新闻、仓库与研究，按时间排列。
ricca200xx 在 GitHub 开源了一个针对视觉语言模型小票结构化抽取的严格评测框架，基于 CORD-v2 数据集，通过 LiteLLM 切换模型后端，所有指标附 95% 置信区间并与 always-null 基线对比。在 50 张小票、8 个字段的提交结果中，54% 的字段单元无值，全答 null 即得 54.0% 宏平均准确率；本地 qwen2.5vl:3b 用朴素提示词仅 49.5%、幻觉率 88%，更严格的 v2 提示词将其提升到 86.0%（配对 +36.5 点）并把幻觉率降到 23.1%；对已达 97% 的 gemma4:31b-cloud 仅 +0.5 点且不显著。框架含不奖励猜测的评分器、不编造值的 JSON 修复层和配对 McNemar 加 Holm 校正的统计方法。
推荐理由：原文给出带置信区间和 always-null 基线的完整评测设计，读者可以照着复现小票抽取模型的幻觉测量。
这是一份大语言模型课程项目书，要求学生用 XED 多语言情绪数据集评估 LLM 的跨语言多标签情绪分类，对比 prompt engineering 与 PEFT 两种适配方法。数据集基于电影字幕，标注 Plutchik 八类情绪，各语言标注行数从马其顿语 300 行到巴西葡萄牙语 12,295 行不等，相差超过 40 倍。项目要求固定 70/20/10 划分、统一实验矩阵，并在英语与指定语言上评测零样本与五样本提示等条件。
enhansome 发布《A Survey of On-Policy Distillation for Large Language Models》阅读指南及 OPDHub 文献库，共收录 362 条条目，其中 134 条附代码，2026-10-13 更新。内容按目标与更新规则、监督来源、能力迁移、多智能体学习等主题组织，涵盖 MiniLLM、DistiLLM、DistiLLM-2、GKD、OPSD、SDPO 等方法，并提供多条阅读路径。
开发者 Shubhadeep Mandal 在 GitHub 开源 IndicLLM 项目，为印地语和阿萨姆语分别构建完全独立的数据、tokenizer 与训练管线，两套语料分别约 723.32M 和 528.50M token，采用 16,384 词表的 SentencePiece BPE，未知 token 率 0%。预训练约 25M 参数的 V1/V2 两版 Transformer（各 500M token），V2 在两种语言上验证困惑度低 5–7%；Phase 3 的符号推理 SFT 共 44 次运行，Direct SFT 准确率整体高于 CoT SFT。
John Smith 等人的论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》提出优化策略以增强 LLM 在多任务间的上下文推理，实验显示在动态环境中适应性更优。论文正在 COAI 2025 审稿中，仓库即将发布实现代码、benchmark 结果与预训练模型 checkpoint。
该 GitHub 仓库实现了 ICML 2025 论文《Adaptive Learning Strategies for Large Language Models in Dynamic Environments》，提出让 LLM 在动态环境中实时调整参数与行为的自适应学习方法，支持持续学习且避免灾难性遗忘。在主题切换、新领域、混合上下文和时间变化四类环境中，性能较基线分别提升 17.4%、18.1%、16.8% 和 19.1%，项目采用 Apache 2.0 许可证开源。
GitHub 新增仓库 suryamanoj4/Controlled-Generation-Study，聚焦受控生成相关研究。仓库包含 Obsidian Vault 的 AI Research 笔记、sas-e1 文件及 Report_Analysis_1 等分析报告，并收录低资源故事生成研究文档 low_resource_story_generation_research.md。
TokEval 是一个开源研究与工程项目，用于测量、解释、可视化并降低多语言 LLM 分词低效问题，以韩语为首个优化案例、英语作为初始基线。项目包含 Explorer 分词可视化、Bench 可复现多语言评测、Train 受控 tokenizer 实验、Serve GPU 延迟与成本基准，核心原则是按成功任务衡量成本，并保留原始字节以避免 UTF-8 码点被切分。Explorer MVP 位于 dashboard/，基于 Astro 和 React island，通过 npm test 检查字节安全、npm run build 完成生产构建。
dci-bench 是一个评估 LLM 直接语料交互（DCI）能力的基准，评测分为文档与代码两条赛道，沿用 Inspect/Pi 六任务工作流。代码赛道新增独立仓库文件指标、行覆盖率、函数/功能证据召回、显式无金标准弃答和 ARB 预算上下文收益；2026-10-15 协议数据索引覆盖 13 个文档任务（2,399 条查询）和 287 条 ARB 代码查询。Phase 0 至 Phase 5 已实现，检索评分默认报告 recall、F1 和 nDCG@1/3/5/10/20。
