新闻、仓库与研究，按时间排列。
GitHub 新开源的 AeroLex 是一个用 Python 从零构建的多阶段生产级 RAG（检索增强生成）参考实现，以欧盟 EU261、美国 DOT 14 CFR 260 航空法规和承运人运输合同作为演示数据。项目支持 Conda 或 Python 3.11 venv 两种环境配置，通过 Gemini API 调用模型，使用 .env 或环境变量管理 API key，本地 cross-encoder 模型首次下载需联网，但不依赖 GPU。
GitHub 开源项目 PsyHOT 基于 AIHOT 框架改造，每天从 95 个公开信源筛选心理学与精神医学研究，经模型预筛和两次独立评分后生成中文日报，每天 08:00 更新，另出周报和月报。项目采用 Docker 部署，需 OpenAI 兼容模型 API Key（DeepSeek、千问、智谱均可），信源涵盖 The Lancet Psychiatry、Nature Mental Health 等期刊及监管机构官网，内容分学界和业界两条线，不构成诊疗建议。
GitHub 上的 schopenhauer-corpus 仓库将叔本华（1788–1860）的著作、相关研究及传闻语录整理为 UTF-8 纯文本，供 RAG 使用，并分为三个严格区分的「书架」：原文、研究文献、传言语录。搜索工具 bin/menu.js 按书架检索并标注每个命中的来源标签，语录均对照原文核验并给出判定。文本属公有领域，整理与脚本以 GPLv3 及更新版本发布。
rendersynth 是一个 Blender 扩展，通过程序化随机化和批量渲染生成计算机视觉训练用的合成数据集。它支持基于概率分布的参数随机化（物体变换、材质、光照、相机）、JSON 配置持久化，并可导出 YOLO、COCO、COCO Keypoints、语义分割、深度图、法线图、点云等多种标注格式。扩展要求 Blender 4.5.0 及以上，支持 Windows、macOS 和 Linux，并提供在 Blender 内预览输出与标签的功能，面向低到中等规模的视觉产品。
该 GitHub 仓库用 GAN 和 VAE 生成加油站卫星图像合成数据，以缓解数据稀缺问题。项目实现了 Simple GAN、DCGAN、WGAN-GP 和 VAE 四种模型，实验发现 Simple GAN 和 DCGAN 训练不稳定、易出现梯度消失和结构模糊；改用 WGAN-GP 后收敛更稳定，再结合 DiffAugment 可在 256×256 分辨率下生成清晰高保真的样本。模型支持 GPU 训练、checkpoint 保存与训练过程可视化。
goya4140 开源的 minimind-training-lab 是一个面向学习的可复现训练项目，沿同一能力路线从零训练 MiniMind LLM（Decoder-only，64M）、VLM 和 Video-Omni（视频+文本输入→文本输出）。LLM 已完成预训练 317,048 步与 SFT 40,000 步，2026-10-24 因本地空间不足迁至服务器进行 CUDA 重训，正式 run mm64-cuda-20261024T075332Z 已启动；VLM 与 Video-Omni 代码已实现，服务器重训待启动。项目交付模型代码、训练配置、评估与中文学习报告，代码采用 Apache-2.0 许可。
CultureBotAI 在 GitHub 发布 MediaIngredientMech（MIM），一套基于 LLM 辅助的培养基成分本体映射标注系统，提供完整审计追踪，并管理与 CultureMech 聚合数据关联的成分记录。系统采用 LinkML 模式和 ENVO 本体环境上下文，支持交互式 CLI 标注、LLM 使用追踪和 CHEBI/FOODON 术语映射验证。项目数据以 YAML 存储，采用 CC BY 4.0 和 BSD-3-Clause 双许可，文档中发布了 2026-09-21 快照的评审记录。
GitHub 新仓库 Case Explorer 上线，这是一个面向消费信贷的信用风险实验项目，生成带已知真实答案的合成贷款申请，覆盖从生成、承销、欺诈模拟到独立验证与部署监控的完整信贷分析流程。基准运行生成 4,250 个案例，各不变量与可复现性测试 100% 通过，冠军模型 random_forest 的欺诈 PR-AUC 达 0.995；项目含 Solar prime 销售点光伏信贷实验室、Policy Sandbox 与基于 SEC/FRED 公开数据的公开记录案例研究。
