新闻、仓库与研究，按时间排列。
一项基于 7 个开源模型、5 种验证信号、37,000 条标注链式推理（CoT）轨迹的研究提出“弃权即有效”观察：低触发率证书虽满足 (\alpha,\delta) 有效性，失败概率却可达 δ/P_fire，模拟中标准证书在校准抽样失败至多 0.3%，但触发时失败高达 69%。研究提出 floor-started 固定序列证书，在所有模型-信号组合上覆盖率超过 Bonferroni，在目标 0.75π₀ 下覆盖率从 0.05 提升到 0.16。研究还发现 benchmark 偏移和 best-of-n 选择下证书错误会超过目标，弃权机制吸收了这些失败。
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。
研究收集了 4782 个 JetBrains IDE 中真实软件工程师的智能体会话，其中 33% 有至少三条用户消息，发现这些长会话的任务类型与类型间切换分布和 issue 衍生基准任务差异显著。论文提出 SWE-TaskFlow 方法，在保留已验证任务与测试的同时，通过提示词拆分和可验证的仓库问答将交互导向目标 Task Flow，并用 TFAS 分数筛选生成的轨迹；在 700 个 SWE-Bench Pro 任务上的试点显示，将任务拆成多步顺序执行大约使智能体成本翻倍，而 resolve rate 无稳定变化。
推荐理由：论文用 JetBrains IDE 中 4782 个真实工程会话测量任务流分布，指出基准交互协议本身影响评测结果，方法可迁移。
研究者发布 Alice，一个大规模、基于量规的德语自动简答题评分（ASAS）数据集，包含 Alice-LP（学习表现）、Alice-KE（知识要素）和 Alice-SK（技能）三个子任务。团队将其建模为量规检索任务，测试了从 encoder-only 模型到轻量 LLM 的多种语言模型及零样本提示。结果显示 LLM 在零样本下难以评分知识要素和技能；量规文本对 Alice-KE 与 Alice-SK 尤为有用。
Shaer 是一个受控古典阿拉伯诗歌生成框架，联合自然语言描述、格律子形式和目标半句数量进行条件控制，并基于 Ashaar 构建 116,032 首诗的富化语料库。其通过 QLoRA 微调 Yehia-7B，实现 95.17% 基础格律准确率、91.75% 格律子形式准确率和 83.40% 精确句数准确率，较未调优基座模型分别提升 68.68、57.77 和 38.93 个百分点。对 3,481 条测试生成的分析未发现训练语料的精确复制，代码、模型和数据集已公开。
研究者提出 LatentGRM，一种基于语义分块、压缩与重建的潜空间评估框架，通过 rubric 引导压缩学习连续轨迹，无需生成文本评估即可完成自主成对判断。在相同训练数据与骨干模型下，LatentGRM 在 4B 与 8B 规模上取得与显式 SFT judge 相当的偏好准确率。LatentGRM-8B 在四个 benchmark 域上将评估轨迹压缩 8.9--9.2x，在 vote@5 下将 judge 总推理时间降低 6.1--7.0x。
framerslab 推出 Frame Codex，一个纯 Markdown 的公共知识仓库，遵循 OpenQuarry schema，同时面向 LLM 摄取和人类浏览。仓库采用 NLP + LLM 混合自动索引，可选 GPT-4 增强分析，每 PR 成本约 $0.01-0.20，通过 GitHub Actions 实现索引构建、AI 分析、可信贡献者自动合并与每日 changelog。内容支持 #hashtag 块级标签，置信度 ≥50% 的 NLP 建议标签会在建索引时自动确认。
F2 AI 在 GitHub 开源了 docray，可从 PDF、PPTX 和 DOCX/DOCM 文件提取带页面坐标的结构化确定性 JSON，含字体、层级、图片和矢量路径，提供 CLI 和同步/异步两种 API。PDF 支持 char、word、element 三种粒度，word 和 element 面向 LLM/RAG 场景，实测 token 分别减少 89.15% 和 92.85%；scanned 页面会被标记为需要 OCR，但工具本身不做 OCR。可通过 Homebrew、Docker（GHCR）或预编译二进制安装，Apache-2.0/MIT 双许可。
