Ett problem som är lätt att formulera
Base Labs, forskningsgruppen som Baseten startade tidigare i år, meddelade på torsdagen att man ska arbeta med Hugging Face och Goodfire för att ta fram och publicera metoder för att träna och övervaka modeller med öppna vikter.
Det närmaste målet är abliteration: att avlägsna en modells säkerhetsspärrar efter släppet så att den svarar på det den tränats att avvisa. Hugging Face listar för närvarande fler än 6 000 ablitererade modeller på sin plattform. Eftersom vikterna är offentliga är detta ingen sårbarhet någon kan täppa till. Det är en egenskap hos hur öppna släpp fungerar.
Varför just dessa tre
Parterna sitter på tre olika punkter i kedjan en öppen modell passerar. Hugging Face är där vikterna distribueras. Baseten är där många av dem körs — bolaget blev officiell inferensleverantör åt Hugging Face i augusti 2026, så rören mellan dem finns redan. Goodfire arbetar med tolkbarhet, det närmaste någon kommer ett sätt att granska vad en modell faktiskt lärt sig snarare än vad den svarar.
“Vi tror att öppenhet är en fördel för AI-säkerhet”, sade Base Labs. “Öppenhet ger mer insyn.” Goodfire formulerade sin egen roll snävare: “Säkerhet måste byggas in i öppna modeller och tillhandahållas av dem som kör dem.”
Den andra meningen är det intressantare påståendet. Den lägger ansvaret på körlagret snarare än på labbet som släpper modellen, en annan fördelning än den de flesta debatter om öppna vikter utgår från.
Vad som inte har meddelats
Inga tekniska detaljer har publicerats. Bolagen har inte sagt vilka metoderna blir, vad som skulle räknas som efterlevnad av den standard de beskriver, eller vem som skulle kontrollera den. Base Labs bjuder in utvecklare i det bredare ekosystemet att bidra till ramverket, den vanliga formen för ett besked som lämnas innan arbetet finns.
Båda bolagen har tagit in mycket kapital. TechCrunch rapporterade att Baseten tog in 1,5 miljarder dollar i en serie F i juni 2026 till en värdering på 13 miljarder dollar, och att Goodfire tog in 150 miljoner dollar i en serie B tidigare i år.
Provet som väntar
Det svåra är inte att skriva en standard; det är att abliteration tar några timmar på konsumenthårdvara och att resultatet kan laddas upp var som helst. En metod för att träna modeller som står emot det vore, om den finns, ett genuint forskningsresultat snarare än en policy. En metod för att övervaka vad körda modeller gör är mer görbar, men den täcker bara modeller som körs av deltagarna — vilket är precis inte där en ablitererad modell hamnar.
Det som skulle göra detta till mer än ett pressmeddelande är en publicerad teknik med en utvärdering kopplad till sig. Det är vad man ska titta efter härnäst.