GitHub 上线新仓库 siddkanodia-1994/india-generation-dashboard-V22，包含 api、scripts、src、public/data 等目录及 RTM Prices.csv 数据文件，基于 Vite 和 Tailwind 构建，采用 TypeScript 配置。
rockymine/pgm-studio-mapgen 仓库收录由 pgm-studio 生成的 Minecraft PGM 世界地图，每张地图连同 region/、level.dat 和 map.xml 完整提交，可直接放入 Minecraft 服务器加载，无需重建。仓库按 OvercastCommunity/CommunityMaps 的目录结构归档，规则文件 tools/worlds.py 在两个语料库上分别正确归类 ctw 360/366、dtcm 310/315、koth 105/105 张地图；另有 23 张技术卡世界和多层雕刻教程。
该仓库是使用 Transformer 文本编码器与 Stable Diffusion 的文生图课程项目，首版包含 1,000 组 COCO 图像-文本对、数据集 notebook 与备忘录，复核中修订了 133 条 caption 并替换 2 张图像。项目在 Python 3.13.9 下通过虚拟环境搭建运行，剩余工作包括 GPU/CLIP embeddings、基线生成与分析及 5-6 页报告。
开发者 boywithdragons 在 GitHub 发布了一个基于 RAG 的共同基金 FAQ 问答助手，覆盖 5 只 HDFC Mutual Fund scheme 及一篇资本利得声明文章，每个答案只引用一个来源页面。系统在调用 LLM 前先做 guardrails 拦截建议、预测、比较和个人数据，检索用 sentence-transformers/all-MiniLM-L6-v2 嵌入、Chroma 向量库、TOP_K 5，生成走 Groq API 的 qwen/qwen3.8-27b，输出上限 300 token、超时 20 秒。项目需 Python 3.14，仅限事实问答，不提供投资建议。
GitHub 项目 mylgtab/budget-rag 发布 v1.0.0，实现成本感知的长文档问答检索，简单问题走 BM25 便宜路径，难题才升级混合检索加重排与大模型。在 200 条改写问句评测中，级联策略用 47% 的成本拿到深检索 99.5% 的召回；附录还给出分块粒度、双索引自动选择、两层缓存（LongBench 30 条冷缓存 46.6 秒降到热缓存 4.6 秒）与预算档位对比，完整实验记录与复现脚本见 docs/report.md 和 make check。
推荐理由：作者公开了完整实验数据和复现脚本，还保留了负结果，想比较不同 RAG 检索策略成本与召回的读者可以直接参照。
开发者 mohamedchouiki97 发布了 Helix Support Assistant，一个面向虚构 B2B SaaS 公司客服团队的 RAG 助手项目。系统将 100 份文档（60 Markdown、25 PDF、15 HTML）导入 Chroma 向量库，采用 BM25 + dense 混合检索经 RRF 融合，再用 gpt-5.4-mini 重排并生成带来源和置信度的结构化回答。在 50 条查询测试集上，RAGAS 评测 3 次平均 faithfulness 0.983、context precision 0.981。
GitHub 仓库 jzy13357737150-eng/llm-youtube-landscape-tracker 提供一个公开网页追踪器，聚合一组 LLM 相关 YouTube 频道的最新视频，基于字幕或转写文本而非仅标题生成摘要。管道以 YouTube RSS 监控更新，默认无需付费 API，配置 OPENAI_API_KEY 后可用默认模型 gpt-5 增强摘要；站点由 GitHub Actions 每 6 小时定时重建并通过 CDN 访问。
GitHub 开源项目 llm-extraction-finetune 用 QLoRA（LoRA + PEFT + Unsloth 4 bit 量化）微调 Qwen2.5-3B-Instruct，抽取法/英/美多币种发票为结构化 JSON。v3 报告称 JSON 有效率 100%、Exact Match 95%。数据集含 600 条合成发票文本及 600 张 PNG，按 Train 480/Val 60/Test 60 划分，并用 Pydantic v2 做输出校验与金额一致性检查。
