新闻、仓库与研究，按时间排列。
GLOSS-MT 通过离线英-特威语（Twi）词典替换源句名词短语并一次性微调翻译模型，实现可控的低资源机器翻译。在英语到阿散蒂特威语文档级基准（84 篇文档、四个领域）上，基于 NLLB-200（600M、1.3B、3.3B）、OPUS-MT en-tw 和 TranslateGemma 4B 的微调模型 chrF2 提升 +2.85 至 +5.48，三个 NLLB 微调模型达到 50.12-50.80，为最佳开源系统。无需再训练即可通过更换词典条目改变输出术语，出现率达 70-97%。
arXiv 论文 2610.24723 提出 MetaSkill，一种混合表示，在保留完整 Skill 包与本地自然语言指令的同时，通过有向无环图（DAG）运行时让调用依赖和前驱文本绑定变为可执行。在 20 项多 Skill 工件任务和 DeepSeek-V4-Flash、GLM-5.2 两个 LLM 上，与自然语言流程、Prompt Graph 及 AgentSkillOS 对比，盲评偏好点估计均占优，且 95% 任务 bootstrap 区间排除了与 Prompt Graph（DeepSeek-V4-Flash）和 OpenClaw（GLM-5.2）的持平；GLM-5.2 审计轨迹中所有计划节点完成、声明的先后约束全部满足。
推荐理由：论文把 Skill 间协调关系形式化为可执行 DAG，同时保留 Skill 内自然语言灵活性，给出 20 项任务与两个 LLM 的对照实验结果。
PV-Decoding 是一种面向扩散语言模型的置信度驱动投机解码框架，用两个置信度阈值把被遮蔽位置划分为直接解码、投机与未决 token，并采用渐进式验证策略。在三个扩散语言模型的 GSM8K、MBPP 和 HumanEval 实验中，其将顺序模型前向传播（MFP）较置信度解码降低 8%–37%，最大精度损失仅 1.3%；在 Dream-7B-Instruct/GSM8K 上，1-batch 与 2-batch 版本在同硬件下吞吐提升 7.0%–13.6%。
研究者提出张量网络 Datamodels（TNDMs），用低秩张量网络建模训练单元间的依赖，突破线性 datamodels 只能分配固定贡献、无法表达非可加联合效应的限制。在受控推理任务上，TNDM 仅观察一半训练子集即超越所有基线，TNDM-TT 在观察约 0.0061% 的可能训练子集后将预测 NMSE 较线性 datamodel 降低 89%。在事实关联微调中，单个 TNDM-CP 将留出 R² 从 0.579 提升至 0.668。
arXiv 论文提出受皮层抑制回路启发的 inhibitory message passing，一种免训练通信路由器，按证据句逐条消除冗余、每条证据至多向需要它的接收者转发一次。对比标准消息传递，对等组的准确率在三个基准上提升 39-77 个百分点，每次运行的 token 消耗下降 10-46%；结论在 7 个 4B-32B 开源模型与 2 个商业模型、最多 64 个智能体，以及点对点、编排者-工作者和多层层级等架构上均成立。
推荐理由：论文提出免训练的抑制式消息路由机制，并给出多组基准与 token 开销数据，方法可直接迁移到多智能体系统设计。
研究者提出 DiffuPlan，一种维护单一可编辑规划状态的扩散搜索智能体，当后续证据确定实体或改变搜索路线时仅重建受影响步骤，并引入 Expansion-Partition Marginalization（EPM）支持变长修订，还将扩散轨迹 RL 适配到多轮搜索。在四个多跳 QA 基准上，DiffuPlan 取得 50.24 平均 F1，超过强 AR 搜索智能体；同等数据与训练下，可编辑规划状态为扩散智能体带来 2.44 F1 提升，而其 AR 源模型仅提升 0.47。
语言模型有时会逐字重复直到生成上限，一项研究分析循环的逃逸条件：给定某片段已重复 n 次，逃逸何时仍可能。研究发现有界惩罚可导致位置锁死，并预测广泛部署的 DRY 采样器存在盲点——在 11 个开源模型上，66% 的 g=6 锁死单元在 DRY 下保持锁死，自由生成中存活于 DRY 的 109 个循环全部满足 g≤7。作者提出 DRY-C，720 次结构化输出生成均未循环到长度上限，任务完成率与 DRY 接近。
