Ge din kodagent ett minne den faktiskt äger

Nous Researchs agent lär sig medan den jobbar — och kostar fem dollar i månaden

Hermes Agent är en självförbättrande AI-agent från Nous Research med en inbyggd inlärningsloop som skapar nya färdigheter från erfarenhet. Den kräver ingen kraftfull hårdvara — en femdalers VPS räcker.

Nous Research har släppt Hermes Agent som öppen källkod. Det som skiljer den från mängden är en inbyggd inlärningsloop: agenten bygger upp en färdighetsbank från sina egna erfarenheter och kan återanvända den i framtida uppgifter. Den är inte bunden till en enskild maskin — du kan nå den via Telegram medan den arbetar på en cloud-VM.

Infrastrukturkravet är medvetet lågt satt. Nous Research uppger att agenten kan köras på en VPS för fem dollar i månaden, men också på GPU-kluster eller serverlös infrastruktur beroende på behov. Stöd finns för flera modell-backends: Nous Portal, OpenRouter, OpenAI och egna endpoints. Sju terminal-backends stöds, vilket gör integrationen flexibel. Kombinationen av självförbättring och låg driftskostnad är ovanlig — de flesta agentramverk förutsätter antingen dyr hårdvara eller manuell kunskapsöverföring mellan sessioner.

För svenska utvecklare och mindre organisationer med begränsad budget är infrastrukturkravet särskilt relevant. Att agenten dessutom stöder Telegram och Discord som kommunikationskanaler gör den praktisk i nordiska arbetsflöden där de plattformarna är vanliga.

Fine-tuna en liten modell till bättre strukturerad output — på 100 steg och gratis hårdvara

En ny guide visar hur LFM2.5-350M kan fine-tunas med GRPO-algoritmen på bara 100 träningssteg och 500 samples, med gratis GPU på Colab eller Kaggle. Resultatet: schema-compliance hoppar från 22,6 till 29,7 procent.

Huruvida en modell tillförlitligt returnerar giltig, parsebar output i begärt format och form — schema-compliance — är ofta det som avgör om den överhuvudtaget kan kopplas in i ett nedströms-system.

Artikelförfattare

Hugging Face har publicerat en guide för att fine-tuna LFM2.5-350M med Group Relative Policy Optimization, GRPO, via TRL-biblioteket. Träningen kräver cirka 500 samples och 100 steg — och kan genomföras helt gratis på Colab eller Kaggle. Evaluering kan sedan köras lokalt på en MacBook via llama.cpp. På IFStruct-benchmark stiger schema-compliance från 22,6 till 29,7 procent efter träningen.

Strukturerad output är en flaskhals som många som bygger agentpipelines känner väl. En modell som inte konsekvent returnerar giltig JSON eller följer ett givet schema kräver felhantering i varje led — och gör hela systemet skörare. Guiden visar att det inte krävs vare sig stora modeller eller dyr infrastruktur för att flytta nålen på just den dimensionen. GRPO-algoritmen, som ursprungligen populariserades av DeepSeek, används här för att träna på regelbaserad belöning snarare än mänsklig feedback.

Metoden är öppen och kostnadsfri, vilket sänker tröskeln för svenska utvecklare och forskargrupper som vill experimentera med riktad beteendeoptimering utan att investera i GPU-kluster.

OpenCode: open source-kodningsagent med inbyggd säkerhetsläge

OpenCode är ett nytt open source-verktyg som kombinerar en fullständig kodningsagent med ett skrivskyddat planeringsläge. Finns som både CLI och skrivbordsprogram, och installeras via de flesta vanliga pakethanterare.

Nekar filredigeringar som standard. Frågar om tillåtelse innan bash-kommandon körs. Idealiskt för att utforska okända kodbaser eller planera ändringar.

OpenCode dokumentation

OpenCode har dykt upp högt på GitHub Trending som ett open source AI-kodningsverktyg med två inbyggda agentlägen. Build-agenten har full åtkomst för aktiv utveckling, medan plan-agenten är skrivskyddad som standard och frågar om tillåtelse innan den kör bash-kommandon. Verktyget finns som kommandoradsverktyg och skrivbordsprogram för flera operativsystem, och installeras via npm, Homebrew, Scoop, Pacman, Nix eller Mise.

Uppdelningen mellan ett aktivt och ett passivt agentläge är ett svar på ett välkänt problem: kodningsagenter som får för fria händer kan göra oönskade ändringar i kodbaser man inte känner väl. Plan-läget är tänkt för just den situationen — att utforska ett okänt projekt eller skissa på en förändring utan att agenten faktiskt skriver något. Det är en pragmatisk designprincip som saknas i många konkurrerande verktyg där allt-eller-inget gäller.

Att projektet klättrar på GitHub Trending indikerar att det fångar intresse bland utvecklare som vill ha ett lättviktigt alternativ till tyngre agentramverk. Versioner äldre än 0.1.x bör avinstalleras före ny installation enligt projektets dokumentation.

NVIDIA förvärvar Hugging Face

NVIDIA uppges förvärva Hugging Face enligt ett inlägg på NVIDIAs officiella blogg. Affären skulle i så fall samla hårdvaruledaren med den plattform som blivit nav för open source-modeller och ML-verktyg.

NVIDIA har publicerat ett inlägg på sin officiella blogg med titeln "NVIDIA to Acquire Hugging Face". Utöver titeln och en tillhörande bild innehåller det publicerade materialet inget faktiskt artikelinnehåll — texten i inlägget består av navigeringsmeny och webbplatskod. AI-Bladet kan därför inte verifiera detaljer om affärens villkor, köpesumma eller tidslinje utifrån tillgänglig research.

Om förvärvet bekräftas skulle det vara en av de mest betydelsefulla konsolideringarna inom AI-infrastruktur på flera år. Hugging Face fungerar i dag som den centrala distributionsplattformen för open source-modeller och ML-verktyg, och används av ett stort antal svenska och europeiska utvecklarteam. En ägarförändring till NVIDIA väcker frågor om plattformens fortsatta öppenhet och om villkoren för de modeller och datasets som i dag distribueras fritt där.

Vad betyder det för dig: om affären går igenom kan villkoren för att hämta och publicera modeller på Hugging Face förändras — följ officiella bekräftelser noga innan du bygger kritiska beroenden mot plattformen.