Mert Ayvazoglu 的试点研究探讨仅用结果奖励的 GRPO 是否降低 LLM 法条推理的因果忠实度。Qwen3-4B 经 60 步训练后，OpenExempt Task AE 的 300 个测试用例准确率从 33.3% 升至 55.3%，但移除推理后答案不变的样本从 6% 升至 24%，反事实忠实度从 0.54 降至 0.50。单种子探索性结果下 H1 尚待确证性重跑验证。
GitHub 上有研究者端到端复现了 Wilfrid Laurier University 团队的 FedLLM 论文，用 Qwen2.5-1.5B 结合 LoRA、4-bit QLoRA 与联邦学习做可解释交通流预测，仅训练 18,464,768 个权重（1.18%）。复现结果接近原论文：FedLLM 误差与论文相差 2% 以内，15/30/45/60 分钟预测的 R² 匹配到小数点后三位；复现中 5,000 条测试提示词 RMSE 为 31.84，低于论文的 35.66。仓库包含完整代码、LoRA adapter、合并模型与运行日志，GRU、DCRNN 等基线未在本次发布中运行。
一篇题为《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》的论文提出优化策略以增强 LLM 在多任务间的上下文推理，实验结果显示其在动态环境中适应性更优。该论文正在 COAI 2025 审稿中，仓库即将发布实现代码、benchmark 结果与预训练模型 checkpoint。
TempoPFN 论文被 NeurIPS 2026 接收，提出一套合成时间序列生成器与增强方法库，用于训练时间序列基础模型，其模型为基于 DeltaProduct 的线性 RNN，逐时间步预测、无需 patch。该合成数据已被 Toto-2 和 TS-ICL 采用，代码与模型在 GitHub 和 HuggingFace 开放获取。
一位开发者设想如果 80 年代用汇编编程的程序员能使用本地模型会怎样，并演示了一个小型决策模型程序：将"太暗且出汗"这类提示词拆分为概率判断与确定性代码两部分，由模型在"太冷到太暖"五个选项中判断室温感受，置信度低于 0.5 时转交人工处理，否则按每步 3 摄氏度调节温度。
Anima Labs 开源 sim-review 仓库，研究各代模型在 distress、care 及对创作者态度上的模拟器先验，提供论文、结果表格、样本浏览器和 agent API（/agents.md、/results.md、/api）。审阅通过常驻 PR “Review: essay and results” 进行，按句子逐行评论 ESSAY.md 与 RESULTS.md；1.8 GB 的全部 completions SQLite 数据单独发布，由容器拉取，论文以 NeurIPS preprint 排版导出 PDF。
GitHub 仓库 onrueamt1593-pixel/optimizing-llms-contextual-reasoning 为论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》提供实现与实验代码，该论文提出优化策略以增强 LLM 跨多任务的上下文推理，目前正投稿 COAI 2025 审稿中。仓库状态为待发布，后续将包含完整实现、实验配置、benchmark 结果、预训练模型 checkpoint 及文档教程。
Zekun Shi 发布 FreeSolo 架构、论文（arXiv 2610.17191）与 341M/743M 研究用 base 模型权重，通过学习 chunk mean keys 支持检索、剪枝与层级摘要，RoPE 保留在局部窗口。FS-L 为线性时间、FS-B 为超线性次二次复杂度，两者共享一套 checkpoint 格式；模型在 4k 上下文训练，8k 及以上零样本外推，可在 262k（64 倍训练长度）检索单针而无需长上下文微调。
推荐理由：作者同时给出 RULER 准确率与 A100 实测吞吐显存表，读者可按复杂度和长度逐项对比各稀疏注意力方案。
GitHub 仓库 llm-adaptive-learning 发布了 ICML 2025 论文 "Adaptive Learning Strategies for Large Language Models in Dynamic Environments" 的实现，让 LLM 实时适应动态环境且避免灾难性遗忘。在四类动态场景中，该方法较基线提升 16.8%–19.1%，如时序变化场景从 69.8% 提至 88.9%。项目采用 Apache 2.0 许可证开源。
GitHub 仓库 jkhajem/enhancing-llms 实现了论文《Enhancing Large Language Models with Advanced Fine-Tuning Techniques》中的高级微调方法，用于将预训练模型适配到特定领域任务。该方法在 GLUE 上取得 92.5%（较基线提升 8.3%）、SuperGLUE 上取得 89.3%（提升 12.5%），并提供优化训练管线以加快收敛，项目采用 MIT License 开源。
GitHub 用户 ashashram445 上线论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》的配套仓库，该论文提出优化策略以增强 LLM 在多任务间的上下文推理，目前正投稿 COAI 2025 审稿中。仓库标注“待发布”，将包含实现代码、实验配置、benchmark 结果、预训练模型 checkpoint 及文档教程。
