按兴趣浏览，循来源深入。
论文《Let It Be Simple: One-Step Action Generation for Vision-Language-Action Models》发布代码与权重，方法只需把训练时间步分布偏向噪声端点 t' = α·t / (1 + (α−1)·t)，无需蒸馏、新目标函数或新架构即可训练一步 VLA 策略。论文认为该效应是结构性的：丰富观测 tightly 约束紧凑动作目标，使不可约速度损失在噪声端点坍缩，而非像图像生成那样形成 U 形。
推荐理由：论文给出把训练时间步分布偏向噪声端点即可训练一步 VLA 策略的方法，并附开源代码、配置和 LIBERO 成功率数据，可复现验证。
GitHub 开源仓库 neuronet-arena 是一个进化模拟器，40 个智能体在 2D 场地中由各自的小型神经网络驱动觅食避害，网络、遗传算法和随机数生成器全部用 Python 手写，不用 NumPy、PyTorch 或 random。浏览器 JavaScript 演示与 Python 引擎位级一致，通过共享 PRNG、softsign 替代 tanh、Cayley 变换旋转和固定求和顺序规避 IEEE 754 未规定的 tanh、sin、exp 差异。8 个种子各跑 150 代的选择开/关对照实验显示，末代每智能体食物量为 13.39 对 0.98，存活数 33.0 对 13.4；首个版本曾因每代重建种群导致 0/20 进化基因存活，现用回归测试修复。MIT 许可。
推荐理由：这个进化模拟器用纯手写引擎和双语言位级一致设计，展示了如何让浏览器演示逐位复现 Python 训练结果，方法可迁移。
AINode 开源了 System One 决策模型 Jebadiah，基于 Qwen3.5 和 Qwen3.8 做 LoRA 微调，从单个 label token 的 logits 直接输出校准概率而非生成文本，权重发布在 Hugging Face 的 frontier-infra 集合下。完整仓库包含训练器、数据构建器、评测器与每个 run 的结果记录，全部基于公开许可数据训练；27B 版在五个零样本集上宏观准确率 78.95，JevBench 公开项 0.866 与 Jev 1.13.0 持平，并提供 GGUF、MLX 量化与本地部署方案，代码采用 Apache License 2.0。
推荐理由：原文完整公开了训练配方、消融记录与逐项评测数据，读者可以据此复现这个决策模型并判断各版本取舍。
littleseven 在 GitHub 开源了 PoLang（破浪相册），一个 AI Agent 驱动的 Android 智能相册应用，MIT 协议、免费无广告，已上架 Google Play。
推荐理由：开源的 Agent 驱动相册应用，README 给出了与 Queryable、PicQuery 的逐项能力对比和完整模块架构，可作端侧 AI 应用工程参考。
jrajath94 在 GitHub 发布 llm-knowledge-base，一个面向研究工程师的大语言模型知识库，覆盖数学基础、深度学习、LLM 内部机制、预训练、分布式训练、后训练与 RL、推理服务、Agent 与 RAG、MLOps、GPU kernel 等内容。
推荐理由：原文列出了知识库的完整卷目和角色路径，读者可据此判断是否适合按岗位规划 LLM 学习路线。
AutoTrust AI 在 Hugging Face 开放 GEV-26B-Decide 权重，基于 Gemma-4-26B-A4B-it（26B 参数、每 token 约 4B 激活）。
推荐理由：作者公布了自适应思考的触发阈值、混合方式和各基准前后对比，读者可以据此评估该决策头在推理与分类任务上的取舍。