cs7158080 在 GitHub 开源了一个为语言病理诊所构建的 RAG 病历问答系统，临床医生可用希伯来语自然语言提问，答案严格来自患者本人的 .docx 文件，由 Claude Haiku 4.5 基于检索上下文生成。系统在索引前对数据进行去标识化，结构化元数据存入本地 SQLite，治疗计划内容索引进 Pinecone 做语义检索，真实姓名通过本地映射表仅在最终回答时还原，确保患者数据不以可识别形式离开本地机器。
GitHub 仓库 789tammmy-stack/Data-generation-for-BEV 发布了一套用于地下矿山纯电动矿卡能耗研究的合成数据生成工具，基于物理模型生成 50,000 条合成样本，包含 11 个发车前输入特征（车重、速度、坡度、运距、滚动阻力等），目标值为运输段的净电池能量。数据采用均匀采样生成，导出为 CSV，支持可复现的机器学习模型训练与比较，但未建模加速、辅助负载等因素。
GitHub 上的 eval-service 进入 public-beta candidate，提供语言无关的可复用平台，通过统一接口收集多个项目的 LLM 用量，并评估 LLM 应用的质量与性能，支持跨项目一致比较模型、提示词、成本、延迟和可靠性。平台由 Rust 引擎驱动，可评测 Python、Rust、LangGraph 等异构项目，检测回归并解释决策；用量追踪按项目、模型、provider、任务和天聚合 token、延迟、错误和成本，支持 `eval run --sandbox docker` 隔离执行、OpenAI 兼容回环 proxy、离线 cassette 重放和静态 HTML dashboard。
GitHub 开源项目 snake-ai 让神经网络学习玩贪吃蛇，提供遗传算法（numpy）和 Deep Q-learning（PyTorch）两种训练算法，支持 5 种视觉输入和 10 种奖励特征组合。项目内置浏览器 dashboard 可实时启动、观察、逐步检查和对比训练 run，每个 run 保存完整配方便于复现，附九节课程（每配方用 3 个 seed 训练）。可选 LLM 分析功能默认使用 anthropic/claude-haiku-5.5 模型，通过 TokenRouter 或 OpenRouter 调用。
一个开源 RAG 项目，用 LLM 分析 SEC 10-K 文件并回答财务问题。项目从 SEC EDGAR 下载原始 HTML 文件，采用递归分块（chunk_size 1024 tokens、overlap 128 tokens）、all-mpnet-base-v2 生成 768 维嵌入向量，存入 Supabase + pgvector，后端为 FastAPI 嵌入服务，前端用 Next.js，LLM 调用 Google Gemini，整体为学习性质的 Python + Next.js + Supabase 全栈项目。
Kiln 发布免费的桌面应用与 MIT 协议开源 Python 库，覆盖 evals、提示词优化、RAG、微调、合成数据和 AI 智能体等完整 AI 开发流程。微调支持 60+ 模型（Qwen、Llama、GPT、Gemini 等），测试模型库覆盖 190+ 模型；应用可本地运行，支持自带 API key 或通过 Ollama 完全离线使用。
开发者 Himannsshu 在 GitHub 发布 RAG-SYSTEM 仓库，收录多种检索增强生成（RAG）系统实现，用于探索和对比文档检索与问答的不同方案。仓库涵盖不同的检索策略、Embedding 模型、向量数据库、LLM、文档处理与分块技术，以及 RAG 架构、pipeline 和评估实验方法。
新仓库 TUTUisAbigCAT/dataset-generation 基于固定版本 WaveStitch，适配 WatchSleepNet 的 DREAMT IBI 数据接口，用 DDPM 扩散模型生成 IBI 信号。输入窗口默认 window_epochs=4（25 Hz、120 秒、3000 点），含 9 个条件通道，依赖 Python 3.12 与 PyTorch 2.2.2 + CUDA 12.1。验证指标为对角高斯 KL（协议 ibi_epoch_diagonal_gaussian_kl_v3），默认 200 步采样、最多 50 个 epoch、batch size 8，并支持基于平滑 KL 的早停。