GitHub 仓库 ashashram445/llm-adaptive-learning 实现了 ICML 2025 论文《Adaptive Learning Strategies for Large Language Models in Dynamic Environments》中的 LLM 自适应学习方法，支持实时参数调整、动态记忆管理与防灾难性遗忘。在多类动态环境测试中，该方法较基线提升 16.8%–19.1%，如话题切换场景从 72.3% 提升至 89.7%。项目采用 Apache 2.0 许可证开源。
GitHub 仓库 enhancing-llms 开源了论文《Enhancing Large Language Models with Advanced Fine-Tuning Techniques》的实现与实验代码，探索面向领域任务的大语言模型微调方法。该方法在 GLUE 上取得 92.5%（较基线提升 +8.3%）、SuperGLUE 上取得 89.3%（提升 +12.5%），采用 MIT 许可证。
GitHub 仓库 enhansome/enhansome-talking-head-generation 汇总了音频驱动的说话人头生成领域研究与开源代码，收录 FunCineForge、TurboTalk、OmniHuman-1、Hallo2、MuseTalk、VASA-1、EchoMimic 等项目，并标注各自发表年份、会议和 Star 数。列表覆盖 2024 至 2026 年的工作，多数项目以 Python 实现，部分提供论文、代码或项目主页链接。
GitHub 上的 model-detective 项目研究能否仅通过 LLM 的文本输出来检测其量化状态，并在不同 bit-width 下衡量检测所需的查询次数与危害。项目目前处于 Phase 0 工作进行中阶段，仓库包含 app、configs、src/modeldetective 等模块，尚无 star 与 fork。
一个自我验证的 LLM 智能体可将英文硬件规格转为 Verilog，自行编译、编写 testbench、仿真并迭代修订代码，在 VerilogEval v2 上以 5 次设计版本预算对比单次调用基线，且不接触参考测试。实验设置 Baseline、Compile、Self-verified、Oracle 四种模式，计分始终使用隐藏参考 testbench，并跟踪自验通过但隐藏测试失败的概率，同时报告每个设计的 token 与美元成本。项目支持 gemini-* 与 claude-* 模型，因 VerilogEval 源自公开的 HDLBits，绝对通过率可能偏高，模式间差异更有意义。
GitHub 新仓库 cfg_molecular_generation 发布，这是一个用 Classifier-Free Guidance（CFG）做属性条件分子生成的研究框架，支持 QED、LogP、TPSA、SAS 四种分子属性条件，预扫默认 guidance scale 分别为 LogP=1.5、TPSA=2.0、QED=2.5、SAS=2.5。框架采用 LoRA 微调与可配置模型路径，可评估不同因果语言模型及其适配器，并提供 SMILES 有效性、唯一性、新颖性与属性误差评估；数据集与模型权重不含在仓库内。
GitHub 仓库 LLM-KG4QA 维护了一份关于 LLM 与知识图谱（KG）结合用于问答（QA）的论文列表，配套综述已被 EMNLP2025 主会接收。内容涵盖 KG 作为背景知识、推理指南、精炼与过滤器等分类，以及预训练、微调、KG 增强提示词和 RAG/Graph RAG 等方法，并收录复杂问答、可解释问答、多跳问答等场景与相关 Benchmark 数据集。该教程亦被 EDBT2025 接收，预print 于 2025-05 上线 arXiv。
Fabyo Sousa Ramos 的 GenAI/LLM 硕士毕业项目训练了一个面向 5 岁儿童的安全教育助手模型，以 Qwen2.5-3B 为学生模型、Qwen2.5-7B 为教师模型，结合 CoT 合成数据、Logits 知识蒸馏与 DPO 内化安全 guardrails 和儿童化人格。最终模型经 LoRA 权重合并并量化为 GGUF（Q4_K_M）格式，可在资源受限设备上本地离线运行。DPO 训练 1 个 epoch 内 Loss 快速收敛，模型在无 system prompt 测试中也能拒绝恶意或越狱指令。
这是一个课程结业项目仓库，研究用大语言模型从 User Stories 自动生成 Gherkin（BDD）验收测试场景。评估结合四方面：METEOR 与 BERTScore 文本相似度指标、Gherkin 语法结构符合度验证、基于 Relevância/Clareza/Completude/Singularidade 四属性的人工评分，以及面向 QA 从业者的问卷调研。
Gaohui Ni 等发布论文配套代码库，实现孔隙度可控的 3D 数字岩生成。框架采用轻量级 3D VQ-VAE 将 256^3 微观 CT 体数据压缩至 64^3 离散隐空间，通过 FiLM 条件化 latent DDPM 生成目标孔隙度结构，并用分位数自适应二值化精确控制输出孔隙度。代码库还包含 TP-AQB v2 后处理器、Fontainebleau 外推验证及孔隙网络、渗透率等评估工具。
