新闻、仓库与研究，按时间排列。
开发者 kamaludu 在 GitHub 开源 LLM_assurance 手册，帮助理解和使用 LLM 编写代码时的软件保障。手册提供 PDF、EPUB、DOCX、HTML、TXT 等格式下载，位于最新 release 的 Assets 中，源文件 LLM_assurance.md 超出 GitHub 网页预览限制。仓库接受 Issue 报错但不接受 Pull Request，翻译须基于 .md 源文件并遵循 GNU FDL v1.3。
研究者提出 CoCo-Prover，将成本高效的程序定理证明形式化为元层级决策：在声明内的 AND/OR 证明超图与声明间的引理依赖图之上，通过智能体路由为每个专家调用按价选购动作。在 CLEVER、VERINA、AlgoVeri、NTP4VC、Vero 五个 Lean 4 基准上，它在每个基准均取得最佳解题率，其中两个基准最高达 100%，相比最强基线最多降低 30.9% 成本。
一项 arXiv 研究证明，两层 Transformer 参数化的 flow 可解决图可达性问题，且所需积分步数随目标距离增加；标准 flow 语言模型却难以从更多积分步中获益，原因是各时间点被独立监督。研究改为在 [0,1] 随机子区间上训练模型自身的 latent rollout、仅在端点解码，在 ProsQA 上准确率达 97%，Sudoku 与 Maze 等任务通过将 latent 收缩到球面上显著超越参数量三倍以上的基线，配合无参数选择分数的多 rollout 采样可进一步提升性能。
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。
arXiv 论文提出一个构建和解释极简 Transformer 模型的框架，将嵌入维度和 head 大小限制为 2，从而可直接二维可视化 embeddings、Q/K/V 变换、attention 输出和残差流。作者在一个“遇到 '+' 时输出最近偶数”的任务上训练模型，并逐步可视化其计算过程，核心主张是学到的几何结构可读出逐步执行的算法。该框架可作为探索 Transformer 如何实现 next-token prediction 的教学和实验平台。
研究者提出 NL2Hull 框架，将船型编辑建模为类型化离散决策问题，通过 CFFD 引擎用 NURBS 表示水线并施加 FFD 变形。团队构建了含 134,558 条清洗记录的 SDD 数据集，以及含 5,000 条记录、43,496 道类型化问题的 SDDBench。其决策模型 Chip 达到 95.90% 问题准确率和 99.32% FFD 完全匹配，代码与数据集已开源。
GitHub 仓库 df-w8-12-cross-llm-quality 发布 DF-W8-12 Cross-LLM-Quality-Gate 的 Phase-1 脚手架，用作生产前质检门：每次生产 LLM 输出前由 Codex、Gemini、Copilot 和 Grok（默认 mock-mode）四家 Provider 投票，输出 ConsensusScore 和 tier_recommendation（HARDENED 到 REJECT 共五档）。该项目要求 800 LOC 熵预算内实现 K11-K16 验收标准，含 STOP.flag 人工覆盖、每 Provider 30s 超时的 Circuit-Breaker 和 jsonl 审计日志，当前 29 个 pytest 测试全部通过。
一个基于 LangGraph 的开源系统 codegen_orchestrator，用户在 Telegram 里描述项目，20-30 分钟内即可完成仓库、CI、域名和证书部署上线，全程无需人工介入。系统由 Product Owner、Architect 和编码智能体等节点组成，生成的项目基于 spec-first 框架 codegen-product-kit，编码环节可互换使用 Claude Code、Factory.ai Droid 和 OpenAI Codex，并支持用对话继续扩展现有项目。
arXiv 论文 2610.10114 提出 Mechanics of Long-Context Hybrid Models 系列的 Part 1.1，研究全注意力与滑动窗口注意力（SWA）或门控线性注意力（GLA、GDN）混合架构的工作原理。作者发现上下文扩展中的 Seesaw Effect：LA 混合更受益于长上下文持续预训练，SWA 混合在长度外推上表现更好，并归纳了 SWA 混合的 Short-Context Learning Trap、Short-Window Weariness 和 Long-Window Laziness，以及 LA 混合的 Matthew Effect。
推荐理由：论文解释了混合注意力架构为何在长上下文上有效，并给出可复用的 Sliding-Window Linear Attention 设计与外推结果。