推荐理由：这个文档解析工具给出了 word 和 element 粒度的实测 token 缩减数据，对做 LLM/RAG 文档接入的读者有直接参考价值。
Suffeffix v0.2.0 上线于 suffeffix.com，是一个覆盖 Telugu、Hindi、English、French、Tamil 五种语言的可解释词汇知识图谱，按 T.H.E.F.T. 框架联合表示词法、语义分解、词源与词缀对齐，数据集含 111-114 个词、每语言 28-34 个词缀。系统完全不使用语言模型、嵌入向量或 AI 推理，所有解释由确定性模板规则生成并带事实溯源。代码采用 Apache-2.0 许可，数据采用 CC BY-SA 4.0，每条记录均为待专家审阅的草稿。
GitHub 开源的 R 包 Gtheory4LLM（源码版本 0.4.1）提供精确平衡的 Gaussian 概括理论模型和有界实验 Laplace 引擎，用于 LLM 标注与评测研究中的可靠性分析。用户可指定评估者、提示词和重复运行来源，拟合并比较不同评估者与提示词数量下的投影可靠性。该包为研究 beta，需 R 4.5 及 OpenMx 2.22.11，内置含 24 个条目、4 名评估者、3 个提示词、2 次运行的教程工作流。
MIT Media Lab 等机构在 EMNLP 2026 发布 HugAgent 基准，评估大语言模型能否仅凭本人访谈话语模拟具体个体的推理与信念更新，含信念状态推断（BSI）和信念动态更新（BDU）两个任务。基准基于 54 名参与者、3 个争议领域共 1,742 个条目，已以 gated、CC BY-NC 4.0 协议发布在 Hugging Face（social-atoms/hugagent）。结果显示模型较能恢复个体信念（最佳模型比人类上限低 7 至 9 分），但预测个体如何改变立场明显偏弱，最佳模型 68.6% 对人类的 85.7%，且该差距在所有被测模型家族中都存在。
推荐理由：基准测出模型能推断个体信念却难以预测其转变，榜单和评测脚本都开放，结果可直接复跑。
GitHub 上的 krxi/asm-adlandirma 项目用小型语言模型为去符号二进制中的汇编函数生成有意义的名称和描述，替代逆向工程中手动分析 FUN_00401a30 类函数的首步工作。项目从 zlib 等 C 项目在 -O0/-O2 下编译提取汇编数据，真名从源码免费获得；初步测试 60 个函数中，表现最好的 mimo-v2.6-pro（思考模式）平均 F1 在 -O0 下仅 0.39，完整命中率 16/60。后续计划用该数据集对小模型做 LoRA 训练并开源，代码 MIT 许可。
dimpurr 在 GitHub 开源 chat-stasher，一个本地优先、加密、只增不改的 AI 对话归档工具，覆盖 Claude Code、Codex CLI、Gemini CLI、Cursor 及 ChatGPT、Claude、DeepSeek 等 5+ 平台的编码 Agent 和网页聊天。动机是 Gemini CLI 和 Claude Code 默认按 30 天删除会话记录，网页聊天存放在不受控账号中；CLI 读取各工具自身会话文件，浏览器扩展经本地 host 交付网页对话，加密后存入本地磁盘、SFTP 或 R2。目前仅有 macOS 预编译二进制，Linux 和 Windows 需 0.5.0；扩展尚未上架商店，且暂无写回工具的 restore 命令。
推荐理由：针对多个工具会自动删除会话记录这个常被忽略的问题给出本地加密、只增不改的归档方案，并如实标注各平台验证状态和局限。
GitHub 开源项目 ThesisForge（Apache 2.0 许可）用 RAG 检索 Semantic Scholar / CrossRef 真实文献，按方法论咨询、文献检索、APA 7 分章写作、多智能体评审与模拟答辩四阶段辅助学术写作。它支持 BYOK 接入 OpenRouter、Gemini、Groq 及 Ollama 本地模型，每章采用 4 层分层记忆保持上下文连贯，可导出 APA 7 格式的 .docx 文件。
