新闻、仓库与研究，按时间排列。
该仓库发布综述《Large Language Models in Education》的可复现性材料，将 150 条记录中的 120 项研究（86 项一手研究、34 项二手综述）按 Tier 0–4 五级证据分类。结果显示仅 25 项（29.1%）一手研究客观测量学习结果，20 项（23.3%）与替代条件对比，机构运营与治理领域 17 项一手研究均无测量结果。附带 Python 3 脚本可精确重算论文的全部计数与图表。
GitHub 上的开源项目 vjb/LeanLLM 结合三部分内容：一个 LLM 写 Lean 4 证明、编译器检错、错误回传重试的证明循环；Lagrange 定理的两种形式化；以及用于双变量 bicycle 量子纠错码的 Python 工具链。项目可为 IBM [[72,12,6]] 码构建 syndrome 电路并转译到 10×12 网格的 Nighthawk 模型，在 Qiskit Aer 噪声模型下仿真运行，还通过 MCP server 暴露 Lean 与 QEC 工具。作者强调这是可行性流水线，尚未在真实 IBM 硬件上运行，码距仅穷举到 weight 4。
GitHub 新仓库 ZZhangsm/Awesome-Virtual-Spatial-Omics-Generation 整理了从 H&E 染色病理图像生成虚拟空间组学的论文、代码与数据集，涵盖空间转录组学、空间蛋白质组学和分子生物标志物方向。仓库收录 STP-BENCH、HEST-1k 等基准，以及 HINGE、CELLO、HisDiff、CoxFormer 等多个 H&E 到空间转录组学的生成模型，供研究与应用参考。
GitHub 上开源了 ChinaCoalIncident-SFT 数据集，收录 2014–2026 年 541 起中国煤矿事故，覆盖双语 JSONL 记录，包含事故时间线、原因分析与预防建议，用于 LLM 微调。
Daniel Keinan 发布开源项目 AiLibi，一个可复现的社交推理模拟与观战系统，7 名船员与 2 名内鬼由 LLM 驱动，通过 Claude Code 和 Codex 实现，Daniel 未手写生产代码。系统用确定性引擎和观察防火墙保证回放字节级可重建，100/100 样本回放可精确还原。2026-10-09 的 9 人对局记录显示，带证据引用的驱逐准确率为 24/24=1.0000，无证据时仅 20/42=0.4762；带有效引用的投票 410/410 可溯源。样本包含用 Qwen/Qwen3.6-27B 跑的两个 50 局锦标赛，作者强调这展示的是对认证事实的处理而非通用社交推理。
推荐理由：这个项目用可复现回放和证据引用链衡量Agent推理，带证驱逐与无证驱逐的准确率对比给出了可信的具体数字。
shi3z 在 GitHub 发布 npc-llm-bench，用于定量比较本地LLM作为日语游戏NPC的对话质量与速度，结果收录在 RESULTS.md。基准含73个测试，覆盖日语自然度、人格维持、知识边界、记忆一致性、状态反映、角色差异、诱导耐性和长期对话，并测量TTFT、并发吞吐与VRAM，最终输出加权NPC Score与7种排行榜。
推荐理由：作者给出了游戏NPC场景的73项测试、评分权重和RTX 4090等硬件上的11个模型实测结果，方法可复用。
一个开源项目用 LLM 从科学摘要中抽取疾病、治疗、措施等实体和关系，存入 Neo4j 知识图谱，并将自然语言问题转换为只读 Cypher 查询来返回答案。流程包含 extract_entities.py、build_graph.py 和 query_nl.py 三个脚本，通过 Docker 运行 Neo4j。目前局限是小语料、无实体归一化，生成 Cypher 仅靠关键词过滤校验。