moeshawky 发布 distributedcognition/humanizer-abliterated（11.96B 参数，Gemma4UnifiedForConditionalGeneration 架构）的 FP8-DYNAMIC 量化版，体积 13.02 GB，为 BF16 原版的 54.4%，仅对 328 个语言模型 linear 层做 E4M3 权重与动态激活量化，嵌入、lm_head 及视觉/音频模块保持 BF16。该版本经结构验证可运行，可在 vLLM、SGLang 或 Transformers 中直接加载，但未做 benchmark，无 perplexity 或吞吐数据。许可证为 apache-2.0，需遵守上游基础模型的附加条款。
moeshawky 发布 distributedcognition/humanizer-abliterated 的 INT8 W8A8 动态量化版，基于 llmcompressor 对 11.96B 参数模型中的 328 个语言模型线性层做 8-bit 量化，体积从 23.92 GB 降至 13.02 GB（54.4%），embedding 与 lm_head 保持 BF16。实测 INT8 权重 SNR 约 39.9 dB，logits 分布与 BF16 源一致；未做 MMLU 重评与吞吐测试。模型可直接在 vLLM、SGLang 或 Transformers 中加载，采用 apache-2.0 许可。
moeshawky 发布 distributedcognition/Hemmingway-1-27B-abliterated 的 FP8-DYNAMIC 8-bit 量化版，基于 27.32B 参数的 BF16 原模型，体积从 54.64 GB 降至 30.30 GB（55.5%）。仅量化语言模型解码器内 496 个 linear 层权重（F8_E4M3、per-channel 对称），激活为 per-token 动态量化，lm_head、embed_tokens、MTP 头与 Gated DeltaNet 状态张量保持 BF16。实测 FP8 权重 SNR 约 31.6 dB，可在 vLLM、SGLang 或 Transformers 直接加载，未做 benchmark。
moeshawky 发布 distributedcognition/Hemmingway-1-27B-abliterated 的 INT8 W8A8 动态量化版，基于 27.32B 参数的 BF16 原模型，体积从 54.64 GB 降至 30.30 GB（55.5%），仅量化语言模型解码器中的 496 个 linear 层，lm_head、embed_tokens、MTP 头与 Gated DeltaNet 状态张量保持 BF16。实测 INT8 权重 SNR 约 39.6–40.8 dB，logits 分布接近原模型；可直接在 vLLM、SGLang 或 Transformers 中加载，尚未做 benchmark、吞吐或消融鲁棒性测试，许可证为 apache-2.0。
SQuIREL 是一种在实体级别测量 Wikidata 丰富度的方法，从语义特异性、限定符密度、内部连通性、引用溯源、外部网络连通性和语言可及性六个维度分别评估。案例研究显示，48% 的巴西油画聚为低丰富度 stub，而法国油画为 0%，并揭示英国与尼日利亚作家间不同的性别差距，可暴露可能指向系统性偏差的表征不平等。
研究者提出 Spherical Physics-informed Neural Operator，用于球面流形上的气象降尺度。该方法利用 Spherical Laplacian Decomposition 将大气场分解为多尺度频率分量，并通过几何感知注意力与可微分动力学约束实现任意位置查询。实验显示该框架在多种气象变量上具有更高精度和零样本泛化能力，论文发表于 IJCAI 2026。
Hugging Face 上线 Sindexter/qwen2.5-7b-abliterated-gguf 模型页面，提供 Q3_K_M 量化版本。用户可通过 llama.cpp 在本地启动 OpenAI 兼容服务器或终端直接推理，也支持 Ollama、Docker Model Runner、LM Studio、Jan、Lemonade 等工具运行，并可接入 Pi、Hermes、OpenClaw 等 Agent 使用。
一项研究提出以参考为中心的评估方法，用 LLM 将人类推理链步骤结论转译为一阶逻辑（FOL），并用 Z3 SMT 求解器检查蕴含。在 P-FOLIO 的 386 条推导中，202 条（52.3%）通过全部检查；230 条未被引用前提集蕴含的步骤中有 191 条在完整前提下可被蕴含，其余归因于 21 处人类推理错误、11 处 FOL 转译错误和 7 处数据集标注错误。结果表明与人类推理参考的不一致可能源自参考本身。