GitHub 上的新仓库 Tuldok 是一个本地数据集工作室，可将图片、文本、音频及部分空间数据导入、标注并冻结为带版本与溯源信息的可复现发布。其 Data → Pipeline → Runs 工作流提供 CPU 图像、文本和音频区间分类及验证导出，但不支持 ASR 和通用 3D 训练。运行需 Linux 或 WSL2、Python 3.10+ 及本地 PostgreSQL 16–18（测试版本 17.11），无需 JavaScript 构建或托管数据库。
开源项目 AURA（Automated Understanding of Research Articles）上线 GitHub，可从 arXiv、Semantic Scholar 和 RSS 订阅抓取论文，并用 PyTorch 神经网络按用户偏好做个性化排序。它支持全文 PDF 的结构化摘要、基于 RAG 的论文问答、K-Means 主题聚类趋势雷达，以及每日邮件摘要和每周研究简报。项目支持 Groq、OpenAI、Anthropic、Google 等 LLM 提供商，提供 Docker Compose 一键部署和 React Native Android 应用，需 Python 3.10+。
一个个人学习/作品集项目，将 SFT 与评测的数据层实现为可测试代码，涵盖启发式过滤、MinHash/LSH 去重、带仲裁与标注者偏斜检测的标注、评测去污染、QC 门控合成数据及 dataset card。全部离线运行于合成数据，无需 API key；真实运行结果为 8 条日志保留 5 条、1 个重复组，并检出 always-positive 标注者（chi-square 28.5）。
开源仓库 arka 发布，通过单一 YAML 配置声明式定义 SFT 合成数据生成全流程，涵盖种子摄取、生成、去重、质量过滤与输出，并支持 SQLite 检查点断点续跑。它支持 JSONL、CSV、PDF 多源输入，提供 prompt 与 Evol-Instruct 两种生成策略、MinHash + LSH 的 O(n) 近似去重、canary 短语隐私检测，可输出 JSONL、ChatML、Alpaca 格式，项目采用 MIT 许可。
GitHub 新开源项目 MMIRAGE（Modular Multimodal Intelligent Reformatting and Augmentation Generation Engine）是一个利用生成模型（含 VLM）处理大规模数据集重排与增强的平台。它支持文本与图像多模态处理、YAML 配置、多节点并行与分布式推理，可对接多种 LLM、VLM 和图像生成模型，并支持任意数据集 schema。项目提供 pip 安装、基于 SGLang 的 GPU 处理器、GHCR 预构建 Docker 镜像（GPU/CPU）以及 `mmirage run/check/merge` 等 CLI 命令。
BrenoFariasdaSilva 在 GitHub 发布 Datasets-Features-Compatibility 工具包，用于大规模检查和描述 CSV 表格数据集，重点关注数据集内部及跨数据集的特征兼容性。工具可递归发现数据集文件、生成包含样本数、特征类型、缺失值和标签列的元数据，并支持跨数据集特征对比和可选的 t-SNE 可视化。输出写入各数据集路径下的 Dataset_Description 文件夹，项目采用 Apache License 2.0 开源。
GitHub 仓库 imyassmine/rag 是一个检索增强生成（RAG）流水线，用 AST 感知分块和 TF-IDF/BM25 检索，搭配 Qwen/Qwen3-0.6B 生成有依据的回答，面向约 1,900 个文件的 Python 与 Markdown 代码库（vLLM 源码）。BM25 将标识符拆词并索引文件路径后，代码 recall@5 从 35.4% 提升到 65.7%，docs recall@5 达 79.0%；项目以 CLI 形式提供，并带 recall@k 评测工具。
新开源项目 Course-Assistant_MBAX6418 构建一个课程助手，基于课件材料回答问题并生成练习测验，采用关键词搜索 + 文本嵌入 + 视觉嵌入的混合 RAG 架构，答案附带原始页面/幻灯片图像作为证据来源。目前 PDF/PPTX 解析、BM25 关键词检索与 ChromaDB 语义索引已实现，6 份 PDF（152 页）和 5 个 PPTX（145 页幻灯片）解析完成并经抽查；端到端问答/测验流程尚未集成，测验引擎仍在开发中。
