新闻、仓库与研究，按时间排列。
GitHub 上的开源项目 outfit-decider 用双引擎帮有穿搭选择困难的人快速定穿搭：用户上传 1–4 套穿搭照，System One 只回 6 个维度的结构化分数（0–5 分、1 位小数），可选的 System Two 调多模态大模型生成三段式中文深度报告。技术栈为 Expo SDK 57、React Native 0.86.3、React 19.2，测试 117/117 通过；隐私上照片仅存内存不写盘、无遥测，支持中转服务、直连 JEv 或自托管 Laya（实验性，实测排序 2/4 接近掷硬币）。
tgo-app-dev 发布 VPIPE，一个面向 Apple Silicon Mac 的本地多模态 AI 运行时，用自研 Metal kernel 做推理，不依赖 MPS、MLX 或 Python 前向路径。支持 MiniMax H3（33B 视频加音轨）、LTX-2.5、Krea-2 Turbo、Qwen 3.8 27B 等工作负载，通过 weight streaming 和 4-bit 量化可在 16 GB 基础款 Mac 上跑图像编辑与视频生成；与 h3.c 的相同工作负载对比中，M5 Pro MacBook Pro 16 上耗时 5 分 29 秒对 7 分 11 秒。项目以 Apache 2.0 开源，提供 macOS 应用、Web UI、Composer 可复现流水线配置和 C++20 源码构建。
GitHub 开源项目 dsh-can-see 是一个 DSH 技能，让 text-only 模型获得图像理解能力：图片被路由到视觉模型生成文字描述，再返回主模型，保留原有上下文与人格。项目内置 DeepSeek、Gemini、OpenAI、Anthropic、OpenRouter 及任意 OpenAI 兼容端点共六类 provider，支持零配置自动选路、批量并发处理、本地 Ollama 离线运行，附 48 个 unit tests，MIT 许可。
作者发布了 Qwen/Qwen3.8-Flash-Next 的 mlx-serve 4-bit 混合量化包（4-bit experts、8-bit 其余），该模型为 Qwen4 preview 架构（model_type: qwen4_exp），全量 checkpoint 为 125B trunk + 51B n-gram + 4B MTP，共 180B（bf16 360 GB）。实测在 M4 Max 128 GB 上常驻约 67-69 GB，decode 29-34 tok/s，25k token prompt prefill 约 400 tok/s。n-gram 表以单独 4-bit 文件 mmap 方式按需反量化，不占常驻显存；MTP 头可加载但当前比串行 decode 慢，默认关闭。
推荐理由：作者在 M4 Max 上给出了显存占用、decode 与 prefill 速度等实测数据，读者可以据此评估这个 180B 模型能否在自己机器上跑。
jason-zzx 在 GitHub 发布 Hikaru Sub，一款将视频获取、本地日语语音转录、LLM 翻译、字幕校对与成片输出串成一条工作流的桌面应用，当前仅提供 Windows 版 NSIS 安装包和 portable zip。转录通过独立 Native worker 在 CPU 或 CUDA 上运行 Faster-Whisper 系列、Kotoba Whisper v2.0、Qwen3-ASR 1.7B + ForcedAligner 0.6B、日语 Parakeet 或 ReazonSpeech NeMo v2 生成 ASS 字幕；翻译调用用户配置的 AI 提供商接口，支持上下文窗口、自定义提示词和术语表；输出硬字幕 MP4 或软字幕 MKV。
推荐理由：原文完整交代了从下载、本地日语转录到双语字幕压制的工作流与模型选项，读者可以据此评估是否适合自建日语字幕流水线。
Nimesh000 发布开源工具 PodCut AI，输入播客或访谈链接即可自动产出 2-3 分钟 YouTube 成品视频。工具用 faster-whisper 做词级时间戳转写，由 Groq Llama 3.3 70B 或 xAI Grok 给每个 8-40 秒候选片段打 1-10 分并选出高光，再完成音频清理至 -14 LUFS、冷开场、字幕烧录、配乐闪避等步骤，输出视频、音频、SRT、缩略图、AI 元数据和剪辑决策报告。以 FastAPI 本地 Web 应用运行，支持断点续跑、无 API key 时回退规则选段，并提供 Kaggle T4 免费笔记本。MIT 许可，项目用 Claude 作为 agentic 编码助手构建。
推荐理由：原文给出了从语音识别、LLM 评分到剪辑渲染的完整流水线细节，读者可以直接本地部署复用这套播客切片方法。