研究者提出 CoLAT（Contrastive Label-flipping for Adversarial Training），一个针对图神经网络标签投毒防御的对比对抗训练框架。该方法利用对比嵌入识别标签-结构不一致的高风险节点，在对抗训练中引导对抗性标签翻转，并顺带清洗部分受损标签。在多个 benchmark 上，CoLAT 在不同投毒强度下持续优于现有防御方法，且可高效扩展到大图。
MM-LeJEPA 将 LeJEPA 的自监督学习任务假设扩展到多模态，推导出在固定总方差约束下最小化加权 Fisher 信息泛函的相关高斯目标，并对 SIGReg 给出解析变换。方法仅新增一个标量超参数——目标跨模态相关性。在公开的视听分类基准上与代表性开源方法竞争力相当，代码将开源。
一项 arXiv 研究（arXiv:2610.24671）在 LongMemEval-S 和 BEAM-100K 上对比六个 SOTA 显式记忆系统与原始历史 RAG，发现后者并无一致劣势，显式记忆只在特定问题类型和紧凑运行时上下文预算下有局部收益。Oracle 检索显示部分系统在记忆构建时丢失答案支撑信息，另一些则保存了却检索不出，尽管构建成本可达每段对话数小时；作者指出改进对已有信息的检索可能比构建更精细的显式记忆更重要。
推荐理由：原文用受控检索设置对比六种显式记忆系统与原始历史 RAG，指出检索环节被低估，方法结论可迁移到记忆系统设计。
一项 arXiv 研究通过对 Qwen3-4B-Base 做生成时干预，分析 RLVR 对数学推理的增益来自哪里。仅在两模型贪心解码分歧的约 4% 位置借用 RL 模型的 token，就能恢复 90.5% 的 pass@1 增益；强制 base 模型以 "Alright" 开头可恢复 35% 的 RL 增益，开头之后的后续替换再增加 5.2 个百分点，而固定插入 "Wait" 等反思词的规则无法复现该效果。稀疏替换在 k=256 时解决 67.5% 的问题，高于 RL 模型的 61.4%，同时保留较多 base 模型多样性；比较基于相同尝试次数而非相同算力。
推荐理由：论文用生成时干预把 RLVR 增益拆到具体 token 决策层面，结论对理解 RL 训练到底改变了什么有参考价值。
arXiv 论文提出人群健康世界模型（PHWM），主张数字医学不应止步于任务特定的预测，而要刻画干预如何改变个体健康轨迹与人群健康动态。论文指出当前研究存在动态健康状态建模、人群级干预智能、面向行动的验证与公平治理三大结构性缺口，并给出行动依赖观测下的表示学习、多尺度干预智能与带明确决策边界的验证三项最小能力。
Baekpica 正在将 abliterated 版 GLM-5.3-Flash-Uncensored-FP8 转换为实验性 GVQ1/GGUF v3 格式（Q4_K nonexpert v3），权重上传前仓库暂不可加载。转换复用 GLM-5.3-Flash-VQ-GGUF 的结构：36,288 个路由专家矩阵用八维 VQ（K8192，每权重 1.625 index bits），316 个非专家矩阵用 Q4_K，面向 DGX Spark (GB10) 服务。模型经 abliteration 移除了安全对齐，采用 MIT 许可，仅声明研究用途。
一项研究让单个大语言模型扮演多个角色进行“制宪会议”辩论，为“AI 智能体社区”起草假设性宪法。各会议收敛出一组稳定的基础法律条款，并围绕其产生多种提案，包括人类法律中没有对应物的 AI 专属条款。研究发现存在创造力天花板：AI 能把熟悉的法律概念重组扩展到新情境，但无法深入思考这些情境带来的改变，仍依赖人类法律推理。
webmp3 在 Hugging Face 上发布 Sakura-Nemotron-3.5-Bolt-74B-A9B-24GB-Uncensored 的 GGUF 版本。该模型可通过 llama.cpp、vLLM、Ollama、Docker Model Runner 等工具运行，支持启动 OpenAI 兼容本地服务器或在终端直接推理，也可在 LM Studio、Jan、Pi、Hermes Agent、OpenClaw 等客户端中使用。
