新闻、仓库与研究，按时间排列。
GitHub 开源项目 modeltested 发布了一个面向开放权重 LLM 的真实工作基准，结果在 modeltested.com 自动更新，当前榜单覆盖 65 个本地模型。评测分编码（30 题，沙箱内跑隐藏单元测试）、文档抽取（24 题）和决策（56 题，含 Brier score 校准）三套，大部分题目以 age 加密存放、密钥为 CI secret，公开与隐藏分数并排展示以暴露背题；模型经 OpenRouter 以全精度或 8-bit 运行，部分 Q4 模型在 Mac mini（M4, 16 GB）上用 Ollama 补测以量化损失，并给出显存适配估算而非速度数字。
推荐理由：这个开源基准用隐藏题集加密和 canary 字符串对照公开分，可用来识别模型背题，且单模型复测成本仅几美分到几美元。
GitHub 项目 HeadToTailUICardByDeviceSideLLM 验证端侧小模型驱动语义 API 调用，当前覆盖 10 个领域、417 个伪 API，默认题组为 1000 条中文单服务用例。Qwen2.5 0.5B/1.5B/3B/7B 各完成 1000 条共 4000 次调用，7B 最终语义正确率最高（77.1%），1.5B 高于 3B 且耗时更低；尚未接入 HarmonyOS 真机，业务执行为 mock，处于可行性验证阶段。
GitHub 开源项目 bd-legal-rag 提供孟加拉语与英语双语检索增强问答，针对孟加拉国法律条文，答案引用具体条款，语料无法回答时直接拒答。系统在 43,966 个语料块上评测：qwen2.5:14b 生成答案引用指向检索片段的比例达 1.00，拒答准确率 0.91，答案正确率 0.71；加 cross-encoder rerank 后 recall@5 达 0.878。支持 Ollama 本地、OpenAI、Anthropic 等多种 LLM 接入，附带 HTTP API、流式 UI 和 248 个离线测试。
ddanila 的 llm-lang-lab 仓库是一个探索对 LLM 智能体更友好的编程语言的实验，目前尚未实现新语言。首期对比 C17 与 Go，由 pi 智能体驱动本地 Qwen3.5 9B（Q4_K_M）模型经 Ollama 运行：六次试点中 Go 通过 3/3，C 通过 2/3；v2 全套校准中 C 4/10、Go 6/10。新的 v3 研究包含 800 个新种子试验，预计运行约 17 小时，结果属探索性证据而非稳定排名。
hyeonbin123 在 GitHub 开源了用工具调用处理韩语虚拟购物客服的 LLM 智能体，并配套可复现的规则化评测环境（开发用 24 题、测试用 40 题，pass^k 与无 LLM 的 DB 状态判定，遵循 τ-bench 方法但任务自建）。本地 4~14B 模型实测中，qwen3.5:4b 将测试集 pass^1 从 18.1% 提到 55.6%；语音通道使 pass^1 从 16.2% 跌至 1.9%，规则化正则化挽回约一半至 8.8%；改用发信号码加姓名精确核验后身份核验从 53.1% 升至 80.2%。项目含 FastAPI 聊天服务、MCP 服务器、审批队列与审计日志，全部指标可从 reports/ 记录重新计算。
推荐理由：作者用 pass^k 与无 LLM 的规则化判定量化了语音通道、模型升级和小型模型对客服智能体成功率的影响。