新闻、仓库与研究，按时间排列。
Itgan 团队参加 NADI 2026 三个阿拉伯语 ASR 子任务，统一采用 LoRA 在消费级 GPU 上微调 Whisper。子任务 1.1 提交系统达到 57.1% 国家平均 WER；子任务 1.2 达到 46.7% WER；子任务 1.3 以 14.49% WER 获得第二名，并在领先系统中取得最低 CER 5.38%，最后 0.60 个 WER 点来自多个独立训练运行的精确权重空间平均与 ROVER 投票。
开源项目 OmniLLM-Studio 将聊天、智能体、图像、音乐、视频生成与时间线编辑整合进一个本地优先工作空间。它支持 OpenAI、Anthropic、Google Gemini、Ollama、OpenRouter 等多种提供商，数据存储在本地 SQLite 中，提供商密钥静态加密。运行需 Go 1.26+ 和 Node.js 24+，支持原生桌面、Web、容器等多种部署方式。
GitHub 仓库 tomlim2/llm-design-reference 是一个静态网站，收录 AI 生成的 45 种海报设计风格和 5 种动态设计风格帧，支持图片放大并展示生成提示词，但图片下载仅限动态集合。本地运行只需 `python3 -m http.server 8000`，无需安装依赖或构建。部署通过推送以 v 开头的 tag 由 GitHub Pages 工作流完成，使用 GitHub 自带 token，无需额外部署 secret。
开源项目 joymind 发布，为 Nintendo Switch homebrew 提供原生 AI 聊天客户端，支持 Claude、GPT、Gemini、OpenRouter、Groq、DeepSeek、Mistral 及自建 Ollama / LM Studio 服务器，使用自己的 API key。它支持 Markdown 流式输出、聊天中途切换模型、附加最多 4 张游戏截图向视觉模型提问，并可通过 SSH 在用户批准后让 AI 在服务器上执行命令。应用需在运行 Atmosphère 自制系统的 Switch 上以 ai-switch.nro 安装，支持 Joy-Con、触屏和 USB 键盘输入。
Reflection 发布开放权重模型 Beam 1.0，采用 MoE 架构，总参数 501.3B、激活 23.4B，支持 1M 上下文，以 Apache 2.0 许可提供 BF16、FP8、NVFP4 三种精度。官方称其推理 token 用量约省 3 倍，SWEBench Verified 达 81.6%，AIME 2026 达 97.7%，不禁止蒸馏和微调。
推荐理由：官方模型卡给出完整基准表和三种量化版本数据，读者可以据此对比 Beam 与其他开放权重模型在编码和推理任务上的表现。
一位用户尝试在 8 GB 显存的 RTX 5060 笔记本 GPU 上运行 0.9B 参数的 PaddleOCR-VL-1.6 做文档 OCR，虽然官方标注约需 4 GB 显存，实际却占满 GPU 并溢出约 6 GB 内存，处理速度仅 13~70 秒/页，多页解析时报显存不足。Hugging Face 推荐的 vLLM 方案需要 Linux 双系统或 WSL2，用户因存储不足而求证可行方案。
GitHub 上的 aoe2-agent 项目通过三个 AI 角色让 AI 智能体玩《帝国时代 2：决定版》：Strategist 与 Executor 使用 gpt-5.6-luna，常规决策由 TypeSafe 策略完成。所有画面信息经本地 YOLO v9（@1280）目标检测和 RapidOCR 转成文本，模型从不接收截图。项目为 Python uv workspace，需要 AOE2_LLM_API_KEY 和 TYPESAFE_API_KEY。
PUC Minas 硕士论文配套仓库 depression-gnn 开源，用图神经网络在 DAIC-WOZ 和 E-DAIC 临床访谈文本上检测抑郁，特征提取不经 LLM，而是将 PHQ-8/DSM-5 标准手工映射到 Empath 词汇类别。项目包含三种架构（InductGCN、EmpathGCN、GAT-GCN-FeExtr 集成 20 个模型），可为每个案例输出含标准、类别与匹配词的审计报告。开发集仅 35 个会话且无临床验证，仅作研究代码，非诊断工具。
Hugging Face 用户发布社区合并检查点 qwen3.5-9b_abliterated_0x100refusal_vision_int8_convrot，将 lukey03/Qwen3.5-9B-abliterated 的语言权重与 huihui-ai 的 337 个视觉张量合并，共 1,264 个张量、约 9.83 GB，面向支持 INT8 ConvRot 量化的 ComfyUI。250 个语言矩阵相对 L2 量化误差平均 0.9713%。"0% Refusal" 仅为上游命名，并非实测拒绝率；该项目为 Apache-2.0 许可的实验性合并，非官方发布。
