新闻、仓库与研究，按时间排列。
一个最小 Python 模板项目，测试 Mellum 2.1 能否作为 Junie Lite 旗下的本地 worker 子智能体完成琐碎任务。Junie Lite 由 JetBrains 基础设施托管、免费无需订阅；Mellum 2.1 通过 Ollama 本地运行，模型下载约 8.1 GB，支持 131072 token 上下文，并可通过 MCP 工具接受主智能体调度。项目按里程碑逐个搭建桌面计算器，但作者明确指出该方式尚不能用于真实项目。
Nakano-official 在 GitHub 发布 Loop-Engine，一个让 AI 自主运行实现循环而不依赖测试自申告或权限越权的实验性执行基座，将 Planner、Runner、Solver、Critic 四个角色分离并用 uid 隔离权限。Runner（runner/loop.py，约2400行，仅标准库）已实现，2026-08-21 完成从6行需求到11步、零人工介入的完整执行；2026-09-01 用本地 Qwen3.5-9B（RTX 2060 6GB、41.6 tok/s）替换 Codex 作 Solver 的对照实验中，两者均为 11/11 绿灯、48件测试通过、零人工介入，本地模型耗时15分12秒反而快于 Codex 的19分37秒。
推荐理由：原文给出了完整的设计原则、角色分离方案和两组对照运行数据，读者可以据此评估不依赖自申告测试的 AI 实现循环是否可行。
GitHub 开源项目 Analog-Copilot 是一个模拟电子学 AI 导师，用户描述电路后由 plan→compose→verify→repair 编排器生成电路，块级在测试台中仿真修复，最多 3 次尝试后回退到已验证模板。电路在浏览器中通过编译为 WebAssembly 的 ngspice 实时布局、动画和仿真，注册表目前含 15 个器件和 20 个块模板。Phase 0-2（Rust circuit-core、本地编辑器、生成流水线）已完成，下一步是引用实时仿真数值的辅导功能。
ai-turk 是一个开源编码智能体专用界面，灵感来自 18 世纪的"土耳其人"下棋机器，由 LLM 在后台生成按钮网格。它抽象后端，同时支持 pi（pi --mode rpc）和 Claude Code（claude -p stream-json），支持会话上下文自动管理、bash/read/edit 工具调用和实时流式输出。Claude Code 后端可通过 Anthropic API 或 Ollama 0.14+ 的 Anthropic 兼容端点（如 glm-5.1:cloud）驱动，默认端口 3000、最多 5 个会话，可经 .env 配置多实例运行。
开源项目 LLM COMPASS 上线 GitHub，整合 20 余个主流大模型（GPT-4o、Claude 3.5 Sonnet、Gemini 2.5 Flash/Pro、Llama 3.3、DeepSeek R1/V3 等）的规格、成本与 benchmark 数据，并提供 API 与 GPU 自托管 TCO 模拟、AI 架构推荐和 AI 编程工具教程。平台基于 Cloudflare Workers 与 D1 运行，支持韩语、英语、日语、中文四语界面，每日通过 GitHub Actions 批处理采集 110+ 个来源的 AI 新闻，采用 MIT License。
开源 Go CLI 工具 callm 发布，编译为单个静态二进制，可跨多个 OpenAI 兼容网关调用 LLM，内置 DeepSeek、OpenRouter、Anthropic、Kimi Code、智谱、千问、OpenAI、Groq、Ollama 等 13 个以上供应商预设。支持 SSE 实时流式输出、推理字段展示与 --parse-think 解析内联 <think> 标签、--stats 显示延迟与 token 统计、模型目录浏览与 Zed/Kilo/Continue 配置导出，默认供应商为 Poolside（poolside/laguna-s-2.1）。工具对密钥解析优先级、当前目录 .env 默认不加载以防密钥重定向、以及 v0.10.0 对截断和拒绝输出的失败处理均有明确规则。
开源项目 assaio 发布 assaio-agent，一个离线优先的 Go CLI（内嵌 SQLite），可从本地日志分析 Claude Code、Codex CLI、Gemini CLI、GitHub Copilot CLI、Cline 和 Antigravity CLI 的成本、token 用量与代码产出活动。它不收集提示词、响应或代码，缺失数据不计入分母，支持 macOS、Linux、Windows 的 amd64 与 arm64。命令包括 demo、init、dashboard、evidence、digest 和 doctor，evidence 可做内容无关的 session→commit 关联并标注置信度。
