新闻、仓库与研究，按时间排列。
cs7158080 在 GitHub 开源了一个为语言病理诊所构建的 RAG 病历问答系统，临床医生可用希伯来语自然语言提问，答案严格来自患者本人的 .docx 文件，由 Claude Haiku 4.5 基于检索上下文生成。系统在索引前对数据进行去标识化，结构化元数据存入本地 SQLite，治疗计划内容索引进 Pinecone 做语义检索，真实姓名通过本地映射表仅在最终回答时还原，确保患者数据不以可识别形式离开本地机器。
GitHub 上线 River Velocimetry 基准仓库，用于评测基于图像的河流表面测速。项目在 Blender FLIP 仿真的河流上（含精确 per-tracer 真值），对比经典粒子跟踪测速（PTV）与预训练及重训练的 PIPs++ 点跟踪器，并提供数据生成、tracker 驱动、统一评分协议和全部图表脚本。
GitHub 仓库 789tammmy-stack/Data-generation-for-BEV 发布了一套用于地下矿山纯电动矿卡能耗研究的合成数据生成工具，基于物理模型生成 50,000 条合成样本，包含 11 个发车前输入特征（车重、速度、坡度、运距、滚动阻力等），目标值为运输段的净电池能量。数据采用均匀采样生成，导出为 CSV，支持可复现的机器学习模型训练与比较，但未建模加速、辅助负载等因素。
Hugging Face 与 NVIDIA 宣布推出 SimReady Central Library，汇集超过 2,000 个带物理属性的 SimReady OpenUSD 仿真资产，免费、无门槛开放。资产覆盖机械臂、夹爪、仓储和冷却设备等，由 FANUC、Universal Robots、Vertiv、LG Electronics 等 OEM 提供，可用于机器人训练环境和 AI 工厂数字孪生，并支持 USD Search 自然语言检索与 GPT-6 Astra 辅助搭建 Isaac Sim 场景。
推荐理由：由发布方直接介绍资产库的构成和OEM贡献方式，读者可以了解免下载门槛的仿真资产从哪里找、怎么用。
GitHub 上的 eval-service 进入 public-beta candidate，提供语言无关的可复用平台，通过统一接口收集多个项目的 LLM 用量，并评估 LLM 应用的质量与性能，支持跨项目一致比较模型、提示词、成本、延迟和可靠性。平台由 Rust 引擎驱动，可评测 Python、Rust、LangGraph 等异构项目，检测回归并解释决策；用量追踪按项目、模型、provider、任务和天聚合 token、延迟、错误和成本，支持 `eval run --sandbox docker` 隔离执行、OpenAI 兼容回环 proxy、离线 cassette 重放和静态 HTML dashboard。
Hugging Face 联合 Zhongguancun Academy 与 Telethon 遗传学研究所发布开源 14.8B 模型 Carbon-X，基于 Qwen3-14B，用混合 tokenizer 在单一 decoder 中联合建模 DNA 序列与自然语言。五项 DNA 基准平均 66.7%（关闭思考），比起点 Qwen3-14B 高 27 分，接近 GPT-6.1 Sol 的 67.5% 而推理成本约为其 1/1800，分析 ClinVar 全部 240 万意义不明变异约花 $300。权重以 bfloat16 适配单张 80 GB GPU，可用 vLLM 部署，支持作为 agent 工具调用，未做临床验证、不可用于医疗决策。
推荐理由：原文给出五项 DNA 基准得分、成本对比和完整训练配方，读者可以据此评估这个 DNA 语言模型的实际水平与用法。