InternVL3.5-4B-NPU 是一款运行在 RK3588 NPU 上的图像转文字应用。系统要求为 Linux 系统、至少 4 GB 内存和 500 MB 存储空间，支持 JPEG、PNG、BMP 等多种图像格式。用户可通过 GitHub Releases 下载，上传图片后点击 Convert 即可获取文字结果并保存为文本文件。
该仓库发布论文《Agreement-gated fusion of a vision foundation model and a multimodal large language model for reliable wheat disease diagnosis across image sources》（投稿至 Precision Agriculture）的代码、冻结提示词和缓存模型输出，可无需重训模型复现论文全部数字、表格与统计图。方法采用微调 DINOv3 集成（L）与多模态模型 G61（gpt-6.1-sol）一致时才输出自动诊断的决策规则，不一致图像转人工复核。代码为 MIT 许可，缓存输出为 CC BY 4.0，图像不随仓库分发。
GitHub 开源仓库 jclaf/video-processing-chatbot 是一个利用主流视频生成 AI API（Wan 2.1、Seaweed/Seedance、Runway、Luma、Hunyuan 等）的编排平台，可将文字创意或复杂场景转化为电影级质量视频。
GitHub 开源项目 QnAGPT-Personalised-ChatBot 是一个基于 Streamlit、LangChain 和 Groq 构建的生产级企业 AI 聊天应用，模块化拆分为 app.py、agent.py、ui.py 等组件。文本对话默认使用 openai/gpt-oss-20b，侧边栏可切换 openai/gpt-oss-120b 和 qwen/qwen3.8-27b；上传 PNG、JPG、JPEG、WEBP 图片时自动路由到视觉模型 qwen/qwen3.8-27b。应用支持 Light、Dark、Auto 主题、ChatGPT 风格布局、实时 token 流式输出以及复制、重新生成等操作控件。
timmyy123 在 GitHub 开源了移动端本地大模型应用 LLM Hub，支持 Android 与 iOS 端侧聊天、图像生成、视频生成和音乐生成，推理无需联网、不收集数据。应用含 AI Agent（Android 上可生成 Termux 终端命令并自动纠错）、Vibe Coder 实时 HTML/JS 预览、Stable Diffusion 生图、Whisper 语音转写等功能，支持导入 .gguf 等多种模型格式并可从 HuggingFace 直接下载，技术栈包括 GenieX SDK、WhisperKit、whisper.cpp 和 Draw Things，源码采用 PolyForm Noncommercial License 1.0.0，Windows 和 macOS 桌面版在路线图中。
NVIDIA 开源的 AI Blueprint for Video Search and Summarization (VSS) 结合视觉语言模型、RAG 与 NVIDIA NIM 微服务，构建可用自然语言搜索、分析、摘要和推理实时或录制视频的视频 AI 智能体。该蓝图涵盖 VLM 问答与报告生成、实时警报验证、自然语言视频检索和长视频摘要等工作流，并通过 MCP 提供统一工具接口。其面向视频分析师与 GenAI 开发者，支持 1-click 部署与自定义微调。
GitHub 开源项目 photo-ocr 是一个移动优先的照片 OCR 工具，可拍摄或上传多张文档、屏幕照片，通过本地 LLM hub 中的视觉模型（如 Gemini、Claude 系列）并行提取并去重，输出可直接复制使用的纯文本。项目支持拍前模糊/眩光/曝光质量检查、按日期归档、基于 SQLite FTS5 的全文搜索，以及只重读失败照片的 Retry missing 功能。所有推理经由本地 hub 完成，不直接调用厂商 API。
Onemanmountain 在 GitHub 发布 pdf-to-epub v0.2.0，一条把扫描版 PDF 转成可重排 EPUB 的本地流水线，目标是能顺利经亚马逊服务器转 Kindle KFX。流程含视觉侦察、MinerU 解析、结构重建、三级校验与整页仲裁、pandoc 封装和自动质检；规则零硬编码，每本书的结构规律由运行时发现并用完即弃。v0.2.0 提供单引擎双模式（auto 批量智能 / guided 主动审阅）与 CLI/GUI 双接口，当前针对现代简体中文图书调优。两本实测书中 TOC 分别 40/40 和 66/66 命中；仓库不含任何书籍内容，采用 MIT 许可证。