choiyounggi 在 GitHub 发布 groundwork，用四个 Claude Code 插件组成一套 harness：guardrails 在命令运行前拦截 curl | sh。
推荐理由：四个插件把 Claude Code 的安全护栏、编排、记忆和判断门做成可拆装的一套 harness，各插件的成本与验证数据原文都给了。
GitHub 开源项目 small-cap-deepdive 是一个用于研究美国小盘股和微盘股的工具，通过主题发现、机械筛查、XBRL 财务数据和估值分析（Reverse-DCF、EV/EBITDA、NAV）处理 SEC 文件。BUY 评级要求 active MoS ≥ 30%、zero kill-flags 等条件，排名结果仅供人工尽调参考，不支持实时数据（文件滞后 1 到 4 天），也不涵盖交易执行和投资组合管理。
研究者推出 PRISM，一种用于临床预后的检索增强多模态语言模型，结合逐特征数值 tokenization、近期加权的纵向 ECG 聚合和双模态人群记忆库，检索在表示空间进行，提示词不含个体记录。在 1,443 任务的 MDS-ED 基准上，PRISM 对恶化预测 AUROC 达 93.1%，ICU 入住 91.8%，死亡 92.8%，诊断 86.2%；消融显示用文本序列化替代数值 EHR 编码使 AUROC 下降 3.66 点。在外部 MC-MED 队列上，监督微调达到 0.8611 AUROC，高于本地训练的 gradient boosting 的 0.8227 和源模型 PRISM 的 0.7841。
研究者提出归因框架 Explanatory World Models（EWM），用前沿语言模型生成的解释替代按时间邻近性传播奖励的方式，识别促成最终结果的早期事件。在 Crafter 和 WordCraft 上 EWM 大幅超越 PPO 与 LaRe，奖励越延迟收益越大；在 KuaiRand 上离线优于 SFT 与 LaRe，在线优于 A2C，并在工业级生成式推荐器离线评估中提升 Recall。
POrchestra 是一个即时主动式 agentic 编排框架，允许子智能体在任意逻辑点主动向编排器请求调整 harness，同时保持本地执行连续性。该机制还启发了基于事后反馈的 On-Policy Orchestration Distillation（OPOD），将子智能体的修订请求归因到前置编排决策以生成过程监督信号。在深度研究、动态数字助手和软件工程三项长程 agent 基准上，POrchestra 较最强基线平均提升任务成功率 9.1%，结合 OPOD 使小编排器成功率较现有训练基线平均提升 10.0%，代码已开源。
bbardakk/uygulamali-dogal-dil-isleme 仓库发布了 ODTÜ 应用 NLP 课程的公开交互式书籍，共 39 章加 6 个附录，含英文与土耳其文两个版本。技术栈为 Quarto book 搭配 GitHub Actions 与 GitHub Pages，交互组件用 Observable JS 在浏览器运行，代码章节采用 Python + Jupyter engine。另有配套的章节 notebooks 与课程 slides 仓库，文本采用 CC BY 4.0、代码采用 MIT 许可。
GitHub 项目 cage 通过 13 个固定槽位、逐句要求附上 README 原文引用、代码做字符串核验加模型事实检查（fail closed）、最多 3 次修复，用 qwen3.5:9b 在 8 GB GPU 上生成 GitHub 仓库解说词。盲测中 3 家公司的评委对 16 个仓库共给出 36 份裁决：cage 版本事实错误比无约束的同模型少 94%，错误数 2.7 对比 gold 版 4.6；但未达到预设的超越 gold 版 ≥45% 目标（实测 42%），评委仍更偏好前沿模型的 hook 和声音。单脚本成本 0 美元，单张 RTX 3070 约 6 分钟，代码 Apache-2.0 开源，详见 RESULTS.md 与 PROTOCOL.md。
推荐理由：原文给出预注册协议、三评委盲测与错误率数据，读者可以评估这种凭据约束方法对小型本地模型幻觉的抑制效果。
作者开源了 chemq，一个面向化工厂运营数据的自然语言分析系统，以六周课程形式组织，基础设施完整可用，router.py、text2sql.py、rag.py、agents.py 四个模块留作练习，参考实现放在 ai/solutions/。系统用 SQL 语义视图固化指标定义，LLM 只能查询视图；SQL 防护由意图分类、sqlglot AST 校验的 sqlguard、只读角色加 RLS 三层组成，验证了只读账号可读语义视图、被拒写 fact_* 明细表。评测金标准答案由参考 SQL 生成，CI 以 100% 拒答准确率为门槛；实测显示提示词更短的"便宜"模型因 4,096-token 缓存下限反而贵 5 倍。合成数据含 12 个月数据并植入四类异常供检测测试，MIT 许可。