GitHub 开源项目 snake-ai 让神经网络学习玩贪吃蛇，提供遗传算法（numpy）和 Deep Q-learning（PyTorch）两种训练算法，支持 5 种视觉输入和 10 种奖励特征组合。项目内置浏览器 dashboard 可实时启动、观察、逐步检查和对比训练 run，每个 run 保存完整配方便于复现，附九节课程（每配方用 3 个 seed 训练）。可选 LLM 分析功能默认使用 anthropic/claude-haiku-5.5 模型，通过 TokenRouter 或 OpenRouter 调用。
研究者提出 MOTION，一个用于社区一致性人类移动生成的多智能体框架，将移动生成形式化为动态用户-位置图生成。该框架由用户 agent、位置 agent 和全局管理 agent 组成，先用 Leiden 算法检测历史移动中的社区并提取社区条件交互先验，再由用户 agent 规划移动、位置 agent 从社区视角推断到达、管理器协调两视角并定向反思修正。在两个真实数据集上，MOTION 在个体轨迹、人口与流量分布、社区与图结构等指标上比基线至少高出 4.05%，代码已开源。
这篇论文研究用多模态深度学习从 ECG 记录和患者元数据预测 NT-proBNP，并评估其生理合理性。基于 MIMIC-IV 的回归、二分类和三分类实验显示，12 导联配置持续优于 lead II 单导联：回归 MAE 为 534.98 pg/mL（单导联）对 514.27 pg/mL（12 导联），二分类 AUROC 分别为 0.849 和 0.876。结果表明精确回归仍有挑战，但更宽浓度范围的分类效果较好；实验仍需独立数据集验证。
DecisionPivot 是一个诊断 LLM 系统中决策模型的 benchmark，包含 48 个任务、40,033 个条目和七种决策角色，核心 track 有 7,800 个条目组成的对照组。评测显示，两个在 reference track 上仅差 2.6 分的 27B 模型，对照组准确率分别为 70.1% 和 44.2%；Perplexity Decider 在 2,400 对二元对照中概率排序正确率达 92.3%，但仅 74.1% 两题都对。GLM-5.3 在 1,296 条目子集上以更高推理设置达到 93.5% 对照组准确率，最低设置下为 81.5%。
研究者推出 MindView 基准，包含来自 513 个场景的 1,500 个样本，涵盖几何主导与语义主导两大类共七项任务。对 11 个生成模型的评测显示仍有较大提升空间，微调 BAGEL 后整体分数提高 24.3 分，且在三个空间理解基准上也获得提升。提出无需训练的证据选择器 MindCue，可逆转扩展上下文下的分数下降并超过标准上下文基线。
研究者发布 Africa-Papers，这是迄今最大的多领域泛非学术预训练语料库，包含 844,807 篇全文论文、共 10.15 billion tokens，分 879 个 Parquet 分片，涵盖 DOAJ 非洲期刊、CGIAR CGSpace 农业库、arXiv 非洲作者预印本及 OpenAlex 开放获取论文四大学科来源。语料以保留章节结构、公式和表格的干净 Markdown 格式发布，配有精确 BPE token 计数和 8 域分类体系，已在 Hugging Face Hub 的 AfriSpeech 组织下开源，用于支持非洲基础模型的持续预训练与领域评测。
一项基于 16,575 条英文推文的研究提出"stability delta"指标，发现表情符号在主题上下文越聚类的场景中，众包情感反而越两极分化：与 Kralj Novak 等人情感词典的 Spearman ρ=+0.361（Holm p=0.015），与 Ferré 等人西班牙语 13 情绪评分的 ρ=+0.509（p=0.0003）。结果表明主题一致性与情感离散度是表情符号意义的两个独立维度。下游讽刺分类任务中三个基线 macro F1 均超过 0.97，显示该数据集存在饱和的表情符号标签线索。
研究者推出 DAR-MGSM 基准，这是首个用于评估方言阿拉伯语数学推理的人工整理测试集，包含多步推理数学应用题，覆盖五大阿拉伯方言及现代标准阿拉伯语，并提供纯翻译与本地化两个平行版本。对 11 个阿拉伯语专用及多语言大语言模型的评测显示，本地化版本上性能普遍下降，且各模型敏感度不同；机制可解释性分析表明，翻译与本地化版本常引发不同的内部推理轨迹。