cinerag 是一个通过自然语言查询帮助用户发现电影的开源工具，结合 BM25 传统检索与向量检索的混合搜索，并集成大语言模型增强查询理解，通过 re-ranking 提升结果准确性。系统支持 Windows、macOS 和 Linux，至少需要 500 MB 磁盘空间和 4 GB RAM，可用 Grafana 监控查询使用情况。该工具需联网使用，目前仅支持桌面端。
Reddit 用户转发 LiquidAI 的两款决策模型：d1-omni-600M 基于 LFM2.5-Encoder-350M，支持文本、图像和最长 30 秒语音的单次前向推理；d1-3B 基于 LFM2.5-VL-3B，在 Decision Index 0.2.1 得 48.57，为 10B 以下最佳决策模型。d1-3B 在 RTX 4090 上单次决策 8 ms，M5 Pro 上 30 ms，权重及 GGUF 版本已上传 Hugging Face。
Liquid AI 发布开放权重决策模型 Open d1，包含面向文本+视觉决策的 3B 参数 d1-3B 和实验性 600M 参数 d1-omni-600M（支持文本+图像或文本+音频）。d1-3B 在 10B 参数以下模型的 Decision Index v0.2.1 基准中排名第一，基于 LFM2.5-VL-3B 构建，支持 llama.cpp，可在从 DGX 服务器到 Jetson 边缘设备的 NVIDIA 硬件上低延迟推理，适用于 agent guardrails、reranking 和视觉检查等场景。
Liquid AI 发布 d1-omni-600M 决策模型，开发者将其移植到自己基于 TypeGPU 的纯 TypeScript WebGPU 推理库 runntime 中，无需 WASM，权重直接从 HF safetensors 加载。演示中模型实时审核评论，对每条评论回答 4 个问题，约 180 ms/条、约 45 ms/问题。该移植尚未进入 npm 发布，runntime 其余功能（检测、分割、语音转文字、嵌入向量等）已可用。
NVIDIA 在 Hugging Face 发布 Nemotron 3.5 Bolt 74B-A9B-24GB，一款为本地日常智能体任务设计的视觉语言模型，总参数 74B（9B 激活），采用 Mamba-2-Transformer 混合 LatentMoE 架构，通过原生 IQ2 2-bit 量化与量化感知蒸馏压进 24GB 显存，支持最高 256K 上下文，可在 vLLM 上部署，基于 OpenMDW-1.1 许可商用。
推荐理由：模型卡完整给出架构、训练流程和与同量级模型的基准对比，读者可以自己判断 2-bit 量化的取舍。
Liquid AI 在 Hugging Face 发布开源决策模型 d1-3B 与实验性 d1-omni-600M，模型不做 token 生成而在单次前向传播中给出答案。d1-3B 在 Decision Index 0.2.1 得分 48.57，为 10B 以下最佳，基于 LFM2.5-VL-3B 训练，支持文本与图像输入，在 Jetson AGX Thor 上单问题推理仅需 16 ms，RTX 4090 上 8 ms；在七个公开数据集上均分 82.9，高于 Decider 4B。d1-omni-600M 基于 LFM2.5-Encoder-350M 并加入视觉与音频编码器，均分 78.4 超过参数量四倍于它的 Decider 2B（77.1），目前为早期研究版本。
推荐理由：决策模型不做生成而是单次前向输出答案，原文给出的边缘设备毫秒级延迟数据展示了这一路线的实际可行性。
Relay 是一个多租户工作流自动化开源平台，面向简单 Event → Action 规则无法覆盖的复杂流程，支持可视化编辑器、动态 webhooks、RAG 知识库、受控 AI 决策、人工审批以及重试、幂等键、死信队列和回放等可靠性机制。架构上采用真实微服务，通过 REST（外部）、gRPC（内部同步）、Kafka（异步事件）三层通信，技术栈包括 Python 3.12、FastAPI、pgvector、Kafka 和 Next.js，项目以 MIT 协议开源。
UbiComp/ISWC 2026 将于 2026 年 10 月 12 日 14:00–17:30 在中国上海举办半天实操教程，指导参与者从最小脚手架构建可运行的 LLM 健康智能体，主要练习使用 GLOBEM 官方公开样本及合成数据。教程覆盖注册健康工具的 agent loop、忠实性与混杂因素评估、拒绝医疗建议与安全压力测试， prerequisites 为 Python 3.10–3.12 和 Jupyter，推荐本地 Ollama 模型或 OpenAI / Gemini API。材料以 MIT License 发布，GLOBEM 样本保留 Apache-2.0 声明。