arXiv 论文（arXiv:2610.24649）在 Terminal-Bench 2.1 上预先设定的研究中测试决策模型 Jev 1.13 作为控制器能否让 Claude Sonnet 5.5 终端 Agent 更省。21 个 held-out 任务、315 次试验中，Jev 使单次尝试成本上升 19%（几何均值比 1.19，95% CI 1.02-1.36），通过率不变（73.0% vs 73.0%）；比小模型 Claude Haiku 5.5 控制器便宜（比值 0.81），但比安慰剂贵 22%。离线评估中 Jev 排序优于规则（AUROC 0.78 vs 0.62）但校准差：判为未完成的运行中 87% 实际通过，导致要求验证本已正确的工作；所有控制器都从未选择放弃运行。
推荐理由：论文用预先设定的对照实验测了决策模型控制器对 Agent 成本和成功率的影响，数据具体，结论对脚手架设计有参考价值。
xxris 在 Hugging Face 上发布 abliterated 版 DeepSeek-R1-Distill-Qwen-32B 模型。该模型可通过 Transformers、vLLM、SGLang、MLX LM 加载，支持 OpenAI 兼容 API，也可用 Docker Model Runner 运行。
一项 arXiv 研究通过零相位低通滤波逐频段测试，发现基于频域衰减的成员推断攻击并不优于单一置信度阈值。在联邦学习的两个 ResNet-18 目标模型上，最优频段得分 AUC 为 0.513 和 0.735，而置信度阈值分别达 0.537 和 0.943；对 1206 个候选得分的搜索也未找到胜出者。机制在于：去除细节时成员与非成员的置信度差距虽增大，但方差增长更快，成员信息随图像整体结构而非某一频段存在。
varun-balani 在 Hugging Face 发布 Qwen2.5-32B-Instruct 的 abliterated 版本，用 Heretic 的 ARA 修饰器去除拒绝方向。mlabonne/harmful_behaviors 拒绝率从 98/100 降到 10/100，相对基座模型 KL 散度 0.22；该结果从 24 次试验的优化中选出，提供 bf16 全量权重及 Q4_K_M（约 20 GB）和 Q8_0（约 35 GB）GGUF 量化版本，Q4_K_M 可在约 36 GB 内存的本地环境用 Ollama、LM Studio 或 llama.cpp 运行。
推荐理由：原文给出拒绝率前后对比和 KL 散度数据，可据此判断这个去对齐版本的行为漂移程度。
论文提出 SELM（Self-Evolving Library Management）框架，将 LLM 智能体技能进化建模为库级管理问题，通过维护技能置信度与效用信号，联合管理技能检索、更新与生命周期。SELM 引入效用感知检索、Map-Reduce 定向更新及基于有效性的技能保留/剪枝机制。在四个覆盖多任务与执行环境的 agent benchmark 上，SELM 在多数设置中持续优于对比方法。
论文介绍 Muse Glimmer，一个面向消费级硬件上自主智能体任务的开源 30B 因果语言模型，集多步推理、工具调用与失败恢复于一体，支持文本与图像输入，训练数据覆盖一百多种语言，量化至约 4-bit 可单 GPU 本地推理。作者称其在工具调用、多步规划和智能体任务完成上优于同尺寸的 Gemma4-31B 与 Qwen3.6-27B，模型以 Apache 2.0 许可发布。
推荐理由：论文给出30B级端侧Agent模型在同尺寸模型上的基准对比，对关注本地部署智能体的人有参考价值。
一项 arXiv 研究在神经元层面识别出跨语言共享的安全神经元集合 safety kernel（SK），并通过激活抑制和激活状态迁移验证其与跨语言安全行为的关联。基于 SK 坐标提出的 SK-Masked LoRA 将 LoRA 微调约束在对应 FFN 输出维度上，在多语言（含未参与 SK 发现的语言）中显著降低攻击成功率，对模型通用能力影响有限。
一项 arXiv 研究考察激活监测器的性能在多大程度上依赖对原始模型计算的访问。在 4 个模型、2 个反事实监测任务上，无需原始行为生成轨迹即可恢复大部分性能，但原生训练的监测器仍有最高 0.014 AUROC 的一致优势，且在改写后行为标签变化的样本上提升明显。结果强调需要评估来判定原始模型计算何时提供额外预测价值。
研究者提出 Hierarchical Score Posterior Recovery（HSPR），用少量任务子集和后验引导的自适应查询来估计软件智能体的完整 benchmark 分数。在 SWE-bench 家族四个任务库、10% 任务预算下，HSPR 在其中三个任务库取得最低平均绝对误差（MAE），四个任务库均取得最低最大绝对误差（MaxErr）。Macro MAE 在 5-20% 预算区间内持续下降，消融实验显示去掉组不确定性或自适应查询会推高误差。
