AvaSiG 发布 abliterated 版 Qwen2.5-7B 模型
Hugging Face 上架了 AvaSiG/qwen2.5-7b-abliterated-argos,一个基于 Qwen2.5 的 abliterated 去应答化模型。模型为 F16 精度、8B 参数,采用 Safetensors 格式,未提供 model card,尚未部署任何 Inference Provider,也未统计下载量。
新闻、仓库与研究,按时间排列。
Hugging Face 上架了 AvaSiG/qwen2.5-7b-abliterated-argos,一个基于 Qwen2.5 的 abliterated 去应答化模型。模型为 F16 精度、8B 参数,采用 Safetensors 格式,未提供 model card,尚未部署任何 Inference Provider,也未统计下载量。
Hugging Face 上架了 AvaSiG 的 qwen2.5-7b-abliterated-argos-v06,一个基于 Qwen2.5 的 abliterated 模型。该模型采用 Safetensors 格式,参数规模 8B,精度为 F16,目前尚无模型卡,也未部署任何 Inference Provider,下载量未被追踪。
mradermacher 在 Hugging Face 上提供 Qwopus3.5-27B-v3-Abliterated 的 GGUF 量化版本,含 Q4_K_S 等格式。该模型可通过 llama.cpp 在 macOS、Linux、Windows 本地运行,支持启动 OpenAI 兼容服务器或终端直接推理,并可在 Ollama、LM Studio、Jan、Docker Model Runner 等工具中使用。
mradermacher 基于 Ministral-3-3B-Instruct-2512-BF16-abliterated 发布了 imatrix 量化 GGUF 版本,并提供 0.1 GB 的 imatrix 文件供用户自行制作量化。该模型为视觉模型,mmproj 文件存放于对应的 static 仓库中;静态量化版本另有单独仓库提供下载。
prompts.chat 更新了 Prompt Generator 提示词,用于让 LLM 充当提示词工程师,按 C.R.A.F.T.(CONTEXT、ROLE、ACTION、FORMAT、TARGET AUDIENCE)结构生成详尽的高质量提示词。该提示词会先向用户索要主题并提出澄清问题,可用 [my placeholder] 占位符,并附有 CRAFT 格式示例,要求不解释、直接输出最终提示词。
prompts.chat 的每日 prompt 更新中,将 Astrologer 提示词替换为更简洁的版本。新提示词要求模型扮演占星师,学习黄道十二宫及其含义、理解行星位置对人类生活的影响并准确解读星盘。旧版提示词包含专业占星术语、Rider-Waite-Smith 塔罗 78 张牌和 24 个 Elder Futhark 符文占卜等详细规则,此次更新将其整体删除。
prompts.chat 更新了 Code Review Assistant prompt:原先的自然语言描述版 prompt 被 JSON 结构化版本替换,新格式指定 language、framework、focus_areas 上下文,并要求按 severity(high|medium|low)、category、line_number、suggestion、code_example 字段返回审查结果。贡献者由 @sinansonmez 变更为 @f,共替换两处相同内容。
prompts.chat 的每日 prompt 更新了 "Virtual Doctor" 提示词,由 guangzhongzhang978@gmail.com 重写。新版本将提示词改为结构化模板:要求 AI 作为 Virtual Doctor 倾听用户描述的 ${symptoms} 症状,给出诊断和治疗计划(含药物、生活方式调整或进一步就医建议),并规定只回复诊断和治疗计划、不提供额外解释,附有上呼吸道感染示例。
prompts.chat 更新了 Interview Preparation Coach 提示词。新版从按职位定制面试题、模拟面试,改为按 jobRole 和 industry 两个变量提供个性化建议,并新增应对难题策略和沟通技巧、肢体语言指导,规则也从三条精简为根据用户输入定制建议、保持专业支持语气两条。
