美国能源部启动Genesis开源模型计划
美国能源部启动Genesis开源模型计划，旨在为研究界开发并提供开源AI模型，注重透明度和长期发展。 该计划通过提供开源模型解决了AI社区的一个重大空白，可能推动创新和实际应用，高参与度表明其潜在影响力。 该计划处于早期阶段，可能采用开源许可证，成熟度和部署复杂性等细节尚未完全披露。
项目链接：https://genesisopenmodels.anl.gov/
作者：moelf
发布时间：2026-08-07T22:24:27Z
挖掘日期：2026-08-08
AI 评分：8.0/10
来源：hackernews
标签：AI, Open Models, Research, Government, Innovation
📌 项目详解
美国能源部启动Genesis开源模型计划，旨在为研究界开发并提供开源AI模型，注重透明度和长期发展。 该计划通过提供开源模型解决了AI社区的一个重大空白，可能推动创新和实际应用，高参与度表明其潜在影响力。 该计划处于早期阶段，可能采用开源许可证，成熟度和部署复杂性等细节尚未完全披露。
🌐 背景与生态
自Llama系列之后美国开源模型的缺失留下了空白，促使Genesis等计划填补这一空白，确保长期透明的AI开发。
💬 社区讨论
社区评论对该计划表示兴奋，提出了关于性能、领域焦点和模型多样性的问题，表明了强烈的兴趣和潜在的协作。
🚀 应用前景
这些模型可应用于研究、教育，并可能为需要透明AI的行业提供服务，其盈利模式如API访问或SaaS服务尚待定义。
🔧 技术栈
虽然具体技术未详细说明，但开源模型通常涉及TensorFlow或PyTorch等框架，可能依赖政府资助的基础设施。
🎯 上手难度
入门评级为进阶，需要熟悉Python和AI概念，尽管具体的先决条件和步骤尚不明确。
👥 目标用户
目标用户包括研究人员、学术机构，以及能源和技术等行业的潜在企业团队。
⚖️ 类似项目对比
竞争对手包括OpenAI的GPT-OSS和Google的Tera/Luna，尽管它们的焦点不同：GPT-OSS侧重定制，Tera/Luna侧重性能。
📚 参考链接
📄 查看原文内容
--- Top Comments ---
[firasd]: Just realized that there are basically no American open models right now ever since the Llama series was abandoned. Basically Gemma and GPT-OSS I guess? Ah but Mira Murati's new Inkling is Apache 2.0 But it makes sense that if you're a university researcher you are thinking about what's a model that will be open weight and developed over the long term and doesn't raise 'Chyna' concerns in Washington DC
[lithobraking]: I'm interested to see where they want to land performance-wise (i.e. which point they choose on the scaling curve) and the niche they want to carve. They have a decent ways to scale beyond trinity large, in paticular on posttrain/RL before they are competitive with open-weights, especially internationally. Deepseek is explicitly banned [1] at LLNL and I wouldn't be suprised if there's a blanket ban on all Chinese models. But nowadays models like tera/luna could fill t...
[Aeroi]: https://science.osti.gov/-/media/grants/pdf/foas/2026/DE-FOA...
[andsoitis]: Does Europe have an equivalent program?
[an0malous]: Do all these models have any significant architectural differences or training data sources? What are the factors going into the diversity of their performance?