研究者提出一个将 LLM 知识蒸馏进可解释决策树的少样本学习框架，用于表格数据分类。该方法不让 LLM 直接生成完整树，而是采用三阶段范式：先让 LLM 生成规则，再将规则组织成树。在多个真实表格数据集上，该方法相比现有基线取得更高的准确率、更好的可解释性，并显著降低提示词开销，论文已被 EMNLP 2026 主会接收为 oral 报告。
论文提出 SemanticFold，一种在可学习边界折叠前缀隐藏状态的压缩方案，并在 Qwen3-1.7B、Qwen3-8B、SmolLM2-1.7B、Pythia-1.4B 和 Pythia-6.9B 五个规模上评测。固定目标协议下，压缩对各端点的影响非单调且不共享同一阈值，Qwen3-1.7B 在 R=1.7 时 NLL 降低 0.135，而 Pythia 两个模型的 NLL 基本不变；线性探针与推理指标变化小于 0.03。作者结论是潜在压缩下的能力保持没有单一标量证书，语言建模拟合、可解码性与推理在同一压缩操作下可能朝不同方向变化。
推荐理由：原文用固定目标协议把语言建模、可解码性与推理拆开评测，读者可以了解潜在压缩下各能力为何不同步。
论文提出 Task-Progress Distillation（TPD），一种离线蒸馏方法，将演示动作与描述当前任务阶段的短标签配对来训练小型智能体。在 ALFWorld 上，1.7B 学生模型用 404 条演示达到 72.4% 平均未见任务成功率，推理训练学生为 48.3%；808 条演示时两种方式均达 76.9%。显式阶段标签在 200 条演示时将成功率从 48.0% 提升至 67.7%。
论文提出 CoTrace，一种 harness 感知的终端 Agent 训练数据配方，通过交替式 harness 搜索与策略训练的协同演化框架，管理轨迹路由、来源匹配和课程刷新。在 Tmax promotion split 上，CoTrace 使 Qwen3.5-9B 在 SFT 下从 78 提升到 88 个解决任务，在线 RL 变体达到 90；小规模 harness 匹配语料以更低算力取得稳定收益，Terminal-Bench 2.1 和 SWE-bench Lite 评测显示分布外迁移依赖训练与评测 runtime 的一致性。论文 32 页，预印本地址 https://arxiv.org/abs/2610.10426v1。
推荐理由：论文给出轨迹按 harness 匹配路由的数据配方，用对比数字说明小而匹配的语料胜过混合大语料，方法可迁移。
arXiv 论文 2610.10536 提出 Exploration-Distillation（ExpDis）框架，将 RLVR 中的探索与优化解耦：训练带新颖性奖励的 explorer 策略，过滤轨迹后蒸馏进独立的 student 策略，student 训练时不带新颖性奖励，并多轮交替进行。在七个数学推理基准和两个模型家族上，ExpDis 在相同 wall-clock 预算下超过 DAPO，且 pass@$k$ 扩展更佳，表明生成的正确解更多样。代码与 checkpoints 已开放。
推荐理由：论文提出把探索与优化解耦的 ExpDis 框架，在七个数学推理基准和两个模型家族上与 DAPO 对比，方法描述完整可复现。
emirbartu 发布 jev-for-all 仓库，把 TypeSafe 的 System One 决策模型 Jev 接入 Claude Code、OpenCode、Hermes 和 pi，让智能体在约70至500毫秒内以约 $0.0001 的成本决定加载哪个技能、需要哪些工具及选用哪档模型。作者自测的12个小任务中，由 Jev 路由比始终用 Sonnet 省35%成本，lean 启动省37%输入token，但作者明确提示证据来自自写的小型单文件任务，每项仅跑一次，且提示词会发给 OpenRouter 的 alpha API。
推荐理由：作者不仅给出工具，还公开了基准脚本和失败记录，读者可以据此权衡token节省与选错模型的风险。
作者开源SmartTest，输入OpenAPI契约自动生成pytest测试套件并完成失败归因与质量度量，MIT协议。订单靶场检出4个真实缺陷、零假阳性，修复版归零，另两个靶场召回与精确率均100%。架构上契约层用规则引擎保证100%可复现，模型只生成场景数据并经三道关卡拦截幻觉；接DeepSeek实测暴露9类问题，模型通路将场景数从2提升到10但未多报缺陷。CI含13道门禁与239条单元测试。