开源项目 pocket-portfolio-tracker 是一个支持英文/印尼语界面的个人投资组合追踪器，可通过 LLM 视觉导入截图交易，并提供 DKB、Interactive Brokers、Trade Republic、Coinbase 等券商专属 CSV/PDF 解析与 Trade Republic、Interactive Brokers 直接同步。它追踪股票、黄金、债券、共同基金和现金，提供 XIRR/TWR 绩效归因、德国和印尼税务报告，以及以交易记录为唯一数据源的衍生计算架构。
开源项目 ComicShelf Android（GPL-3.0）发布，主打三合一：SMB 直连 NAS 的大书库阅读（十万级书目流畅滚动）、局域网整书后台机翻（CTBD 检测 + PaddleOCR-VL 识别 + Hy-MT2 翻译）、v0.5 起内置离线 E-Hentai 标签数据库，含 348.8 万图库 / 4388 万 tag 关联，实测 44 万本书库约 1.5 分钟完成本地匹配，检索毫秒级。后端支持 Windows 一键部署，真机实测约 40 分钟全自动。
neoneo-ai 在 GitHub 发布 ComfyUI 自定义节点插件 ComfyUI-Neo-Nodes，提供提示词管理与 LLM 增强、聊天生图、Neo Image Gen & Edit、MiniMax H3 视频导演、素材库、配方保存与工作流路径修复等模块。支持原生 safetensors、Local GGUF 或 DeepSeek、Kimi、Ollama 等远程 API 三种 LLM 接入方式，可通过 ComfyUI Manager 一键安装，并附带独立应用新影工坊（Neo Studio）。
推荐理由：原文给出该 ComfyUI 插件各节点的完整功能说明与快速上手步骤，读者可以对照文档直接安装使用。
jedzqer 在 GitHub 发布面向安卓的漫画翻译 App：本地完成气泡检测与 OCR，结合 OpenAI 兼容接口翻译，并在原图上覆盖可拖动的翻译气泡，支持悬浮窗屏幕翻译、CBZ/ZIP/PDF 导入、glossary. 译名表与后台翻译通知。模型侧使用 YOLO26s-seg 双标签分割做气泡检测，配合 PaddleOCR PP-OCRv6/PP-OCRv5 系列识别日、英、韩、中等多种源语言，构建需 JDK 17.0.17+ 与 Kotlin 2.0.0+。
v1kr4m-ai 在 GitHub 发布 Cursed_Ai，一个离线优先的本地 AI 工作室，通过 node-llama-cpp 在本机运行 GGUF 模型，附带长期记忆、语音助手、PDF/DOCX 附件和经 ComfyUI 的本地图像与 LTX-Video 视频生成，另有 Kotlin Android 端。Web 端聊天、语音、记忆/RAG、模型下载和本地 ComfyUI 图像视频均经过端到端实测，云图像视频需 GEMINI_API_KEY 尚未完整运行；README 明确列出已知缺口，如能力标记为尽力猜测、扫描 PDF 不做 OCR、Android 端仅 CPU 推理且无历史记录。
推荐理由：README 详细列出各功能端到端测试状态和已知缺口，读者可以直接对照判断哪些本地能力实际可用。
开源项目 EvidencIA 发布，这是一个基于 Manifest V3 的 YouTube 实时事实核查浏览器扩展。它遵循 Evidence-First 原则，将视频言论拆解为可核查命题，结合 Agência Lupa、Aos Fatos、FactChecks.br 的专业核查与 AI 分析，不给出简单的真假判定。系统采用 Zero Segredos 架构在服务端代理处理 AI 请求，本地缓存 24 小时、响应低于 100 ms，符合 WCAG 2.1 AA 无障碍标准并默认不收集用户数据。
TII 在阿布扎比推出 1.6B 参数语音识别模型 Falcon-ASR，重点支持阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。模型在六个阿拉伯语测试集上平均 WER 为 20.92%，优于所对照榜单最佳已发布结果 23.17%；内部阿联酋评测中 WER 22.73%、CER 10.19%，为对比系统中最低。模型支持词级时间戳，现已可在 Hugging Face Demo 试用，API 与原生应用已列入计划。
开源项目 CowAgent（前身为 chatgpt-on-wechat）发布 v2.2.0，定位为可主动规划任务、控制电脑、创建并运行 Skills、构建个人知识库与长期记忆、组建多智能体团队的开源超级 AI 助手，是 Agent Harness 工程的参考实现。支持接入 DeepSeek、Claude、OpenAI、Gemini、Qwen、GLM、Kimi 等主流模型，集成 Web、微信、飞书、钉钉、Telegram、Slack 等渠道；长期记忆采用上下文、每日、核心三层架构并配合 Deep Dream 蒸馏，提供一行安装脚本、Docker 部署、桌面客户端和 Web 控制台，MIT 协议开源。