aifabrice 在 GitHub 开源了 Jev RAG，一个本地优先的知识检索引擎，默认采用无需 embedding 和向量数据库的 SQLite FTS5/BM25 + Jev 重排路径，共提供七条可选检索管线并用流式输出带文件引用的答案。项目在 BEIR NFCorpus 测试集（3,633 文档、323 查询）公开基准，最佳管线 Agentic Hybrid + Jev/retrieval rank fusion 达到 nDCG@10 0.450750，作者称按 MTEB 页面观察约居 251 个结果中的第 4 位，但注明这是非官方对比；统一 Passage Gate 被作为负面结果披露，其固定阈值排除了 84.4% 候选且低于 Hybrid 基线。
DAIS Club 研究项目 llm-error-probes 开源，通过探测 Qwen2.5-3B 的隐层状态来预测其在 MMLU 上的错误答案。项目要求 macOS Apple Silicon（M1 或更高）设备，脚本通过 MPS 在 Mac GPU 上运行模型，需 16 GB RAM 和 Python 3.14。
Jeremy Evans 开源了 SPEDLex，一个带法规引用的美国特殊教育术语词表，让隐私脱敏工具能在删除儿童个人信息的同时保留文档含义。v0.45.0 包含 1,377 个概念、3,046 种表述形式，覆盖 39 个州并引用 189 份文档；术语按隐私风险分级，数据提供 JSONL/CSV 下载和 Python 包。词表由 Claude Opus 5.5 起草、人工审核，尚无记录获专家确认。
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。
Synkro 是一个开源框架，可从任意文档生成用于大语言模型的对话、tool calling 和评测数据，支持训练数据集准备。它内置数据生成、格式转换和评测指标工具，输出 JSON、CSV 或 XML 格式，支持 Windows、macOS 和 Linux。项目 topics 涵盖 fine-tuning、SFT、synthetic-data 等，可通过 GitHub Issues 和社区论坛获取支持。
GitHub 项目 setsosie/lms 提出测量指标 CVFN（每个验证为忠实且新颖的陈述的成本），用六道门槛检验弱 LLM 智能体群体能否在 Lean 4 + Mathlib 中积累数学形式化成果。项目在 4×H100 集群上以 Qwen3.6-27B-FP8 通过 vLLM 本地运行，前沿 API 仅作对照臂；截至 2026-09-30 的校准期内 CVFN 为 0，所有通过验证的产物均在重复 Mathlib 已有内容。
Justin Martenstein 发布实验性仓库 local-web-rag，用于按自己的思路优化本地 LLM 与 RAG 流程，支持对主题做网络搜索、将结果本地存储，并喂给当前使用的 coding agent。仓库含 ddg_search_example.py 脚本，可调用 DuckDuckGo 搜索 API，将带时间戳的搜索结果存为本地 JSON 文件，并格式化为 RAG 处理所需的格式，同时优雅处理错误。
allegrafr/llm-authorship-project 发布了一个可复现的作者归属数据集与准备代码，基于 ShareChat 真实聊天机器人对话，覆盖 Gemini、Claude、Grok 三个模型族。每族最多采样 2000 对首轮英文问答，按 70/15/15 划分训练/验证/测试桶，仅依赖 Python 标准库。上游数据遵循 CC BY-NC 4.0 许可，Claude 的版本字段保留为 source_version_metadata，Gemini 与 Grok 版本元数据视可得情况保留。
LLMSQL Benchmark 是对众包数据集 WikiSQL 清洗、扩展后的 Text-to-SQL 评测基准，用于评估大语言模型的 SQL 生成能力。数据集托管在 HuggingFace，支持 transformers、vllm 推理、OpenAI 兼容 API 及自定义 async callable（内置 rate limiting 与并发控制），并提供 evaluate 评测函数、微调数据集、CLI 命令与 leaderboard。