推荐理由：作者本人发布的转换流水线，给出了实测数据和已知不足清单，读者可评估其在简体中文扫描书上的适用范围。
GitHub 开源项目 FraudSight AI 是一款在开发中的多模态欺诈检测工具，可对图像、PDF 和视频进行视觉证据筛查，默认通过 OpenRouter 调用 google/gemma-4-26b-a4b-it，每项最多 1 张图片、3 页 PDF 或 3 帧采样视频，输出 Real/Fake 初筛标签。系统另有零模型调用的图像 C2PA 证据与 PDF 结构/签名检测路径，所有结果均需人工复核，不自动判定 AI 生成或欺诈。
minnocent12 的 week-5-challenge-1-streambridge 仓库实现了 Week 5 Video-LLM 挑战的快速可行性原型 streambridge_proxy.mjs。该脚本将五帧时序画面拼成 contact sheet，发送给本地运行的 Ollama 视觉模型（默认 moondream），让模型返回 ACTION: ANSWER_NOW 或 ACTION: WAIT 并记录为 JSON。它只验证激活调用路径，不包含训练版 StreamBridge 的 LLaVA-OneVision 激活头、round-decay 记忆压缩或实时视频流，且触发准确率未经实验验证。
LLM by norin 是一个完全本地运行的 LLM 聊天与图像生成工作室，不向外部 API 发送数据，在 NVIDIA RTX 4070 Ti（12GB VRAM）上运行。它使用 Qwen/Qwen2.5-3B-Instruct 以 bfloat16/float16 加载（VRAM 占用约 6GB，速度数十至 100+ tokens/sec），并通过 Hugging Face diffusers 搭载 stabilityai/sd-turbo 扩散蒸馏（ADD）模型，1-2 步即可在约 0.8-1.2 秒内生成 512x512 图像，LLM 与图像模型可同时常驻 GPU 内存（合计约 8.7GB / 12GB）。
GitHub 开源项目 thai-electric-bill-ocr 用本地运行的 Qwen2.5-VL-7B（经 LM Studio 提供 OpenAI 兼容 API）把泰国 MEA/PEA 电费单照片转成结构化 JSON/CSV，全程离线、不上传云端。在 4 张真实 MEA 账单上测得 20/40 字段正确（50%），每张约 40 秒（CPU），人工录入约需 2 分钟；needs_review 校验能标记所有金额算不平的账单且无误报。
研究者提出 MIRA（Musical Intent Refinement Agent），将文本到音乐的意图对齐转化为逐项可验证的 rubric，并据此构建 MuRA-Bench 基准。MIRA 作为 test-time 智能体，在有限预算下对黑盒生成器搜索提示词修订，结合 rubric 验证进行轨迹感知的树搜索。实验显示 MIRA 提升意图对齐效果，使开源生成器达到与 Suno、Mureka 等商业系统相当的水平。
TaoD2C-Bench 发布，用于评测多模态大语言模型（MLLM）在工业设计转代码（D2C）中满足实现约束的 UI 代码生成能力。基准包含来自 17 个商业平台的 2,861 张生产级设计稿，共 97,652 条专家标注，涵盖 Component、Group、Alignment、Position 四类，并定义端到端代码生成、需求推断与需求实现三项任务。对八个 MLLM 的评测显示模型在满足实现需求上存在明显差距，且视觉还原能力并不等于能生成符合需求的代码；数据集已开源。
RoboQuest 是一个目标导向具身探索基准，包含十项移动操作任务，覆盖搜索、基于操作的检查和交互测试三类不确定性。研究通过统一视觉运动接口评估五个前沿多模态智能体，以及在发布的全片段演示上微调的 π₀.₅ 策略，最佳智能体成功率仅 23%，微调策略几乎从不成功。失败分析显示智能体多在未观察到足够证据时过早停止探索，试错学习对多数模型仍然困难。
研究者推出基于 JEPA 架构的机器人世界模型 RoboJEPA，在覆盖 12 种机器人本体的大规模数据集上训练，参数量 8B，是迄今最大的 JEPA 预测模型。其想象误差随计算量呈二阶幂律，可预测下游机器人规划性能，是真实机器人评估的可靠代理指标。该模型可零样本部署为机器人智能体，朝单一目标图像规划完成长时程任务，模型 checkpoint、训练与部署代码均已开源。