Physical Intelligence 团队在 GitHub 开源 openpi 仓库，提供三款机器人视觉-语言-动作模型：π₀、采用 FAST action tokenizer 的自回归版本 π₀-FAST，以及通过 knowledge insulation 提升开放世界泛化能力的 π₀.₅。所有模型附带基于数千小时机器人数据预训练的 base checkpoints 和示例代码，支持用户直接使用或对自有数据集微调。
作者发布了 huihui-ai/Huihui-MiniCPM-V-4.6-abliterated 的 8-bit MLX 量化版 YCF-AI/MiniCPM-V-4.6-Huihui-abliterated-8bit-MLX，体积仅 2.3 GB，M1 Ultra 上解码约 140–180 tok/s。相比旧 mlx-community 8bit 版，换用去审查权重是为全栈一致去审查；Heretic 去审查版因空间描述退化被弃用。关键改动是把图像 token 的 downsample_mode 从 16x 改为 4x，使 30 行大页 OCR 达到 120/120 零漏行、35 项视觉套件 35/35，且速度无可测损失。
推荐理由：原文给出换用 Huihui 去审查版而保持 OCR 精度和速度的实测对照，还解释了 4x 下采样为何修复大页 OCR。
Google 推出实验性游戏平台 Playground，用户通过文字提示词即可创建、游玩和分享自定义游戏，无需编程经验。平台基于浏览器，支持手机和笔记本游玩，并提供排行榜、多人模式、社区游戏画廊及安全审查。面向美国 18 岁以上用户上线，创建权限按 Google One 会员等级分层开放，后续还将集成 Unity Spark 提供专业级 3D 能力。
botextractai 发布的 ai-image-captioning 示例可完全在本地生成图像描述，且不要求 GPU。该项目使用 Salesforce BLIP 大语言模型和 Hugging Face Transformers，模型体积很小、能力有限，但对测试图片仍能生成"a set of toy cars and traffic cones"这样的描述结果。
开发者 Xilleet 在 GitHub 发布游戏翻译覆盖层工具 ScreenTale v0.7 beta，可将未翻译视觉小说、JRPG 和抽卡游戏的画面文本就地替换为译文。工具内置 Windows OCR（10–25 毫秒）与 RapidOCR 支持竖排日文，本地翻译基于 llama.cpp 运行 GGUF 模型（Hy-MT2 1.8B、Qwen 2.5 7B、Sakura 4B），自动检测 CUDA/Vulkan/CPU 并下载运行时；通过 HTTRANSPARENT 透传层工作、不注入进程内存以规避反作弊，并支持 12 种语言互译与 STREAMER 防录制模式。
推荐理由：原文详述了这款游戏画面翻译覆盖层的实现方案，包括 OCR 选型、llama.cpp 本地翻译运行时管理和不注入进程内存的反作弊设计。
wens6515 在 GitHub 发布微信 AI 机器人桌面应用小漓 v3.1.2，新增浅色/深色双主题自动识别与切换，无需重启，并修复浅色下文字气泡被判成图片、文件卡片被判成文字消息的问题。应用通过 PrintWindow 截图加 RapidOCR（PP-OCRv5 mobile）实现消息监听与自动回复，默认接 DeepSeek 模型，支持语音发送（接自部署 TTS 服务）、图片识别、文件处理、任务桥投递天枢 CLI、三层长记忆与联网搜索；文字消息从收到到回复最长 8 秒，0.5s 轮询约占总 CPU 1%，OCR 链路升级后完整事件路径从约 1.5s 降至约 0.9s。
推荐理由：原文完整给出了微信 AI 机器人的 OCR 视觉链路、消息主循环与已知边界，开发者可以据此评估这套纯视觉方案的可行性与部署成本。
Netresearch 发布 TYPO3 扩展 t3x-nr-browser-ai，利用访问者设备上的 Chrome 内置 AI（本地运行 Gemini Nano）在当前页面 DOM 区域内回答问题，并提供第二个插件将一句话自动填入参数丰富的表单并执行。无需 API 密钥、服务端 LLM 代理或遥测，属概念验证。支持 TYPO3 12.4、13.4、14.3 与 PHP 8.2–8.5，需 Chrome 148+、22 GB 存储及 4 GB VRAM GPU 或 16 GB RAM，上下文使用默认目标为 80%。