Pablo Manrique 等在 arXiv 发布 SqueezeBench，一个抗饱和的数学能力基准，每题固定一个仅在小区间取值已知的整数函数 f(n)，提交者用机器证明的 Lean 函数给出更优上下界记录，成功会抬高门槛而非移除题目。基准附带极值组合学十个问题和二十个初始记录，前沿模型代理每记录限 1 小时通过 82 次提交改进全部记录；两个更新模型接续又通过 60 次提交改进了 20 个记录中的 19 个。10 个问题中有 8 个仍至少有一个记录渐近落后于已发表最优界。
推荐理由：提出以记录递进式构造衡量数学能力，缓解基准饱和问题，并给出多代模型代理的实测数据。
euri10 发布 acp-llm-adapter，通过 Agent Client Protocol (ACP) v1 让 DeepSeek、GLM、Groq 等 OpenAI 兼容模型在 Zed 和 Neovim（LouiseLM、CodeCompanion 插件）中充当编码 Agent，适配器自身运行读文件、搜索编辑、执行命令的工具循环并汇报用量与成本。支持 ask、accept-edits、plan、yudo 四种会话中可切换的权限模式、MCP 服务器、持久化会话与上下文窗口/费用统计；目前为 Alpha 版，仅支持文本提示，不支持图像和 elicitation，安装需 Rust 1.95+，命令为 cargo install acp-llm-adapter，采用 MIT 许可。
推荐理由：README 给出了在 Zed 和 Neovim 里接入 DeepSeek 等 OpenAI 兼容后端的完整配置示例与权限设计，方法可直接迁移。
开源工具 ci-test-gate 发布在 PyPI，可分析 PR diff 并按 required/recommended/optional 分类推荐需运行的测试，支持 Python、JS/TS、Go、Rust。它内置启发式引擎，也可通过 --llm 启用 LLM 语义分类，默认使用 gpt-4o-mini，调用失败时自动回退到启发式分类。配置文件变更时默认保守地推荐所有已知测试，可通过 --config-changes normal 恢复路径匹配。
GitHub 仓库 heikeyangle-code/pi-android 发布一个安卓 App，把终端 coding agent pi 完整跑在手机本地，当前钉定 pi 1.1.0。它自带 Ubuntu 24.04 用户态与 Node.js 24.19，经 proot 免 root 运行，扩展、技能、提示词按原文件机制加载，可让 AI 自己搜索、编写并安装扩展，生态收录 10430 个扩展；另有 30 个默认关闭的设备能力端点（读屏、点按、文件等）按类授权。App 约 136 MB，APK 仅能从 release 或自编译获取，提供 sideload28 与 modern36 两种变体，构建用 SHA-256 锁定载荷并有契约检查防止上游变更悄悄出错。
推荐理由：用 proot 加官方 pi 包把 coding agent 原样搬到安卓，扩展机制与电脑上一致，架构与契约校验方法可迁移。
smallmain 发布了 VS Code 扩展 vscode-unify-chat-provider，通过 Language Model API 将多种 LLM API 供应商接入 GitHub Copilot Chat。支持 OpenAI Chat Completions、OpenAI Responses、Anthropic Messages、Ollama Chat、Gemini 等格式，适配 45+ 主流供应商，内置 200+ 模型的推荐参数；提供 FIM、NES 等 5 种代码补全算法、commit message 生成、余额监控、配置导入导出，并可一键使用 Claude Code、Gemini CLI、GitHub Copilot、Zed 等账号额度。
开源项目 rx2fhir 将手写处方图片转为经过验证的 HL7 FHIR R4 MedicationRequest，中间设有药剂师式人工审核环节。视觉语言模型（默认 qwen2.5vl:7b，经 Ollama 或 OpenAI 兼容接口）只负责转录，确定性代码解析 1-0-1、BD、5/7 等印度处方简写，将品牌药映射为带 RxNorm 编码的仿制药并生成 FHIR transaction Bundle。项目内置约 50 个印度品牌的处方集、两层校验与置信度评估，未经具名审核人批准的输出始终保持 draft 状态。
Latch v0.3.0 是一款面向 Linux 和 Windows 的终端编程智能体，会话保存在磁盘上，所有命令都在强制平台沙箱内运行。安装包提供 x86_64 预编译版本，安装前验证 SHA256 校验和，并附带 Web UI（默认 localhost:6006），与 TUI 共享内核、会话与沙箱。工具支持 /setup、/model、/mode、/safety 等命令，验证无法确认工作区时会指明阻塞项。