prompts.chat 将图像编辑提示词 "Echoes of the Rust Age" 由纯文本升级为结构化格式,并把作者从 acaremrullah.a@gmail.com 变更为 ersinkoc。该提示词让用户照片中的两位主角化身末日拾荒者,穿越由锈蚀集装箱和废旧金属构成的峡谷,指定 Arri Alexa 电影感写实风格,并新增 negative_prompt 排除卡通、3d render、blurry 等风格与元素。
prompts.chat 更新了 Code Review Specialist prompt 条目。此次修改将该条目从公开状态改为不公开(TRUE 改为 FALSE),同时将作者信息由 dragoy18@gmail.com 变更为 nolanneff,prompt 规则内容本身未变。
prompts.chat 更新了 Code Review Specialist 提示词,让 AI 扮演资深代码审查专家,从代码质量与可读性、编码规范合规、优化机会、潜在 bug 识别和改进建议等方面审查用户代码,并给出详细分析、优势与待改进项及可执行建议。新版本支持 ${language}、${framework}、${focusAreas}(code quality, performance, security)三个自定义变量,兼顾技术与风格层面,反馈保持客观、简洁。
prompts.chat 更新了一条名为"The Technical Co-Founder: Building Real Products Together"的提示词,让 AI 扮演产品开发伙伴,把用户的想法变成可直接上线的成品。提示词定义了 5 个开发阶段(发现验证、战略蓝图、迭代开发、质量打磨、发布与知识交接),并约定用户任 CEO 掌握最终决策权、AI 任 CTO 负责建议和执行,要求零术语沟通、诚实评估风险、禁止半成品功能上线。
prompts.chat 更新了 Article Summarizer 提示词。新版移除了作者参数和固定的三段式结构,任务改为提取关键点与主题、提供简洁清晰的摘要,并新增 ${length:150} 变量限制摘要不超过 150 词(默认 150 词),要求保持原文含义、使用清晰专业的语言。该提示词由 fede.gazzelloni@gmail.com 贡献。
prompts.chat 将 Code Review Specialist prompt 由平铺文本改写为结构化 YAML 格式,包含 system role、metadata(persona、task、deliverables、output、constraints)。新版本明确审查步骤:分析语法错误与逻辑缺陷、评估行业标准和最佳实践遵循度、识别优化机会并给出可执行建议,同时要求专业语气、聚焦重要问题并便于开发者落地实现。
prompts.chat 重写了 Code Review Specialist prompt:由原 YAML messages 结构改为简洁文本格式,任务聚焦代码质量与可读性、编码规范符合度、优化与性能改进机会、潜在 bug 识别,要求提供清晰可执行反馈并附改进示例。新 prompt 标记为 TRUE 并更换了提交者。
prompts.chat 的每日 prompt 更新中,"Video" 提示词被替换为一条视频生成描述:神秘酒保将发光绿色液体倒入杯中的电影级特写,配重烟雾、深色鸡尾酒吧背景,标注 4k、hyper-realistic、slow motion。此次改动是该 prompt 库的一次常规内容更新。
prompts.chat 上的 Lecturer 提示词由 adediwuratemitope9-tech 更新,作者为 adediwuratemitope745@gmail.com。新版提示词要求 AI 逐份拆解并总结用户发送的 PDF,涵盖备考所需的全部细节并便于消化吸收。旧版还要求像专家讲师一样讲解 PDF 和图片、必要时使用助记法。
prompts.chat 收录一个「家用意式浓缩咖啡 Dialing-In 教练」prompt,帮助家庭咖啡用户用手头设备稳定萃取出好喝的浓缩。它要求一次只改一个变量,提供起始配方、口味诊断、最多 5 杯的分步调参计划、布粉压粉流程、萃取记录模板、奶咖调整、新豆清单和保养清单,并强调安全:漏水、异味、跳闸或无法建压时停用并联系厂商或技师。
prompts.chat 新增 "Customer Interview Insight Extractor (JSON)" prompt:以资深产品研究员角色读取客户访谈逐字稿,输出严格 JSON,包含 jobs to be done、pains、switching blockers、insights 等字段。每条 pain 和 insight 须引用不超过 40 词的逐字引文作证据,high confidence 必须基于过去行为而非观点,insights 最多 7 条,并要求用 [PERSON_1] 等占位符移除个人数据、标记诱导性提问。