一项 arXiv 研究用“维基百科游戏”评测语言模型的信息检索能力，要求模型仅通过文章链接到达目标条目。研究者在本地构建了大规模维基百科图谱和基于 OpenAlex 的论文引用图谱，对比了嵌入向量模型与 LLM 在五种语言和五个学术数据集上的表现，并与人类及 TF-IDF 基准比较。结果显示没有任何模型显著超越人类，但 GPT-o3 mini、GPT-4o、QwQ:32B 和 DeepSeek-R1:70B 达到了可比水平，且性能排名随语言和主题变化。
arXiv 论文提出接受路径解码（APD），在长度受限下保证语义解析输出可被自动机接受，DRS 上 Smatch++ 较局部掩码提升 5.1 和 2.4 点，AMR 上提升 6.4 和 3.2 点。事后处理方面，训练数据受限时 10.2% 的输入在 8 个无约束采样下仍无有效输出，全量数据时降至 0.4%。训练中惩罚被自动机拒绝的 token 在 10% 训练进度后可将开发集 Smatch++ 提升 3.6-11.0 点，但该优势随训练推进逐渐消失。
arXiv 论文提出 RATED，一个结合冻结双编码器对比微调与 contextual bandit 动态重排的 AI Agent 工具检索框架，可快速适应运行时工具故障而无需重训练。配套发布 EcoAgent 基准，含 5,172 个真实工具和超 21 万 query-tool 对。RATED 相对 ToolLLM API retriever 的 MRR 提升 52.2%，在 30% 故障率的严重 API 中断下将故障选择率从 86.2% 降至 2.9%，额外延迟开销不足 1 ms，代码与数据集已开源。
研究者提出 PAGE 框架，将 AI 变为漫画研究工具：把扫描件解析为画格、文本与书目记录，用视觉语言模型按编码手册标注页面，并以人工标注校验。该框架在 3,929 本美国漫画（1938–1956）和 87 卷日本漫画上完成三项研究，分别考察政治权力描绘、视觉形式与个人画家风格、两个漫画传统中的说话者分析。
研究者提出 SpatialASM 框架，通过训练时空间模拟将主动空间心理模拟（ASM）能力内化到大型视觉语言模型（LVLM）中。该框架用 allocentric novel-view 生成器提供显式 ASM 轨迹和自动构建的视角转换任务两类监督，在七个空间理解基准上提升了四种 LVLM 骨干模型的推理准确率，同时保持原有通用视觉能力。
GitHub 开源项目 System-RAG-And-LLMs 实现了一个面向电商的产品推荐 RAG Agent，使用 LangChain + gemini-2.5-flash，将 ChromaDB 中的用户评论语义搜索与 MySQL 中的价格、库存精确数据结合，输出经 Pydantic 校验的 JSON 推荐报告。项目提供 Streamlit 界面、CLI 入口、demo 模式（应对 API 配额 429），并包含从 Amazon_Big_Sales_Dataset_2026.csv 清洗数据、建库和索引的完整脚本流水线。
论文提出 SAFE-QE，一种免训练、与检索器无关的查询扩展方法，基于子序列关联假说识别并降权幻觉扩展词。在 TREC 和 BEIR 基准上，其 nDCG@10 与生成式及语料引导扩展统计上无差异，但每查询不获支持的词仅 4.3 个，低于 Query2doc 的 27.8 和 HyDE 的 57.5；同时提出查询侧忠实度指标 HETR。
一项低资源语音识别（ASR）研究在四种低资源语言和英语的五种数据规模上，比较了 SpecAugment 等音频增强与基于文本合成音频的增强方法。音素级分析显示两者错误类型互补：SpecAugment 增加声调和腭化错误，文本方法引入辅音插入，组合后各自抵消对方的错误，且组合提升超过各自提升之和；但超加性在 100 小时数据量时消失。研究建议按训练暴露度和声学属性选择增强方法。