一个开源 RAG 项目，用 LLM 分析 SEC 10-K 文件并回答财务问题。项目从 SEC EDGAR 下载原始 HTML 文件，采用递归分块（chunk_size 1024 tokens、overlap 128 tokens）、all-mpnet-base-v2 生成 768 维嵌入向量，存入 Supabase + pgvector，后端为 FastAPI 嵌入服务，前端用 Next.js，LLM 调用 Google Gemini，整体为学习性质的 Python + Next.js + Supabase 全栈项目。
一项 arXiv 研究提出将验证损失分解为近似、估计与记忆三项的方法，分析随机 token 替换这一输入破坏式增强的收益与代价。在熵率已知的受控数据源上，替换将预测向语料均值收缩；在其有效的场景中可减少最小验证损失后损失上升约 60%。在十个真实语料实验中，替换降低了九个语料的最终损失，仅对最冗余的普查类程序生成 JSON 语料有害。
arXiv 论文首次系统综述码混合（CM）文本与语音和母语之间的双向迁移研究，按迁移方向、路径和模态建立分类体系。综述发现迁移大多是母语流向 CM 设定，反向迁移较新且主要通过对齐助力；文本与语音研究方法相通但很少互相引用。在共享语音基准上，母语数据的帮助大于新架构。
一项消融研究将会议语音转为问答对的流水线中预处理（转写改写）与精炼（过滤）阶段分别开关，得到四个来自 40 场韩语医疗与金融 session 的语料。4 个 LLM 评审与 6 位人类专家一致认为完全精炼语料质量最高（1-5 分制领先 +0.18/+0.22），但下游检索准确率排序不成立：开启转写改写使检索准确率下降 0.061，且几乎使单 session 成本翻倍。该语料本身仍很有价值，将各模型检索准确率从 0.231 提升至 0.748，超过三分之一的问答对包含两个前沿模型各自无法独立生成的知识。
PhonoBridge 提出两阶段框架，将 EMG 信号经通道感知前端转为音素，再用 LLM 重建文本，并通过 EPGA 数据增强适配前端噪声。利用 LibriSpeech 转录生成音素-文本对扩充训练数据，无需额外 EMG 录制。在 Open Vocabulary 无声语音数据集上，PhonoBridge 达到 24.77% WER，优于此前同测试集最佳的 28.27%。
研究者提出一套基于 LLM 的编码本自动生成与评估协议 C-DQI，从话语质量指数（DQI）出发，比较自上而下（理论驱动）、自下而上（数据驱动）和混合三种生成方式。他们设计了经人工标注验证的外部代理指标和利用模型间偏差的模型间一致性（IMA）指标。在 100 份以色列议会 transcripts 上的实验显示，数据驱动的归纳式编码本 IMA 更高且保持有效性，可用于大规模政治话语分析。
研究者提出毫米波雷达 3D 人体姿态估计框架 I2R-Pose，包含运动感知姿态初始化和观测引导精修两阶段，支持 TD/TR 图与雷达点云的单独或融合输入。作者还构建了含同步 TD/TR 图、点云与 3D 关节真值的 RaMoS-Pose 数据集。在 MVDoppler-Pose 和 RaMoS-Pose 上，融合输入使 MPJPE 分别较现有最优方法降低 39.50% 和 15.13%。
SAPD（Step-Advantage Policy Distillation）是一种从离线轨迹学习训练 LLM 智能体的方法，它将多轮轨迹拆解为单个决策上下文做 on-policy 蒸馏，并引入相对步骤优势信号稳定训练，全程无需新的环境观测或多轮交互。在 ALFWorld、WebShop 和 Search-based QA 上的实验显示，SAPD 在不同教师配置下均提升性能，比 SFT 缓解灾难性遗忘，每个训练步速度比在线 OPD 快至少 4.7×。代码即将开源。