jedarden 发布 NEEDLE，一个用 Rust 编写的无头编码 CLI 智能体包装器，通过共享 bead 队列以确定性优先级顺序调度 Claude Code、OpenCode、Codex 和 Aider，每个 agent 输出结果（成功、失败、超时、崩溃）都有显式处理器，多 worker 经 SQLite 事务原子认领任务。内置 shipped-work 门控验证提交已推送，支持 OpenTelemetry 导出，默认适配 claude-sonnet-4-6 和 gpt-5.6-terra。代码以 Forgejo（git.ardenone.com）为主仓库，GitHub 为只读镜像，MIT 协议，作者称其为自用为主的 alpha 软件。
推荐理由：README 详述了状态机流转和每种 agent 输出的显式处理器设计，为搭建无人值守多智能体编码流水线提供了可直接复用的架构参考。
yuzhiqiang1993 在 GitHub 开源了 Antigravity Studio，一款为 Antigravity（IDE、桌面端、终端 CLI 和 VS Code 插件）设计的多账号管理与大模型代理工具，MIT 协议，全部操作在本地完成。工具把多个 Google 账号放入池子按故障转移、重置优先、粘性会话或负载均衡策略自动调度，主号额度低于 5% 或被 429 限流时备用号自动接力；支持 BYOK 接入 OpenAI、Anthropic、DeepSeek、Ollama、OpenRouter 等 34+ 平台预设，可调大上下文窗口、解析思考链，并按账号单独挂 HTTP/SOCKS5 代理，默认本地端口 8321 被占时自动顺延。
推荐理由：作者面向 Antigravity 多账号配额调度与第三方模型接入的痛点，给出了本地代理的完整方案和调度策略细节。
jop8281 开源 worldgen 与 worldplay 两个工具，构建可复现的有状态软件世界（如 helpdesk、支付 API）供 Agent 测试，引擎是唯一判分者，LLM 只负责从描述、OpenAPI 或 CSV 生成世界且不改引擎。评测要求参考解得 1 分、不动作得 0 分、所有诱饵与严格前缀低于 1 分并重放哈希一致。仓库含 25 个世界共 95 个任务，最后一次完整 stress-2 评测（2026-10-07，claude-sonnet-5-5）29 例中 22 例符合预期，单次运行 p50 6.4 分钟、$1.27。
推荐理由：原文给出了引擎判分的判别性证明和完整实测数据，读者可以据此评估用确定性世界评测 Agent 的可行做法。
TimeCraker 在 GitHub 发布 coding-plan-bench 测速台，测量 TTFT/TPS/Total 并在同条件组内排名，支持 Anthropic 兼容与 OpenAI 兼容双协议。内置智谱 glm-5.3 / glm-5.3-flash / glm-5.3-flashx 同 key 三档直对比，外加方舟、千帆、DeepSeek、Kimi 渠道；提供浏览器直连、受信代理、Windows 本地版三种连接方式，Key 不入应用存储。2026-10-05 实测 32/32 成功，GLM-5.3 端到端中位 19.9s / 89 TPS，GLM-5.3-Flash 34.7s / 64 TPS。
Axle 是一个 TypeScript 库，用于构建可靠的多轮 LLM Agent，并附带基于它的 CLI 任务运行器，两个包分别为 @fifthrevision/axle 和 @fifthrevision/axle-cli，通过 npm 安装。CLI 支持交互式聊天、用 `axle -j recipe.yml` 运行 recipe，以及 `axle batch` 为每个输入开独立会话。Axle 最初是受 DSPy 启发的 CLI 任务运行器，如今被 CLI、Sunnyday、Axle Code 等多个项目共用，仓库用 pnpm 管理开发。
arXiv 论文提出结构化消歧新范式，通过显式、受限的交互而非自由对话来解决用户问题中的歧义，并构建 ARCS——首个基于真实数据库、包含自然产生歧义及完整歧义点、解释和 SQL 查询标注的 text-to-SQL 基准。实验显示歧义场景下任务仍然困难：gpt-6-sol 端到端执行准确率仅 51%，开源模型无一超过 27%。
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。
一项基于 Qwen3-0.6B 的受控研究显示，数据重复使 held-out loss 相对恶化 75%，同时 centred RankMe 反而升高 13.5 个合并标准差，谱弥散导致单侧监测把最差 checkpoint 判为最健康。作者提出双侧多通道时序监测器，能在 fork 后 10 到 60 步内检出全部三种损伤并按触发方向区分损伤类型，但其预警从不早于 held-out probe loss，且双种子校准会对留出的健康种子产生误报。
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。