arXiv 论文提出角色感知 Transformer 架构 REFLECT，将情感、情绪、礼貌度和正式度（SEPF）四个维度映射到基于语义角色标注（SRL）的配置，并融入自注意力机制。在四个 benchmark 数据集上，该框架较 BERT 基线在情绪、礼貌度和正式度上取得统计显著的提升，情感维度提升不显著。在真实心理健康数据上，该框架同时提升了预测性能和模型可追溯性。
该研究用行为与机制分析方法考察 LLM 对英语话语粒子 "just" 和 "only" 的敏感性。结果显示 LLM 与人类同样偏好语境中出现这些粒子，且对 "just" 更敏感；指令微调会提高敏感性。机制分析还发现 "only" 单元选择性地迁移到排他义 "just"，而 "just" 单元可无条件迁移到 "only"，表明词汇级粒子表征部分按词义组织，相关代码与数据已开源。
研究者推出 OccludeBench，一个用于从视觉线索中恢复完全遮挡物体的手动标注 benchmark，区分直接线索与场景推断两类。五个 VLM 在直接案例上平均准确率 42.7%，低于推断案例的 62.7%，存在 20.0 个百分点差距；人类则达 63.4% 与 68.5%，无显著差距。诊断显示模型从全图投影中恢复物体是瓶颈，而“先补全再验证”的干预可将差距降至统计上不显著。
一项 arXiv 研究首次证明离散图扩散模型（GDM）存在记忆化。在 two-block SBM 上训练的 GDM 在反向扩散轨迹中能近乎完美恢复被破坏的训练图，而对 held-out 测试图则不然，作者称之为“条件性记忆化”。该现象伴随训练损失与 held-out 损失间泛化差距扩大，无法用 early stopping 缓解，且记忆化出现前生成的图均无社区结构。
研究者用视觉语言模型（VLM）检测乌克兰战时模因中的说服技术，发布了含 200 条真实乌克兰战时模因的 UkrMeme 数据集，以及将 Propaganda 950 基准子集翻译为乌克兰语的 PTM-UA。团队在零样本提示设置下以图像、文本和多模态输入评测 VLM，并采用分层 F1 指标，同时对比 Layer-wise Relevance Propagation（LRP）与模型生成的 token 归因两种解释方法。
DUDE-Flow-VQA 是基于多页 DUDE 数据集构建的文档视觉问答（DocVQA）基准，用 LLM 判定的阅读顺序和 YOLO 检测的结构标签组织 OCR token。它引入 N=2,339 条不可回答的构造性损坏问题，其中 ENTITY 类占 64.5%、LAYOUT 占 22.0%、ELEMENT 占 13.5%，训练模型在证据缺失时输出 not-answerable 拒答。数据按 Train/Val/Test 划分，通过 Google Drive 提供。
一篇 arXiv 论文提出由 analyst、coder 和 recorder 三个角色组成的多智能体 LLM 调优框架，配合实验日志与沙盒执行环境，仅自动调优指定组件而不改动网络整体结构。在五个任务上验证：MNIST 与 Digits 脉冲网络分类准确率分别提升 13 和 6 个百分点，GNLSE 单孤子解误差降低约 2491 倍、不变量保持误差平均降低超 100 倍，KS 方程质量漂移降低 14 倍。
一项受控研究在 ARC-AGI-1 上以统一协议考察预训练和测试时训练（TTT）预算对视觉风格模型 VARC 与递归模型 TRM 的影响，交叉对比五种预训练预算与四种 TTT 预算。结果显示，增加 TTT 样本呈现次数在所有设置下都提升两模型的 ARC pass@2 指标；增加 TTT 任务变体数只对 TRM 持续有益，VARC 往往在更少变体下表现更好。VARC 不预训练也保持竞争力，而 TRM 更依赖预训练，研究据此呼吁在可比预算下报告结果。
研究者提出 AMLworld-Compact 评估集，保留全部非法测试交易并从监督分数分层中采样良性交易，其 HT-Coreset 协议将 HI-Small 和 LI-Small 的评估目标分别减少 271x 和 611x。Horvitz-Thompson 权重使召回率估计精确，F1 的 RMSE 为 0.00-2.58 个百分点，低于均匀加权的 4.44-7.41。评测中七个开源权重 LLM 的加权精确率接近“全预测为非法”基线，评估集、构建代码与审计工具已开源。