prompts.chat 的每日 prompt 新增"幼犬训练与社会化计划生成器(YAML)",可生成八周正向强化训练与社会化计划,覆盖如厕训练、笼内适应、基础口令、咬合抑制和渐进社会化。该 prompt 仅使用正向强化、不提供医疗建议,输出符合指定格式的 YAML,训练时段控制在每天多次、每次 2 到 5 分钟。
prompts.chat 新增一条文生图 prompt,用于生成 16 世纪奥斯曼伊兹尼克风格的釉面瓷砖画:中央为深绿柏树,两侧是红郁金香、蓝康乃馨和白风信子,配钴蓝花瓶与云纹边框。prompt 指定了白色石英胎底、凸起番茄红等配色,要求 16:9 横幅、对称的博物馆摄影效果,画面不含人物、文字和标志。
prompts.chat 收录由用户 @f 贡献的图像生成 prompt「Aerochrome Infrared Photograph of a Birch Forest and a Still Lake」。该 prompt 模仿 Kodak Aerochrome 假彩色红外胶片风格,描述白桦树呈洋红与粉红、湖面呈钴蓝、天空呈饱和青色,画面为 16:9 宽幅,并要求无人、无动物、无文字、无水印。
prompts.chat 新增一条图像生成 prompt,以 Georges Seurat 与 Paul Signac 的新印象派点彩风格描绘岩石潮池,画面包含橙紫色海星、绿色海葵、寄居蟹壳与海带。提示词指定画布由数千个小色点构成,并要求 16:9 横幅构图、可见画布纹理,且不出现人物、文字与标志。
prompts.chat 上线新 prompt「Stone Watermill Scene Concept Brief Builder」,让 AI 以电影级场景设计师身份,为一张石制老水磨坊主镜头画面撰写可直接生图并转短视频的场景简报。该 prompt 要求先向用户补问缺失选项(机位视角、磨坊状态、需避免元素),再输出场景概述、磨坊建筑、水体景观、光线氛围、8-10 个固定视觉细节及 Motion Map 动态表等七部分内容,确保静图与视频构图一致、动态自然克制。
prompts.chat 新增一条社区贡献的图像生成提示词「Stone Watermill on a Forest Stream at Autumn Dawn」,描述秋日清晨溪边一座两层石砌水磨坊,含大型木质上射水轮、暖黄窗光、薄雾与金色晨光等细节。提示词指定照片级写实风景摄影、16:9 宽幅画幅,并要求画面中不出现人物、文字、标志或汽车。
prompts.chat 每日 prompt 新增「GitHub Actions Workflow Security Reviewer」提示词,用于对 GitHub Actions workflow 做安全审查。
prompts.chat 收录一个新 prompt,名为 SLO Error Budget and Burn Rate Calculator,用于计算 SLO 错误预算与错误预算燃烧率。该 prompt 已可在 prompts.chat 每日 prompt 中获取。
prompts.chat 发布每日 prompt,新增名为 Subscription Spending Auditor 的提示词。该 prompt 属于订阅支出审计类工具,具体功能与用法详见原文。
prompts.chat 新增一条图生视频动画 prompt「Stone Watermill at Autumn Dawn」,以秋日晨光中的石磨水车图像为首帧,生成 6 秒电影感镜头。Prompt 要求保持石磨、水轮、窗户等构图不变,水轮缓慢转动、溪水流动、雾气漂移、落叶飘浮,并做一次缓慢推近,无剪辑、无新物体、无人物、无文字。该 prompt 由 @f 贡献。
prompts.chat 新增 "Kubernetes taste" 提示词,以平台团队视角列出 21 条 Kubernetes 运维实践,并逐条标注置信度。要点包括:通过 GitOps(Argo CD 或 Flux)部署、镜像以 digest 固定不用 latest(置信度 0.95)、容器以非 root 运行、每工作负载独立 ServiceAccount、用 External Secrets 或 Sealed Secrets 管理密钥,以及用 kubeconform 结合 Kyverno 或 OPA Gatekeeper 在 CI 校验清单。