研究者提出 Rollout-Time Intervention（RTI），在 rollout 阶段利用奖励侧证据（评测 rubric）将错误轨迹转化为成功轨迹，缓解智能体 RL 的 on-policy 推理瓶颈。过滤分布偏移过大的轨迹后，这些 off-policy 轨迹仍能有效引导策略优化。在五个 benchmark 上 RTI 持续超越 RL 基线，使后训练策略接近更强的当代 LLM 并突破原有能力边界，代码已开源。
DocuMind 是一个基于 RAG 的文档问答系统，利用 LLM、嵌入向量和向量相似度搜索，对用户上传的 PDF 文档提供具备上下文感知的回答。该项目已在 GitHub 开源。
rfxlamia 发布 Pocketto 4.0.0，为 Claude Code 和 Pi 提供结构化 AI 编码工作流，主张先写规格和验收标准再写代码。系统包含 14 个技能，覆盖从想法到规格、TDD 计划、subagent 按任务执行到收尾的完整流水线；每次 subagent 委派需带含目标、验证标准和停止条件的 Pocket Packet。Core 本地运行不调用 GitHub，可选 Enterprise 适配器负责远程对账，另提供 opt-in 的 Pocket Education 导师模式。
开源工具 claude-usage-mac 把 Claude Code 的会话与每周限额百分比、token 数和估算费用显示在 macOS 菜单栏和桌面小组件中，要求 macOS 14 及以上，可通过 Homebrew cask 或 DMG 安装。数据来自 api.anthropic.com/api/oauth/usage 与本地 ~/.claude/projects/**/*.jsonl，不经任何上传；token 过期时按 CLI 同款 OAuth 流程自动刷新。项目仍在 Windows 上开发，尚未在真实 Mac 硬件上运行过。
研究者提出 ProgramGym 框架，包含 Program-Env 和 Program-Agent，用于长程程序复现智能体的可验证训练环境。Program-Env 通过反馈驱动循环构建了 1,648 个覆盖 C、C++、Go 和 Rust 的训练环境；Qwen3.8-27B 经微调后性能从 34.87% 提升至 42.84%，Program-Agent 进一步将基础和 SFT 模型提升到 55.71% 和 56.25%。ProgramGym 将开源发布以支持从零构建程序的 coding agent 研究。
开源项目 horaires-piscines-montpellier 将蒙彼利埃所有公共泳池的开放时间汇总到统一页面。每日 GitHub Actions 任务抓取各泳池页面，用 Claude 提取开放时间和例外闭馆信息，存入静态 JSON 文件，站点构建后部署到 GitHub Pages。抓取失败的泳池保留上次成功读取的时间表并标记为 stale，构建或抓取失败时通过 Discord webhook 发送通知。
开源项目 J.A.R.V.I.S. 是一个基于证据的 AI 情报平台，采用双塔架构：先确定性评分筛选 Top 20 候选，再用 LLM 语义重排。系统支持跨文档知识图谱推理和问答，证据得分低于 60.0% 时自动拒答。在 120 项离线评测集上，确定性+LLM 方案取得 NDCG@3 1.0000，并配备防 XSS 与提示词注入防护及 GitHub Actions CI。
GitHub 开源项目 DevPixel-AI 是一款 8-bit 复古操作系统风格的全栈 Web 应用，由 Groq 和 LLM 驱动，可自动执行代码分析、调试、重构和代码解释。
GitHub 用户 victusfate 开源了 llm_mastery，一个在家构建、训练、评估和改进语言模型的项目式课程，含 35 个讲解子模块、52 个实验指南和可选的 24 周强化计划。课程基于 MIT 许可，起步无需 API key 或云支出，并配套 AI 导师协议、掌握度评估表，以及面向 LM Evaluation Harness 或 DataTrove 的开源贡献路径。仓库源码为 TypeScript，部署于 GitHub Pages 与 Cloudflare Pages（llmmastery.org）。
alztrk 在 GitHub 发布 OpenChat，一个跨平台 AI 聊天应用，首个版本面向 Windows，集成 ChatGPT OAuth 与 OpenCode，并支持 Gemini、Groq、Cerebras、OpenRouter、Mistral 等 OpenAI 兼容 API。应用内置本地文件、网页搜索、URL 阅读和终端工具，提供 Ask for approval、Approve safe operations、Full access 三级权限模式，终端调用在 Windows 临时 AppContainer 中运行，默认审批模式为 Ask for approval。