Long-WAM 是一个在实时控制约束下扩展因果世界-动作模型上下文的模型-系统框架，核心发现是视频基础模型采用自回归（AR）预训练时，更长历史才能真正带来收益。在 RoboCasa GR-1 上，上下文从 0.0 秒增至 19.2 秒，成功率从 63.3% 提升至 78.7%，并在 LIBERO-Long、RoboTwin 2.0 和 DOMINO 上取得对比方法中的最佳结果。系统可在 RTX 5090、DGX Spark 和 Jetson AGX Thor 上部署，每个 action chunk 耗时 107.4 ms，在 Unitree G1 和 YAM 上实现动态杯叠 95% 成功率，而 Pi0.5 与 Fast-WAM 在 20 次尝试中均未成功。
少样本学习（Few-Shot Learning）被用于自动疼痛评估的个性化建模，把人群级到受试者级的转变视为任务域偏移。在 BioVid、SenseEmotion 和 PMED 数据集上按 Leave-One-Subject-Out 协议测试，加入 k-shot 条件化后准确率分别提升至 86.25%、40.06%、83.43%、44.08% 和 91.25%。消融实验表明支持集条件化自适应可缓解受试者间差异。
一项 arXiv 研究分析了六种表示空间合成困难负样本策略迁移到视觉-语言预训练时的两种失败模式，并发现固定温度可提升下游性能。据此提出的 SNAP 只生成不涉及任一模态匹配正样本的模态内困难负样本，无需外部生成模型，训练时间开销低于 10%。在 CLIP 和 FLIP 上，SNAP 在 zero-shot 检索、zero-shot 分类和 linear probe 评测中均带来一致提升。
Tom Beucler 等人在 arXiv 发表的综述指出，基于再分析数据训练的自回归深度学习模型在临近预报、中期及次季节尺度上已可比肩动力模式，并能以更低成本生成校准良好的集合预报。文章探讨其向气候尺度扩展的路径，提出 AI 气候建模的两条最低要求：外强迫因子须显式进入模型以支持独立变化的干预实验，且须在包括极端事件和反事实轨迹的分布外场景下进行稳健性压力测试。作者还比较了 AI 自回归模拟器、物理-AI 混合模型与 GPU 化动力模式的吞吐量，并指出 AI 降尺度策略可部分替代显式精细分辨率，助力低成本局地灾害评估。
研究者提出 DisParQ，从冻结的 DINOv2 自监督骨干中学习空间定位的离散概念表示，无需类别标签和语言监督。该方法将图像 patch 分配到可学习原型字典中的概念，并用离散属性捕捉概念变化，空间解码器可从概念与属性重建骨干表示。在 ImageNet 线性探测上达到 83.2% top-1，接近其冻结教师模型，概念一致性高于语言对齐模型，并在 CUB、Cars 等细粒度数据集上保持竞争力。
研究者推出 UltraText Bench，一个针对密集视觉文字渲染的双语图像生成评测基准，包含 432 个提示词，覆盖 24 个真实场景类别和三个难度级别，中英文各占一半。基准使用 Q-Judger 视觉语言模型从文字保真度、清晰度、空间质量和场景质量四个维度打分，并辅以 10 人参与的人工评估。在 24 个模型配置中，Qwen-Image-2512 的英文综合分从 L1 的 86.50 降至 L3 的 42.86，Z-Image-Turbo 相比 Z-Image-Base 清晰度提升 3.81 分但保真度下降 14.76 分。
Paweł Skierś 在 arXiv 论文中提出 Painter-Thinker（PaTh）：一个小型递归网络在每个去噪步骤内细化潜状态，经 ControlNet 适配器引导冻结的扩散模型，仅用重建损失训练，无需符号目标、求解器或验证器。PaTh 解决 92.5% 的困难 MNIST Sudoku（此前最优 75%）和 71.2% 的极难样本（此前最优 4.1%），参数量 10M 对比标准扩散模型的 82M，在迷宫、Queens 和 CLEVR 场景上也有提升。
推荐理由：论文把递归推理引入扩散模型且无需符号监督，并给出与既有最优方法的解题率对比，方法细节可直接参考。
FloorSAV 是一个任务无关、免训练的框架，将动态 2D 平面图与第一人称视频作为同步流输入 AV-LLM，在单次推理中完成空间音视频联合推理。其 SAVED-Bench 评测动态相对性、区域推理和路径推理，论文还报告了在 SAVVY-Bench 上的收益。项目页展示 1988 题的评测结果、三个示例（画外说话者、想象路径、视角变换）及可复现的媒体构建脚本。
研究者发布德语多模态语料库 InterView-C，包含 27 场完全在 VR 中进行、双方以头像呈现的调查访谈，共 54 段录音，同步对齐语音与注视、头身运动、面部、手部追踪等行为数据，并提供人工校对的逐词转录及 1,422 句否定线索与范围标注（双重标注 α=0.87/0.81）。实验显示九个开源 ASR 系统易误识短答和数词，而在该语料库上训练的否定检测模型优于现有语料训练的模型。