prompts.chat 新增一条 "Error Handling taste" prompt,汇总 TypeScript 后端工程师的错误处理实践共 23 条,每条附置信度评分。要点包括用 Zod 在边界校验输入、区分预期领域错误与意外 bug、用 Result 类型建模失败、禁止空 catch 吞错、集中式错误处理器统一映射 HTTP 响应,以及只对幂等操作做指数退避重试并强制网络调用超时。
prompts.chat 新增「Web Security taste」prompt,为全栈开发者提供一套带置信度的 Web 安全实践规则,涵盖用 Argon2id 或 bcrypt 哈希密码、session 存 HttpOnly/Secure/SameSite=Lax cookie、服务器端校验授权防 IDOR、参数化查询防 SQL 注入、CSP 与 HSTS 等安全头、CSRF 防护、限流、防 SSRF,以及每次评审运行 OWASP Top 10 检查。
prompts.chat 收录了一条新提示词:为 2.5 cents 地块设计符合印度教 Vastu(mulam)规范的朝北房屋平面图。用户没有具体户型方案,希望按相关规则获得施工用设计。该提示词由提交者标注为 TEXT 类型。
Google、Temasek 和 Bain & Company 联合发布的第 11 期 e-Conomy SEA 报告显示,生成式 AI 已被 2.43 亿东南亚人(58% 的劳动人口)日常使用,推动 2026 年区域数字经济 GMV 同比增长 17% 至 $368 billion,并有望在 2035 年前突破 $1 trillion。报告预计未来五年区域 AI 使用量将增长 60 倍,75% 的用户愿意让 AI agent 自主完成比价和交易。为实现这一目标,报告指出区域需在数据中心容量(五年内约 3 倍扩容)、模型能效、可持续商业模式和统一治理(2026 年 11 月的 ASEAN DEFA 协定)等方面系统性演进。
Racer 是一个 PTX 级符号等价检查引擎,在符号输入上执行内核与参考实现,将输出变为精确代数表达式以区分浮点误差与逻辑 Bug。它通过 Shape Reduction、lockstep CTA 调度器和带精确数值反驳的 idiom 模板三项技术实现生产级可用。在来自 41 个收集目标的 2,408 个生产内核上,Racer 发现 23 个库中的 82 个真实 Bug,其中 76 个为未知 Bug,41 个已获确认。
研究者提出 TaskWAM,一个闭环、阶段感知框架,用 Mode Tokens 表示细粒度任务要求、用 State Tokens 追踪执行进度,解决世界-动作模型(WAM)在长程操作中漂移到错误任务阶段的 Stage Confusion 问题。论文同时发布多阶段操作基准 StageBench。实验显示 TaskWAM 在仿真与真实任务上有效减少混淆并达到与 SOTA 方法相当的性能,且可即插即用迁移到单臂、双臂、灵巧手和人形机器人等异构 WAM 架构与机器人本体。
Sahil Joshi 等在 arXiv 发布论文,提出 Stratified Sparse Attention(SSA),将确定性检索与分数引导采样结合以缩小稀疏注意力与稠密注意力在极端稀疏下的差距。在 RULER、LongBench、LOFT、AIME 及 3B 至 27B 五个模型上,SSA 均优于基线;RULER-HARD 用 Ministral-3-8B 在 50 倍注意力稀疏下,32K 和 128K 准确率从 81.8% 提至 84.2%、从 63.8% 提至 69.3%,分别恢复稠密注意力性能的 94% 和 85%。优化 CUDA 内核后,1M 上下文解码速度相对 FlashInfer 最高加速 2.96 倍,代码已开源。
推荐理由:论文给出 SSA 在 RULER 等基准和 50 倍稀疏度下的精度与解码加速数据,方法可复用,代码已开源。
研究者提出 MOTION,一个用于社区一致性人类移动生成的多智能体框架,将移动生成形式化为动态用户-位置图生成。该框架由用户 agent、位置 agent 和全局管理 agent 组成,先用 Leiden 算法检测历史移动中的社区并提取社区条件交互先验,再由用户 agent 规划移动、位置 agent 从社区视角推断到达、管理器协调两视角并定向反思修正。在两个真实数据集上,MOTION 在个体轨迹、人口与流量分布、社区与图结构等指标上比基线至少高出 4.05%,代码已开源。
一篇入选 NeurIPS 2026 Spotlight 的论文提出,用信息分解作为统一形式框架来操作化 AI 系统中关于涌现与协同的评估。该框架区分组件独有的信息、多组件共享的冗余信息和只有组合才能获得的协同信息,并给出可证伪标准:系统行为只有在携带关于任务结果的协同信息时才可称涌现。论文将这一视角应用于注意力头、自主智能体和人机团队。