研究者推出 BLiMPPI，一个覆盖 33 种语言、包含超 12,000 个负极性项（NPI）最小对的多元评测套件，通过在 Universal Dependencies 树库中发现 NPI、标注许可环境并扰动生成最小对构建。对 12 个多语言模型、2 个单语模型及 n-gram 基线的评测显示，多语言模型在低资源语言和无法用 n-gram 解决的题对上表现最差。研究还考察了 NPI 类型学、语系、许可变异性与许可距离的影响。
Guruvignesh R M 发布的 M.Tech 研究工作流仓库，用 LLM 对运动感知去模糊与视觉感知文献做筛选和映射：4,642 条 Scopus 记录去重为 3,799 条，经 LLM 筛选保留 1,947 篇（KEEP/MAYBE/REJECT 为 1,054/893/1,852），再通过 768 维嵌入、UMAP 和 HDBSCAN 划分为 31 个簇及 468 条噪声记录，最终产出 45 篇阅读清单。历史脚本使用 gemma-4-26b-a4b-it 做筛选与主题摘要、gemini-embedding-2 做嵌入；仓库附带发布脚本 SHA256 与离线验证记录，但历史 API 流水线未重新运行。
KRLabsOrg 开源 verbatim-rag，一个溯源优先的抽取式 RAG 工具包，通过检索文档、抽取相关片段并带引用返回原文摘录来缩小生成面。其 150M 参数 ModernBERT 抽取器在 100 行 ACL-Verbatim 基准上取得 53.6 micro Word-F1，高于最强受测 LLM 抽取器的 48.7；README 强调这是溯源保证而非真实性保证，并支持 SPLADE 加本地抽取器在 CPU 上免 LLM API 运行，同时发布了数据集、训练管线与 MIT 许可的推理代码。
推荐理由：原文给出了抽取式 RAG 的架构、基准数字与部署方式，可帮助读者了解用逐字引用约束生成面的具体做法。
研究者推出 BASIS-Bench 基准，从人口群体稳健性、刻板印象偏见和个性化三个维度，评测八个语音 LLM 能否区分有益个性化与刻板行为。结果显示，多数模型虽能识别人口群体线索，却无法将其转化为恰当的个性化响应；显式人口标签虽提升个性化，但也放大了文本底座中已有的刻板联想。
腾讯在 Hugging Face 开源 Youtu-Parsing-Omni，一个 5B 全模态解析模型，单次输入文档页、自然图像、图表、流程图、几何图形、音频或音视频，按任务提示词输出统一 JSON 结构，覆盖版面、表格、公式、ASR、OCR、声学事件等感知结果与描述类认知结果。模型在 OmniDocBench v1.6 拿到 96.96 Overall，OmniParsingBench 平均 75.08 为最佳开源权重模型（仅次于 Gemini-3-Pro），并附带 vLLM 插件与推理示例。
推荐理由：原文给出了 5B 尺寸模型在 OmniDocBench v1.6 和 OmniParsingBench 上的具体分数，可据此评估它的文档与多模态解析水平。
该 arXiv 论文提出面向系统辨识的统一概率元学习架构，将基于 Transformer 的编码器-解码器与针对长训练序列的机制结合，实现零样本预测和长时程校准。研究还展示预训练元模型可作为不确定性感知的合成数据生成器，在真实数据稀缺时为经典参数模型提供正则化。框架在标准非线性系统辨识基准和分布外场景上达到与 SOTA 方法相当的精度，仅靠输入侧适配即可应对显著分布偏移。
研究者对藏语 NLP 进行了据称为首个同行评审的系统性文献计量调查，覆盖 ACL Anthology 和 DBLP 中 2004 至 2026 年的 140 篇论文，其中 84% 发表于 2018 年之后。中国机构研究者完成 87% 的论文，涵盖全部 25 个研究方向，研究沿语料、分词、文字、语音到 LLM 的完整管线自下而上扩展。仅 29% 的论文公开数据、代码或模型，作者建议在方言覆盖、评测与开放科学等方面加强建设。