开源项目 DevCapsule（Apache-2.0，pre-V1）将 PyCharm、IntelliJ IDEA、VSCodium 等 IDE 与 Claude Code、Codex、Antigravity CLI 等编程智能体封装在隔离胶囊中，仅共享项目文件夹，智能体可在“YOLO”模式免逐步审批运行。目前仅支持 Linux x86-64 及 Windows via WSL2，不支持 macOS 和 ARM，工作区状态可跨会话持久保存。
一项研究提出基于输入类别的专家选择偏置方法，引导 MoE 大语言模型中的 token 路由到专门的专家子集，从而缓解预训练数据不平衡对少数类别的容量限制。在最大 10.6B 参数的模型上，该方法在多模态、低资源语言和代码任务上带来提升，在最小与最大模型规模下分别相当于多训练 18.5% 和 2.7% 的 baseline tokens，且保留标准 MoE 推理。
研究者推出 AgentSWE 基准，测试编程智能体能否按自然语言需求忠实构建、编辑和优化智能体，覆盖智能体开发全生命周期的 25 个任务。评估发现没有任何被测智能体接近完全满足需求，“演示的与交付的存在差距”是常态而非个例。失败轨迹分析归纳出对可见样例过拟合、代码看似完整但运行时空洞、以及无依据的完成声明等典型失败模式。
Glad Labs 开源了 Poindexter，一个在本地 GPU 上运行的 AI 内容生产引擎，覆盖选题发现、网络调研、长文写作、多模型对抗式 QA 审查和静态发布，全部通过 Ollama 本地推理，零 API 费用，默认调用 gemma3:27b 写作、phi4:14b 做评审。该项目即 gladlabs.io 背后的生产系统，已发布 210+ 篇文章、累计 2000+ 次流水线运行，约一半草稿会被 17 条 QA 规则拒掉；引擎以 Apache 2.0 许可发布，要求 Docker、Python 3.13、约 50 GB 磁盘，官方建议 NVIDIA GPU，可选付费 Pro 仅提供操作控制台和每周更新的生产配置。
推荐理由：这是一个可直接跑在本机 GPU 上的开源内容流水线，README 给出了完整模型分工、QA 驳回率数据和部署步骤，可作本地多智能体系统的参考实现。
SWE-Critix 是一个用于训练编程智能体轨迹通用验证器的后训练 pipeline，结合 SFT 与 RL，基于 CodeForge-Preview 轨迹训练了 30B 模型，可预测任务完成标签并生成自然语言分析。在留出测试集上，分类准确率从基座 Qwen3-30B-A3B 的 57% 提升至 SFT 后的 66%、RL 后的 78%。模型、数据集与训练代码均已开源发布。
pi-workbench 是一个本地优先的桌面工作台，以子进程方式运行 `pi --mode rpc`（stdin/stdout JSONL）驱动 pi 编码智能体，不 fork、不改 pi 本体。支持 Windows 双壳（Electron + Tauri，安装包约 32MB）、Linux AppImage 与 macOS dmg（arm64/x64），会话与模型配置沿用 pi 原生格式，与 pi CLI 完全互通。内置多供应商配置、模型级回退路由、Agent Skills 管理、用量统计、定时任务，并可只读导入 Codex/Claude/Aider 等工具的历史会话。
论文提出GraphTok，把从pre-tokenization、BPE合并到token-ID组装的整个编码流程作为可重放的CUDA graph在GPU上运行，token ID与参考实现在GPT-2、Llama 3、Qwen 2.5、DeepSeek-V3、Gemma 3上逐位一致，可接入未修改的vLLM和NVIDIA Dynamo。在Llama 3上比最强CPU tokenizer gigatoken快4.7-6.0x；在带缓存前缀的vLLM中TTFT均值降低2.1-2.4x；2s P99下单前端可承载518 req/s的121k-token流量，为gigatoken的1.75-2.5倍。
推荐理由：论文给出GraphTok在vLLM和Dynamo下的实测吞吐与TTFT数据，可了解把tokenization搬到GPU对Agent负载的实际收益。
PaperStrange 在 GitHub 发布 Personal-LLM-Benchmark，用合成 fixture 代码库按工作流评测模型与 agent harness，含 T1 架构梳理、T2 三 subagent 协作实现 apply_discount、T3 安装第三方插件三个任务。所有结论带 [REAL]/[SIM]/[OPEN] 证据标签，评测漏斗从免费 T0 确定性门控到按分计费的 Jev 评分、再到仅限 Top 1-2 的深度运行，要求每组合至少 3 次重复并报告 pass@k 与 pass^k。项目采用 MIT 许可证开源。