开源项目 Monte-Cristo-LLM-Knowledge-Graph 使用 Mistral 的 ministral-8b-latest 模型，通过多阶段 agentic pipeline 通读《基督山伯爵》全文，无需人工标注即可构建以人物为中心的知识图谱。流程包括因果事件抽取、实体关系三元组提取、别名消歧（如把 "The Count"、"Sinbad the Sailor" 等 100 多个名字变体归并为 Edmond Dantès）及交互式可视化。作者提醒别名映射为手工构建，换书需重建，且正确性未经 ground-truth 评测。
开发者 jayamvishnudeep 发布了两个围绕 QA 文档构建的 RAG 项目。RAG_Explorer 是基于 Node、React、LanceDB、Nomic embeddings（本地 ONNX）和 Groq 的本地网页应用，可视化展示 PDF 索引的各阶段，并可用滑块调整 chunk 大小与重叠、实时重排结果；01_Naive_RAG 用 n8n 工作流将 100 个 Jira 风格登录测试用例存入 Pinecone，通过仅依据检索内容回答的聊天智能体（OpenAI text-embedding-3-large、gpt-5-mini）提供带引用的答案。
LedgerQL 是一个 text-to-SQL 管线，用本地开源权重模型（如 7B 经 Ollama、30B 级经 vLLM）对 SEC 财报写 SQL 回答自然语言财务问题，不调用任何托管 LLM API。每个问题只以三种状态结束：给出数据中的答案、说明假设的答案，或说明原因的拒答；答案中的每个数字、年份和财报标识都必须能在查询结果中找到，否则被扣留。开发集含 103 个案例，最终指标来自预注册的 80 题冻结 held-out 集，目前尚未运行，所有头条数字标记为 pending。
GitHub 开源项目 maiabazerji/rag_system 发布 EvalRAG，一个用于构建和度量 RAG 系统的平台，在同一语料上运行 classic、graph、agentic 三种检索策略并用相同标准对比。每个回答经服务端验证引用，每次运行记录检索配置指纹，用 Recall@K、MRR、nDCG@K 等确定性指标加版本化 LLM judge 评分，并通过回归门槛对比基线；技术栈为 FastAPI、React、Qdrant、Postgres 和 Anthropic Claude。
推荐理由：仓库把检索、生成、引用三个失败点拆开用确定性指标加版本化 LLM judge 分别度量，评测设计可直接迁移到自己的 RAG 项目。
Open SLM Evaluations 发布，这是一个包含 106 个 SLM（150M 参数及以下）benchmark 成绩的数据集，附各模型链接、参数量与名称。评测独立完成，每个模型在 Runpod B200 上运行约 30 GPU 分钟，数据以 Apache 2.0 协议开源。
作者开源了一个基于 LLM 的发票结构化数据抽取与评测项目，用 claude-haiku-4-5 在 40 份合成测试发票上跑了三种提示词策略：rules 策略全字段正确率达 87.5%，few_shot 75.0%，zero_shot 60.0%，仅 zero_shot 与 rules 的差异通过配对 McNemar 检验显著（p=0.007）。项目具备固定种子、dev/test 切分和 API 结果磁盘缓存的可复现设计，并用确定性校验层检查数字一致性；事后故障注入测试显示完全自洽的错误数字（协调改价）在 49/49 次试验中都无法被算术校验发现，zero_shot 的校验召回率也只有 50%。数据为合成生成且仅测单一模型，结果未必适用于真实发票。
推荐理由：用合成发票把提示词策略、确定性校验和可复现评测串成完整流程，还用故障注入演示了纯算术校验的盲区，方法可迁移到同类抽取评测。
WSE-research 公开其大语言模型代码翻译论文的在线附录仓库，涵盖代码、数据、可视化与补充分析。实验用 GPT-4o-mini、Claude Sonnet 3.7、Gemini 2.5 pro 和 Code 5.1 max 做单轮翻译与迭代重翻译，基于 HumanEval-X 程序统计编译、测试、运行时和死循环四类错误，CSV 矩阵记录各语言对的成功与失败结果。