webmp3/Sakura-Jais-3-7B-Uncensored-GGUF 现已登陆 Hugging Face，提供 Q4_K_M 等 GGUF 量化版本。该模型可通过 llama.cpp、vLLM、Ollama、Docker Model Runner 等工具本地运行，支持启动 OpenAI 兼容 API 服务器或在终端直接推理，也可接入 LM Studio、Jan、Pi、Hermes、OpenClaw 等应用。
该研究探索在 iPhoneBlur 消费级设备去模糊基准上，将严重度描述图以不同注入层级加入基于 latent-diffusion 的领域适配基线的效果。在统一微调预算下，输入拼接使整体 PSNR 从 31.23 提升到 31.30 dB，在 87.2% 测试图像和 15 个 held-out 源视频中的 14 个上有增益，且增益在 transformer 骨干上同样出现；而特征调制、对比目标和 spectral-loss 对照均未超过基线。作者强调这是针对所评估配置的诊断性结果，不证明注入位置是唯一原因或可靠的部署优势。
Hugging Face 上线 nyan-ame 的 Qwen2.5-Coder-7B-Instruct-Abliterated-GGUF 模型仓库，提供 abliterated 版本的 GGUF 格式权重。该模型目前未被任何 Inference Provider 部署，下载量未被追踪，README 文件为空。
研究者提出 RareCipherFT，将训练目标与含相同稀有术语的上下文示例配对，并用字符乱序密码替换该术语，迫使模型只能从上下文中复制学习，从而强化大语言模型的 in-context term learning（ICTL）能力。在英语与泰米尔语等五种语言间的七个翻译方向、4 个 1B 至 7B 参数模型上，RareCipherFT 将术语召回率较标准 IC-Train 提升 5-15 个绝对百分点，且不降低 COMET 分数，也无需词汇资源。
一项发表于 SPECOM 2026 的研究在单说话人病理语音场景下，对 Whisper 中的 LoRA 适配做了组件级分析。结果显示：全注意力层的 LoRA 提供最可靠的准确率和最佳时间-准确率权衡；模型扩容虽能降低错误，但无法消除说话人失配；中等长度语音受益最大，短和长语音仍是难点。研究强调适配器位置与依赖时长的评估在数据稀缺个性化场景中的重要性。
DeepSeek 发布 DeepSeek-V4.1-Flash-1017，是 DeepSeek-V4.1-Flash 的小版本更新，在推理、编码、Agent 任务和视觉基准上大幅提升，同时缩短任务执行时间和输出长度，推进多 Agent harness 下的性能成本帕累托前沿。Terminal-Bench 4.0 达 42.3（上一版 31.2），Automation-Bench 达 60.5。该版本不含 Jinja 聊天模板，改为提供 encoding.py 参考实现和 deepseek-recipe Rust 库工具包，支持 1M tokens 上下文窗口、max_tokens ≥ 256K，推荐 temperature 1.0、top_p 1.0，采用 MIT 许可证。
推荐理由：技术报告给出与 Kim3、GPT-5.6、Opus 5 等的对比数据，并附推荐采样参数与推理工具链，方便本地复现。
论文提出用合成概念—对抗故事对的激活均值差构造特征向量，覆盖 1,036 个对齐相关概念、2M 条多语言多题材合成故事并公开发布。在三个模型家族的六个模型上，这些向量可泛化到聊天对话与网页文本的概念检测，形成跨模型可解释的几何结构，注入激活后可因果地引导模型行为，并被用于分析越狱攻击与数学及智能体推理过程中的模型表征。
推荐理由：这项工作用合成故事对构造特征向量，给出了跨六模型的可验证泛化和因果操控结果，是研究模型概念表征的可迁移路线。
研究者提出 EGIP，一种面向临床智能体的循证交互协议，通过角色信息边界、隐藏结果的诊断动作、从临床记录检索检查结果等机制，将证据获取与最终预测分离。该协议在 2 个临床智能体框架、5 个数据集和 6 个语言模型上评测，诊断准确率均优于原生基线。医生评审显示，自动评分正确且证据充分的回答比例从 10.20% 提升至 36.55%。