GitHub 新仓库 42-rag 面向 42 School 的 RAG 项目，提供 index、search、search_dataset 和 evaluate 四个命令，用于对代码库建立 embeddings 并检索来源。评估基于 Recall@k（k=1,3,5,10），项目阈值为 docs 在 Recall@5 达 80%、code 达 50%，官方评分由 moulinette 二进制完成，支持 -t 0.8 的 PASS/FAIL 校验。
新开源项目 SYDA 基于 AI 与大语言模型生成结构化、非结构化、PDF 和 HTML 合成测试数据，并保证外键等引用完整性零孤立记录。它支持 Claude、GPT、Gemini、Grok、Ollama 及 OpenAI 兼容 API，兼容 SQLAlchemy 模式，代码生成模式约 3 次 LLM 调用可生成 10,000 行数据，并提供 CLI 与每表每列成本报告，适用于医疗、银行等受监管行业及软件测试场景。
RoboBoulangerie 在 GitHub 开源 robo-croissant-pipeline，一套基于 Rust 的数据流水线工具。它依赖 Nushell、AIChat（LLM CLI 工具）和 Spider 爬虫，运行 nu main.nu 后生成 Sqlite3 数据库 robo_croissant.db，供 RoboCroissant Dashboard 使用，并可从 knowledge_bases.toml 提取 Croissant Metadata JSON 文件。
GitHub 新仓库 Dataset-generation-and-annotation 提供一套数据集生成与标注工具。zimage_gen.py 构造提示词并生成数据集图像，llmdet_label.py 自动完成缺陷类别标注与可视化，get_yolo_txt.py 将 VOC 格式标注转为 txt，split_data.py 按比例划分训练、验证和测试集，Summary.py 统计数据集数量与缺陷标注数。
PySynthData 0.5.0 已发布至 PyPI，是一个 Rust 原生、提供 Python API 的合成关系数据生成库，可按 YAML schema 生成带外键完整性和约束（空值、唯一、范围、枚举等）的数据，核心生成与质量评分在 Rust 中实现。支持 Laplace 机制差分隐私（带 ε-δ 预算）、分块流式生成、基于真实违规的保真度评分，可导出 Pandas、Parquet 和 JSON，并能通过 SQLAlchemy 从 Postgres、MySQL、SQLite 推断 schema。
GitHub 新仓库 Bank_regulatory 构建面向欧盟金融法规的可复现 RAG 系统基础，目标是回答案例适用义务并精确引用条款、逐条验证引用，目前尚未完成。已实现 DORA（Regulation (EU) 2022/2554，64 条）、MiCA（Regulation (EU) 2023/1114，150 条）与 PSD2（Directive (EU) 2015/2366，117 条）共 331 条法规的下载、法律层级解析、结构化分块、检索基准（DEV 集 30 道已判定问题）、Pydantic 数据契约、601 个测试、Docker 与 CI；嵌入、检索、生成、引用验证和 API 部署尚未实现。
该开源项目计划用预期威胁（xT）与 goals added（g+）指标预测美国低级别联赛 25 岁及以下球员能否升级联赛或表现提升。项目自建 xT 模型基于 StatsBomb 免费数据四个欧洲顶级联赛赛季的 1517 场比赛、2,470,092 次开放进攻动作训练，与参考实现相关性达 0.9997。目前 ROADMAP.md 六部分已完成第六部分，球员赛季表覆盖 ASA 全部 37 个联赛赛季共 23,007 行、7,217 名球员。
GitHub 用户 julsngbatac 发布 GANs-For-Synthetic-Data-Generation 仓库，提供用 GAN（生成对抗网络）生成合成数据的完整资源，包括 Python 源代码、研究论文、演示文稿、视频教程和示例合成数据集。项目支持 Windows、macOS 和 Linux，需 Python 3.7 及以上版本和至少 4 GB 存储空间，无需编程基础即可按指南操作。