GitHub 上的 leonsio/hailo-10h-services 项目为 Hailo-10H 提供常驻推理网关，通过 OpenAI 兼容 API、MCP、WebSocket、MQTT 等接口暴露 VLM、LLM、语音、嵌入和 YOLO 检测模型。支持 Qwen2-VL-2B/Qwen3-VL-2B、Qwen、Llama、DeepSeek 等 HEF LLM、Whisper、MiniLM 和 YOLO，Gemma 4 E2B 可经 LiteRT-LM 独立跑在 CPU 上。受 HailoRT/GenAI 5.4.0 限制，Hailo 上一次只能驻留一个 GenAI 语言模型，VLM 与原生 LLM 需二选一。
bilibili Index LLM Team 发布 Index-Translate 多语言翻译模型家族，基于 Qwen3.5，文本模型覆盖 150 种语言，提供 2B、9B 和 35B-A3B（preview）权重，已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出了各尺寸模型的评测数字、量化版本和免费API入口，读者可以直接对比选型并上手部署。
AuroraNoUnderscores 发布 hochdeutsch-fixer-chromium，一款支持 Chrome、Edge、Brave、Opera、Vivaldi 的 Chromium 扩展，把网页上的瑞士标准德语改写为德国标准德语。规则先行处理词汇与语法，两个本地运行的 DistilBERT 模型（eszett 64 MB、general 约 92 MB）经 WASM 无需 GPU 完成剩余判断，其中 ss/ß 判定错误率从手写规则的每千词 28.8 降至 3.67。这是 Firefox 版 hochdeutsch-fixer 的移植版，两者共用同一套改写逻辑与模型。
miilv/controlr 是一个开源机器人控制 harness：将摄像头帧、机器人“操作手册”系统提示词和任务输入视觉 LLM，通过 OpenAI 兼容 API 输出底层动作与状态，逐轮 append-only 并全程 prompt 缓存，实验能否不用 VLA 让大型 API 模型充当机器人控制器。当前支持 UR3 CB3 + Robotiq，在 Isaac Sim 6.0 中运行 waffle 抓放与 reach 任务，模型经 omniroute 接入，实验结果在 docs/experiments/ 目录。
该仓库包含一个无需登录鉴权的简易 RAG 聊天 web 应用，前端为 Vite + React SPA，后端为 FastAPI（Python 3.12），用 Postgres 16 + pgvector 存储向量，一条 docker compose up --build 即可运行。LLM 与嵌入采用 Google Gemini（OpenAI 兼容端点），聊天模型为 gemini-3.5-flash-lite，嵌入模型 gemini-embedding-001（dimensions=1536）。支持上传 PDF、DOCX、TXT、CSV、MD（最大 50MB），按约 500 tokens 分块，检索 top 8 chunks 并带文件名与页码引用，答案通过 SSE 流式输出。
APICK 是韩国数据与 AI API 平台，其 MCP 服务器提供 144 个工具，涵盖韩国企业信息查询、身份证验证、OCR、快递跟踪、图像与视频生成、文件转换、网页检索及 LLM 调用，凭一个认证密钥即可使用。服务器由 APICK 托管，无需安装部署，新注册用户获赠 1,000 免费点数。tools/list 无需密钥即可连接发现全部工具，仅 tools/call 验证密钥与允许 IP，支持 Claude Code、Claude Desktop、Cursor、Windsurf、VS Code 及不支持远程 MCP 的客户端通过 npx stdio 桥接接入。
开源项目 Math_Tutor_RAG 提供了一个基于视觉大模型与 RAG 检索的智能错题本，支持拍照录题、AI 结构化解析、SymPy 数学验证、ChromaDB 向量归档与 SM-2 间隔重复复习。项目统一对接 SiliconFlow / 通义千问 / 智谱 GLM / DeepSeek / OpenAI / Ollama 等 Provider，Gemini 独立接入，并提供 MCP Server 供 Claude Desktop / Cursor 调用，无 Key 时可跑演示模式。工程上包含 464 个 pytest 用例、覆盖率 CI 门禁 78%、Docker Compose 一键部署与 FastAPI JWT 网关。
hrayleung 在 GitHub 开源了 Jin，一款以对话为中心的原生 SwiftUI macOS 应用，用于在单一工作区使用多家 LLM 服务商，采用 Apache License 2.0 许可，打包版本仅支持 Apple Silicon、需 macOS 14 或以上。
推荐理由：原文完整列出了这款原生 macOS 多模型客户端的功能、支持的服务商清单和部署细节，需要统一入口调用多家模型的用户可以直接参考。