsel başına 280, video karesi başına 140, ses saniyesi başına 25 token), yani modalite karıştıkça her birinden daha azı sığıyor.
Dene
pip install -U sentence-transformers transformers
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("google/embeddinggemma-2")
query = "What causes the northern lights?"
document = "The northern lights are caused by charged particles from the sun."
query_emb = model.encode(query, prompt_name="SearchQuery")
doc_emb = model.encode(document, prompt_name="Document")
print(model.similarity(query_emb, doc_emb))
ModellerErken
Mistral, 1 trilyon parametreli (52B aktif) natively multimodal modeli ML4'ün public preview'ını yayınladı; ağırlıklar ay sonunda açılacak.
Ne?
ML4, 52 milyar aktif parametreli 1T'lık natively multimodal bir model; Mistral'ın kendi Avrupa veri merkezlerinde 3.800 NVIDIA Grace Blackwell GPU üzerinde sıfırdan eğitilmiş. Şu an yalnızca Mistral Studio üzerinden preview API olarak sunuluyor, ağırlıklar ay sonunda yayınlanacak. Kodlama, agentic workflow ve multimodal anlama iddiaları öne çıkıyor: DeepSWE v1.1'de %61.7, Terminal-Bench 4'te %28.3, AutomationBench'te %59.9, Dense 200 visual grounding'de %42 (GPT-6-Astra %41). Eğitim verisinin önemli bir kısmı 160'tan fazla dili kapsıyor.
Neden önemli?
Avrupa'da barındırılan, GDPR kapsamında ve self-deploy edilebilir bir frontier model arayan ekipler için; özellikle siber güvenlikte kapalı modellerin refusal davranışının engellediği işler (vulnerability doğrulama, malware analizi) için konumlandırılıyor. HN'deki karşılaştırmalara göre DeepSeek gibi alternatiflere kıyasla OpenRouter'da yaklaşık 10x pahalı ve genel olarak daha zayıf; asıl tercih sebebi veri koruma/egemenlik ve Avrupa'da barındırma.
Dikkat
HN yorumlarında maliyetin DeepSeek'e göre ~10x olduğu ve benchmark'larda genel olarak geride kaldığı belirtiliyor; bir yorumcu kendi adversarial programlama benchmark'ında modelin zayıf performans gösterdiğini söylüyor. Almanca sohbetlerde rastgele Çince karakter üretme şikâyeti birden fazla kişi tarafından dile getirilmiş. Ayrıca bu bir preview: ağırlıklar henüz yok ve model eğitilmeye devam ediyor, yani sonuçlar değişebilir.
Dene
Mistral Studio üzerinden preview API ile deneyin; ağırlıklar ay sonunda huggingface.co/mistralai/Mistral-Large-4-1T-A52B adresinde olacak (HN yorumu).