bodawei 在 GitHub 开源 job-hunt 项目，用 LLM 自动抓取和筛选招聘信息，省去在多个网站手动搜索。流水线按 1ingest-jobs → 2normalize-jobs → 3score-jobs → 4post-issue 排列，支持 Indeed 连接器（单次 search_jobs 调用上限 10 条结果）和公开 Greenhouse 职位板（无需 API key）。用户在 digest issue 下按 job/reason 格式评论留下反馈，由 6learn-from-issue-comments 记录并驱动 criteria.md 修订。
Francisco Ezquerra Larrodé 在 GitHub 发布 simulation-capsule 仓库，定义了一种 token 预算内的自包含仿真案例封装格式，相当于 CFD 案例的 llms.txt。每个文件回答一个具体问题，标量默认无量纲化，完整封装约 60,000 tokens。格式由发布在 Simcenter 社区论坛的十篇教程系列逐步定义，Parts 1 至 6 和 6b 已完成，涵盖 setup.txt 到 views/ 及 diff 扩展，瞬态层和保密审计仍在推进。验证由 tools/check_capsule.py 的最多二十项机械检查加一次大语言模型读者测试组成，probes/ 记录了模型测试发现的十四个缺陷；配套工具和宏为 MIT 许可，规范和示例为 CC BY 4.0。
walid798/llms-in-medicine 仓库从早期 56 项研究版本扩展为冻结的 145 项研究语料库（2022–2026），配套 LLM 临床医学系统综述。其中多模态融合研究占 49.7%（72 项），显式 RAG 占 23.4%，Agent/工具使用占 22.8%，具备患者个性化能力的研究占 50.3%，前瞻性/工作流/结局证据占 13.1%。仓库按模型演化、多模态融合、检索/推理/临床智能体、个性化、安全与临床转化等主题组织，提供 CSV、JSONL 及冻结证据矩阵等数据文件。
Thalles Ferreira Costa（Oswaldo Cruz Institute, IOC/Fiocruz）发布专著配套 GitHub 仓库，包含 LLM 高风险领域评测的代码、模拟数据生成器、去标识研究数据与图表。仓库内 figures.py 复现第 2–6 章全部图表，data/ 含 15 模型输血医学研究的逐次调用去标识记录（2026 年 9 月 14 日），并附各章 notebook。代码采用 MIT 许可，数据采用 CC BY 4.0，v0.1.0 已归档至 Zenodo。
AnoopIbrampur 在 GitHub 开源了 Trend Catcher，每小时抓取 TikTok Creative Center、Google Trends RSS、Wikipedia pageviews 和 YouTube 趋势，给早期热点打分并生成含品牌安全判断和三个视频角度的简报。作者用 59 天 Wikipedia 数据做 walk-forward 回测，发现"热度是否还会继续涨"是错误的提问方式，改为"明天发帖是否仍有观众"（未来 3 天均值≥2 倍 7 天基线）后，logistic 模型在 41 天里 40 天优于"最多浏览"榜单（75.6% vs 54.4%）。
Cernodata 是一个开源 ETL 框架，用于 layout-aware PDF 提取、自动化质量迭代、结构化布局调试，以及为 RAG 和 LLM 微调生成数据集。框架可自动选择解析引擎，通过可见的质量检查、检索分数和可视化 overlay 定位失败页与原因，并支持并发上限与硬内存上限等资源保护。当前仓库中的代码为 Proof of Concept，正式库尚未发布，用户可加入 waitlist。