研究者提出 GAGR-Lab，一个通过笛卡尔游戏场景和 Rust 轨迹执行来测量空间感知、几何关系与函数构建等联合推理能力的评估框架。试点中 Llama 3.2 11B Vision Instruct 在 72 个游戏、432 次尝试中无一命中目标，而特权解析搜索控制在 300 个场景的 600 个方向性用例上全部成功。框架将服务可靠性、符号合规与几何成功分离，完整难度矩阵和多模型对比仍待测试。
一项发表于 LREC 2026 的研究评估了五个多语言 LLM 在爱沙尼亚语文档级文本简化上的表现，比较了单次生成、模块化 Agent 流水线和 guideline 增强流水线三种提示策略。结果显示 Gemini-2.0 和 LLaMA-3.3 输出接近母语流畅度且语义保持良好，其他模型则存在明显语法与语义缺陷。研究还提出了文档级连贯性指标并公开了相关资源。
Story Maker v5.4.2 公开源代码并免费开放使用，支持商用变现，是一款调用 Google Gemini API 或 OpenAI API 生成创作文本的静态 Web 应用。它提供 15 种公开输出模式，包括直接生成 10,000 字以上的长篇，所有输出可获 AI 编辑评分与安全判定润色。API Key 仅存于页面内存，刷新或关闭即清除，不写入 localStorage、sessionStorage 或 window.name。
GitHub 开源项目 LLMpanorama 是一个基于 Streamlit 的牙科 AI 评测系统，用于对比 GEMINI、CLAUDE、CHATGPT 三种多模态大模型按 Pell & Gregory 和 Winter 分类法判断下颌阻生智齿的能力，研究包含 129 个病例和 4 名数据录入成员。工具支持自动解析 AI 回复中的 P&G Class、Winter's Class、Confidence (%) 等字段，每 5 分钟自动备份并同步生成 ai_evaluation_results.xlsx。项目可免费部署到 Streamlit Community Cloud，也可本地通过 streamlit run app.py 运行。
研究者发布 BanglaRhet 基准，基于 30,289 段人工标注的孟加拉政治演讲语料，开展修辞手法与说服技巧检测两项单标签分类任务。在 BanglaBERT、BanglaBERT-Base、SahajBERT、XLM-RoBERTa-Base 与 TF-IDF 经典基线的对比中，BanglaBERT 表现最佳，两项任务分别取得 65.40% 和 66.46% macro-F1，超过最优经典基线 19.2 和 13.8 分。错误主要源于标签语义重叠、比喻语言和类别不平衡。
研究者提出一种面向冻结公共 CTC 模型的无边界上下文偏置解码器，基于字符级 Aho-Corasick 自动机，无需训练和第二遍解码。在 Aishell-1 NE 的困难 R1 子集上召回率达 66.5%，超过训练过的 CLAS 基线（64%），并可不经调参迁移至 WenetSpeech 和第二种架构。团队还发布了首个开源日语上下文偏置基准，稀有词召回在精确率超 97% 时提升 25 点，对 1,000 词列表仍分别提升 19 和 22 点。
论文提出 LASEF（Language-Aware Skeleton Exploration Framework），研究多语言数学推理中 LLM 骨架提示应使用哪种语言。实验覆盖多个数学 benchmark、模型规模和语言，发现英文骨架平均带来小幅正向倾向，在小模型和低资源语言上最明显，但校正后语言层面收益大多不显著，英文并非普遍最优。研究总结出方向一致、依赖评测与 benchmark、非对称负向三类效应，指出骨架语言是依赖具体情境的设计变量，资源已开源。
研究者提出 SpikingVLA，一种 ANN-to-SNN 转换框架，实现高精度、低延迟的脉冲 VLA 推理。其核心是 Dendritic Integrate-and-Fire（DIF）神经元与跨 VLA 组件的异步执行机制，以减少同步开销和延迟。相比现有脉冲 VLA 方法，SR 和 SPL 分别提升 11.9% 和 12.6%，首动作延迟降低 11.2×。
一项被 EMNLP 2026 录用的研究在 Llama 3.1 70B 和 Qwen 2.5 72B 中定位出 Bridge Routing Heads（BRH），发现其跨五种语言几乎互斥，Jaccard 相似度仅 0.017 与 0.057。消融实验显示，移除通用 BRH 会使两跳推理的 NLL 升至随机基线的 39-89 倍；在推理失败时放大这些头可无需训练地挽回最高 51.7% 的跨语言失败案例。