GitHub 上的 ases-ai-scrum-system 是一款配合 Claude Code 运行完整 Scrum 工作流的 Windows 应用，覆盖工作规划、任务拆分、进度跟踪和项目上下文管理。它通过命令驱动操作，提供结构化 Scrum 流程和上下文控制，支持从项目启动到交付的全生命周期。应用要求 Windows 10/11、至少 4 GB 内存和 500 MB 磁盘空间，最新版本可从 release 页面下载。
作者在 GitHub 开源 RunSleuth，通过记录训练过程的结构遥测、匹配 7 类故障签名、LLM 复核（不可推翻匹配结论）并在有界重训后验证修复，诊断 PyTorch 训练故障。在 Camelyon17 的 46 次运行和 7 类故障上，有健康参照时 46/46 正确且 0 误报，无参照时 40/46；支持 RunMonitor 包装自建训练循环和 Hugging Face Trainer 的 RunSleuthCallback，源码采用 MIT 许可证。
推荐理由：原文用 Camelyon17 上指标完全相同却需要不同修复的静默故障实例，展示了以结构遥测而非验证指标定位训练问题的可复用思路。
Maxon 团队在 GitHub 开源了静态编译编程语言 Maxon，编译器、标准库和文档均由 AI 编码智能体编写，设计目标是让 AI 生成的代码易于审查而非易于敲写。语言特性包括将取值范围编码进类型的 ranged type（如 Port = int(0 to 655)）、无 null、每个块显式命名闭合；编译器自带原生后端，不依赖 LLVM 或外部运行时，采用引用计数内存管理，支持自举且两次自构建产物字节一致。
推荐理由：一门专为 AI 写代码设计的静态编译语言，约束进类型系统、块名显式闭合，设计思路可供语言与 Agent 工具链参考。
pearjelly 在 GitHub 发布 cliany-site，通过 Chrome CDP 观察浏览器工作流，用 Claude 或 GPT-4o 等 LLM 生成站点专属 Python CLI 命令，再以结构化 JSON 回放，探索后执行不再调用 LLM。工具提供 v0.16.357 实验性的 Jev 意图元素发现、AXTree 零注入采集、沙箱模式、AST 代码审计、YAML 工作流编排、适配器市场和 Python SDK 与 HTTP API，并维护 Jira、Confluence、Jenkins 等只读演示案例；README 说明 live 模型性能尚未验证。
GitHub 仓库 edtice-goog/CoveritySkills 发布了一套面向 Claude 的技能（Skills），教 AI 编码助手正确使用 Coverity Static Analysis，包含 coverity 主规则、编译器配置、缺陷检测调优、构建保真度、发现项验证与 CVSS 报告等多个技能。每条事实主张以实际运行记录为准，各技能的 CALIBRATION.md 记录校准运行及其边界，规则 9 等内容曾据实跑结果改写。需要本地安装 Coverity Analysis（开发基于 2026.6.0 与 2026.3.0，Windows）、Claude Code 等带 shell 的 Agent 环境和 Python 3，复制技能目录到 ~/.claude/skills/ 即可用自然语言触发。
GenAIcode 发布 2.0 版，从 1.x 的编码代理转型为后端 LLM 工具具包，提供统一的 PromptItem 提示词表示、多供应商适配器、可链式配置的请求 API 和轻量会话链。可选的 genaicode/agents 子路径把已安装的编码代理 CLI（Claude Code、Codex、GitHub Copilot CLI、Cursor、Gemini CLI 等）封装为统一的任务与事件 API，也可通过 npx genaicode run 命令行调用。核心不做仓库检查、shell 执行或隐藏重试；1.x 编码代理仍可通过 npx genaicode@1 获取。
推荐理由：2.0 版从编码代理转型为后端 LLM 工具包，原文详细说明了转型边界和 1.x 迁移路径，可供选型参考。
GitHub 仓库 pcbs_llm_driven_design 展示了四个用 LLM 辅助工作流开发的 KiCad 10 硬件项目：220 Vac 卤素调光器、BLE 遥控器、光电二极管 TIA 实验板和 Raspberry Pi SPI0 扩展板，含原理图、布线 PCB、BOM 和 3D 预览。仓库提供确定性生成脚本与校验工具，可运行 ERC、DRC 及原理图/PCB 一致性检查，并导出 Gerber/钻孔 ZIP。这些是工程原型而非认证产品，其中调光器涉及 220 Vac，使用前需专业人员审查电气安全。