开源项目 AI World Cup 2026 提供一个公开、可复现的基准，让各 LLM 在相同的提示词、数据和评分规则下预测 FIFA World Cup 2026。项目不调用 API，而是手动提交统一提示词并验证各模型返回的 JSON 预测，排行榜发布在 GitHub Pages 静态网站上。截至 2026-07-31 的排行榜中，OpenAI 的 GPT-5.5 Thinking 以 744 分居首，GPT-5.5（717 分）和 Gemini（699 分）分列二三位。
ChakrView 发布 v0.1「Verified Cognitive Core & Relational Acquisition Prototype」，以 3.44M 参数的 ChakrMicro 为固定基线，外加 69.8K 参数的神经关系获取模块。该系统纯 CPU 运行（内存 <290 MB），在多随机种子 I4 组合绑定基准上 G4 泛化均值 77.78%，Hop-1 路由 100.00%、Hop-2 为 88.89%，语言保留分数 ≥0.9500。项目明确未验证对话生成、通用推理与 AGI 能力，开源代码可通过 `python scripts/verify_release.py` 一键审计 7 个发布维度。
谷歌 DeepMind 团队开源 Deliberate Lab 平台，用于运行人类 + LLM 群体动力学的在线研究实验，并提供面向研究者和开发者的文档及本地部署支持。项目以 Apache 2.0 许可证发布，官方声明其并非正式 Google 产品，目前仍由小团队活跃开发中。
GitHub 仓库 LiamSalazar/NASA 发布 NASA Fire Safety Evidence Assistant（Day-0 MVP），一个基于本体、以证据为先的航天器火灾安全语料探索工具。它通过 Pydantic 校验 QueryIntent 并确定性转换为 SPARQL，将匹配证据标注为 Direct、Related 或 No Direct Evidence，无证据 ID 的科学声明会被拒绝。语料含 NTRS 文档、BASS-II 与 Saffire-I 的 NASA PSI 记录及 NASA-STD-6001，图查询、FTS5 检索、测试和 UI 均无需 API key。
一份 GitHub 课程项目（llm-fingerprint）用 CNN 和 BiLSTM 从回答文本分类 8 个 LLM 家族，包括 Claude、DeepSeek、GPT、Gemini、Grok、Llama、Mistral、Qwen。数据来自 lmarena-ai/arena-human-preference-140k，每家族 2,000 条、共 16,000 条英文单轮回答，预处理时屏蔽厂商与模型名并按 prompt 以 70/15/15 划分。项目还包含 4 组实验，分析输入/输出来源、跨域迁移与风格特征。
PDF Insight 是一个开源 RAG Web 应用，上传 PDF 后可用自然语言提问或生成随文档长度伸缩的摘要，回答附带来源页码。它用 all-MiniLM-L6-v2 做本地嵌入和 FAISS 向量检索，生成部分调用 Gemini（gemini-3.5-flash-lite）API，本地嵌入模型仅约 80 MB。项目基于 Streamlit 构建，采用 MIT 许可证。
Tejashvi Kumawat 开源 BACM，一个为并行 LLM 智能体设计的共享上下文管理器，以带溯源的知识对象、依赖图和增量失效机制应对仓库中途变更，配套论文、代码与 RepoQA-Dyn 基准（httpx、requests、flask、click、rich 五个真实 Python 仓库在运行中发布新版本）。在 GPT-5 mini、每格 30 次留出运行的评测中，BACM 准确率为 0.89（静态）和 0.88（中途变更），独立智能体加上下文清理基线为 0.58 和 0.49，Holm 校正后显著；过时答案 7/186 对 61，token 节省 -22% 与 -26% 则不具统计显著性。全部评测响应已缓存（约 210 MB），可无需 API key 重放生成论文所有表格与图表。
推荐理由：原文给出了完整架构、真实仓库基准和缓存的复现流程，读者可以按需验证并行智能体共享记忆方法的各项结果。