GitHub 仓库 Napat-hi/hallutrace 公开了基于 HALoGEN 基准的幻觉溯源研究全套代码与数据，包含按 seed 20260916 抽取的 3,200 个提示词、8 个模型共 96,000 次生成及其验证结果。仓库提供 Modal 运行入口、SQLite 存储、标注一致性检验（含 precision 0.93 的计数规则核查）、infini-gram 语料检索与 Wikidata 人名消歧脚本，用于追溯模型幻觉来源。
GitHub 仓库 enhansome-Awesome-3D-Scene-Generation 收录 300+ 篇 3D 场景生成、数据集及下游应用研究，并持续更新。内容按层级分类，涵盖程序化生成、基于优化、基于 LLM、神经 3D、图像与视频生成等方法，以及室内、自然、城市数据集。应用方向包括 3D 场景编辑、人-场景交互、具身导航、机器人与自动驾驶。
ORBIA 是一个评测交互式视频世界模型 3D 一致性的基准，已开源评测代码、模型适配器和数据构建流水线。基准包含 720 个案例（480 个 22 秒短案例、240 个 60 秒长案例），从 ScanNet++、SpatialVID、Sekai、MiraData、自录视频和 48 个 Unreal Engine 环境的 11 万样本中精选而来，按输入保持、生成内容持久性和 3D 自一致性等六个维度加权评分，并附 27 个模型的排行榜，SolarWM-H3 以 76.32 的 Overall 分居首。
FAHID-KHAN 在 GitHub 发布一个受控 CI/CD 失败诊断研究工作流，从 6 个仓库收集 90 份 GitHub Actions 失败日志，按规则筛出 74 个合格案例，并创建盲测人工 ground truth。研究对比专有模型 openai/gpt-5.6-terra 与经 Ollama 本地运行的 qwen3.5:9b（24,576-token 上下文），两者共享 medium 推理力度、提示词与 JSON schema，最终以失败类别精确匹配和证据行准确率评分。
斯里兰卡 IT 学院 J26-SE-331 团队提出一个四组件 BDD 测试 QA 框架，针对 LLM 生成「能跑通但未真正验证需求」的 false-runnable test。四个组件 C1-C4 依次做接地需求细化、边界感知 Gherkin 生成、带 mock 理由的测试生成和需求可追溯的变异充分性评估，每个交接点用 JSON 契约并设人工审查决策。团队将通过条件化流水线与独立阶段基线的消融实验，验证端到端可追溯性能否改善测试充分性与缺陷定位。
一份 2026-10-17 发布的工作论文在一台机器上测量 Agent 单个“琐碎”轮次的时间成本，共 65 次运行、3 种 harness，Provider 花费约 8 cents。仓库开源了完整数据集 bench.csv、复现脚本 analyze.py 及路由分散研究。作者还自我纠正了部分初稿结论：缓存命中并未区分快慢运行，相关主张已撤回，中位数 0 秒的舍入误差也已修正为 3.055。
一个 GitHub 仓库为论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》预留实现与实验代码，该论文提出优化 LLM 跨多任务上下文推理的策略，目前处于 COAI 2025 审稿中。仓库标注为 To be released，将陆续提供优化策略实现、实验代码与配置、benchmark 结果分析、预训练模型 checkpoint 及文档教程。作者为 John Smith 等，引用信息以 @inproceedings smith2025optimizing 形式给出。
RootCause 是一个基于 OpenTelemetry 指标、链路和日志排查微服务事故的 LLM 智能体，同时也是一个包含 20 个事故（16 个故障加 4 个无故障对照）的基准。结果显示没有智能体明显优于 28 行启发式规则：所有配对 95% 置信区间都包含 0。模型比工具影响更大——在故障事故上 Nemotron 3 Super 比 Gemini 3.5 Flash-Lite 高 +0.26，但计入误报后差距缩至 +0.11 且区间包含 0，change-aware 工具也未带来可测量的提升。
GitHub 仓库 llm-adaptive-learning 发布了被 ICML 2025 接收的论文《Adaptive Learning Strategies for Large Language Models in Dynamic Environments》的实现代码，提出 LLM 在动态环境中的实时自适应学习方法，无需全量重训练且避免灾难性遗忘。实验显示其在主题切换、新领域、混合上下文、时间变化四类环境中分别较 baseline 提升 +17.4%、+18.1%、+16.8%、+19.1%。项目采用 Apache 2.0 协议开源。
GitHub 上线新仓库 SanmayKB/GAN-based-model-for-generation-of-images-for-disease-classification，包含基于 GAN 的疾病分类图像生成代码，核心文件为 cgan_skin_disease.py 及 test 目录。该仓库目前尚无项目描述、topics、Releases 和 Packages，Stars、Watchers、Forks 均为 0，也无贡献者信息。