gideonlim 在 GitHub 发布 BL-LLM-Stock-Analysis-Trader，一个两阶段量化交易系统：量化分析 Bot 对每只股票回测 14 种策略（含 SMA/EMA Crossover、RSI、MACD 等），覆盖 3/6/12 个月三个时间窗并生成每日信号；第二阶段用 Black-Litterman 组合优化的交易 Bot 通过 Alpaca 执行交易。系统支持扫描市值前 N 的美股（默认 1000）、long-only 与 long+short 两种模式、三种风险档位，默认 paper trading，可经 GitHub Actions 自动化。
Kapperchino 在 GitHub 发布了开源终端编码助手 Joe Code，面向 Rust 项目，可读取和编辑代码、管理 Git 并通过类型化工具运行 Cargo。构建、测试和程序在无网络的 Linux VM 沙箱中运行，首次写入会在本地 main 分支基础上创建独立 worktree，合并需人工批准，支持 Claude、OpenAI、OpenRouter 或本地 OpenAI 兼容服务作为模型提供方。
作者开源了 aimo3-agentic-inference，一个可在 vLLM 等 OpenAI 兼容服务上运行的 AIMO3 风格数学推理 Agent。它并行发出多路解答，各路可调用带时限的 Python 工具验算，先按票数、再按 token 熵破平局选出 \boxed{整数} 答案，并在达成一致时提前停止。项目为独立 clean-room 实现，不含竞赛数据或模型权重，Python 包无第三方运行时依赖，支持 JSONL 评测与无 GPU 的 mock 演示，MIT 许可。
推荐理由：作者以 clean-room 方式把采样、工具调用、投票与熵破平局这套推理循环写小到可读可测，方法可迁移到自有项目。
GitHub 开源的 LLM_research 是一个 LLM 投研工作平台，支持研究公司、按条件选股、解读研报，并将证据和判断保存为研究笔记持续跟踪。平台内置通用投研、财报分析、研报解读、产业链研究、风险复核五类研究助手，首次安装后双击 start.cmd 即可在浏览器中打开工作台，支持观察池、选股草稿和运行任务管理等功能。
作者开源了一个无人值守的 AI 辅助投资组合项目：在 Alpaca 券商开立 100,000 美元模拟账户，由 LLM 每周在硬编码护栏内做决策，通过 GitHub Actions 定时任务驱动，每条决策连同推理记录提交到仓库。LLM 不接触任何凭据，只输出经 schema 校验的提案，由确定性验证器和执行器决定是否下单；系统目前端到端运行在 dry-run 模式，尚未发生真实模拟交易，仪表盘、邮件报告和每周 cron 尚未完成。项目还记录了六次故意破坏系统的可靠性演练、故障日志，以及延迟行情、模拟成交偏乐观、无股息等已声明的局限。
开源项目 PiRick 发布，用户用自然语言点播影视，由 Ollama 里的本地模型搜索 Jackett、挑选资源并加入 qBittorrent，下载完成可选自动触发 Plex 扫描。项目用 Docker 部署，账号由管理员创建，搜索拼写变体、剧集整季规划和卡死下载更换都由固定规则而非模型决定。README 附带 2026 年 10 月的模型对比：gemma4:12b 正确率 98%，默认 gemma4:e4b 为 88% 且每次都会下载伪装成影片的广告，abliterated 版得分反而更低，并可通过 npm run bench 复现评测。
作者发布 caddis，一个 Claude Code harness 插件，包含 /feature-plan、/implement、/cross-review、/handoff 等斜杠命令、多个子代理、四层记忆模型及安全 hooks。其知识层是 agent 无关的，可通过 bundles/ 与 caddis-init 导出到 Codex、Antigravity、Copilot 等其他 AI CLI，并支持 DeepSeek 或 GLM API 做跨厂商代码审查。项目此前名为 claudster，MIT 协议，需 Python 3.11+ 安装。
推荐理由：作者介绍了自家 Claude Code harness 的完整命令、子代理与四层记忆模型，并给出跨厂商交叉审查等可直接复用的实践方法。
almide/almide 在 GitHub 开源了 Almide，一种静态类型语言，核心指标是代码在一系列 AI 驱动编辑后仍能编译并通过测试的比率。它经 Rust 编译到原生二进制并直接发射 WebAssembly，两目标输出字节一致；编译器诊断会指出缺失的 match 分支并给出具体修复。almide-dojo 在 38 个任务上测得 Llama 3.3 70B 通过率 65%、Llama 3.1 8B 44%；项目处于 pre-1.0，采用 MIT 或 Apache 2.0 双许可。
推荐理由：这个语言把编译器报错设计成可直接补全的修复指引，并用 LLM 写作性评测数据佐证，对关注 AI 编码工具链的人有参考价值。