一个基于 FastAPI 的 RAG 项目 Semantic Context Retrieval Engine，支持上传 PDF（最大 10 MB）、用 pdfplumber 抽取文本、Gemini 生成 embeddings、经 ChromaDB 相似度检索，并给出带文件 ID、页码、chunk ID 引用的有据回答。作者用 3 份 PDF 共 18 个问题做了对比实验，chunk_size=500 与 1000 的检索准确率和 groundedness 均为 100%，1000 字符版本平均延迟更低（16.96s vs 21.02s），但作者提示该差异受查询波动影响，不构成通用加速保证。
VDB 在 GitHub 发布 slopsquatting 数据集，收录大模型在普通编码任务中推荐、但注册表中不存在的 1927 个包名，其中 PyPI 961、npm 718、crates.io 169、Go 79。采集方式为每六小时向持有 API key 的模型发送固定编码任务并实时查证，无对抗性提示；数据以 CC BY 4.0 发布，作者提醒攻击者可能抢注这些包名，安装前应实时核查 https://vdb.ai.kr/ai/slopsquatting 。
推荐理由：数据集附有采集方法、字段定义和统计口径，读者可以直接用它做安装前检查或复现同样的扫描流程。
Omnipus 维护的开源 MIT 许可目录每天 06:00 UTC 汇总各家 LLM 供应商及其模型的调用限制，发布为一个 JSON 文件（providers_catalog.json）及 SHA-256 校验文件。目录包含 API endpoint、wire protocol、context window、最大输出、输入类型、tool-calling 支持、发布日期和状态等字段，版本号采用 vYYYY.M.D 日期格式并支持固定到特定日期。它面向 agent 框架、网关、模型选择器等需要及时获取模型限制数据的用户，避免各自手工维护列表。
uurtech 在 GitHub 开源了 JDF，一种以 JSON 为基础的 AI 原生文档格式，定位为替代面向人类的 PDF。文档可用文本编辑器和 JDF Reader 双向编辑，含图片时打包为 .jdfx；提供桌面端 Reader、jdf.js 网页嵌入库和 CLI 三种形态，支持全保真 PDF 导入导出、JSON Schema 校验、增量 chunk 与本地 embedding。作者发布的基准显示，24 篇文档 192 个问题上，JDF 的 jdf chunk 管线检索准确率 96.9%（bge-small），高于 PyMuPDF、pdfplumber、pypdf 等固定分块管线的 60%-83%；千文档规模的成本测算中，单段修改的重嵌入 token 从 140.2 万降至 9.1 万。
推荐理由：原文自带可复现的 RAG 检索与成本基准数据，读者可以据此对比 JDF 与传统 PDF 解析管线在准确率和重嵌入开销上的差异。
奥地利科学院（ÖAW）新闻办公室开源 StoryScout，帮助科研机构媒体团队按新闻价值筛选论文。系统用 LLM 按 5 个维度打分（权重 15%-25%），并通过 SPECTER2 768 维嵌入结合 k-NN top-5 余弦相似度匹配历史成功案例。该办公室每年需评估约 7000 篇论文，项目基于 Next.js 16 + Supabase + pgvector 构建，支持 Vercel 或自托管部署。
ne0juan 在 GitHub 开源了 ai-paper-daily，一个全自动中文 AI 资讯站，每天北京时间 08:00 / 13:00 / 19:00 抓取、筛选、翻译并存档内容，在线阅读地址为 https://dailyaibot.com。项目用 GitHub Actions 定时运行、Cloudflare Pages 免费托管，大模型默认走 DeepSeek deepseek-chat，每天成本约几毛钱；内容含今日风向、资讯与观点、热门项目、架构评测和论文等栏目，论文 PDF 与文章存档托管站内。用户可 fork 仓库并配置 CLOUDFLARE_API_TOKEN 与 LLM_API_KEY 自行部署，代码以 MIT 协议开源。
推荐理由：原文给出了完整的数据源、打分规则和部署配置，读者可以直接 fork 复刻一个自己的中文 AI 资讯站。