一项 arXiv 研究跟踪一个 8.4B 参数模型在日文金融文档上历经三个训练阶段的表现，在五个文本输入基准上评估后发现各阶段相互影响呈非加性：纯数学蒸馏会覆盖先前获得的金融知识，领域阶段修复多于新增内容。跳过阶段的消融虽最利于领域知识，却损失数值推理增益，因此最佳 checkpoint 取决于任务本身。
研究者推出 MMEnterprise-Bench，包含 1,613 道基于模拟协作项目中演化多模态记录的问题，覆盖证据推理、冲突消解和不可回答三类任务。对 10 个闭源与开源多模态 LLM 的评测显示，最强模型在证据存在跨来源或时间冲突、或跨越多张图像时仍表现吃力。增大检索预算或换用更大检索器能提升证据召回，但不一定转化为更高的回答准确率。
Kiln 发布免费的桌面应用与 MIT 协议开源 Python 库，覆盖 evals、提示词优化、RAG、微调、合成数据和 AI 智能体等完整 AI 开发流程。微调支持 60+ 模型（Qwen、Llama、GPT、Gemini 等），测试模型库覆盖 190+ 模型；应用可本地运行，支持自带 API key 或通过 Ollama 完全离线使用。
开发者 Himannsshu 在 GitHub 发布 RAG-SYSTEM 仓库，收录多种检索增强生成（RAG）系统实现，用于探索和对比文档检索与问答的不同方案。仓库涵盖不同的检索策略、Embedding 模型、向量数据库、LLM、文档处理与分块技术，以及 RAG 架构、pipeline 和评估实验方法。
HIPREL-Group 开源可验证代码生成 benchmark VeriContest，基于 Rust 与 Verus，当前包含 1,006 道题目（722 道 LeetCode、284 道 Codeforces），每题配有形式化规范、judge 通过的 Rust 代码及 Verus 验证过的证明。数据集完整发布在 Hugging Face（Gax-c/VeriContest），另有固定 300 题的 VeriContest Lite 子集；仓库现已开放 Model 与 Agent 两个赛道的提交，以 pull request 形式进行，支持 SpecGen、CodeGen、ProofGen 和 End2End 四种评测。论文配套版本（arXiv:2605.08553）的主要评测使用 946 题范围。
Ai2 发布 FairStress 基准，用 300 个真实两难决策场景、扩展后超 1300 万测试用例，测量大语言模型在不同人口身份下的决策稳定性和解释差异。实验发现存在反刻板印象的过纠，模型在对抗性前缀下更容易放弃有利于多数群体的正确决策，匹配前缀下向少数群体切换的概率高出 8.8 到 42.4 个百分点；对 BBQ 的对比显示评测提问和打分方式会改变测得的偏见方向。
推荐理由：不止测最终选择，还用对抗性前缀测决策稳定性，揭示了用固定选项打分的旧基准可能漏掉的反向过纠现象。
GitHub 上的 udg-catalogue 项目用 DeepSeek V4-Flash 自动筛选 arXiv 天体物理论文并提取超弥漫星系（UDG）测量值，发布包含 1,927 个天体的交叉匹配目录，可通过 Plotly 3D 地图和 Streamlit 仪表板浏览。557 篇论文被筛选，90 个（4.7%）天体具备全部六个参数，五次完整运行的 API 总成本为 US$4.32。项目明确标注为原型，数值未经人工核对，使用前需对照 source_papers 中的原始论文并引用原论文。
论文提出 COUNT（Counting Offline Unlocks N-gram Transformers），将预计算的 n-gram 计数存于主机内存，无需新增可学习参数即可构建 n-gram 嵌入。在固定算力预算下，为 1B 参数 LM 添加 COUNT 预训练，验证损失提升相当于多花 57% 算力；还可在推理时换用领域语料的 n-gram 计数表，免训练适配新任务。
新仓库 TUTUisAbigCAT/dataset-generation 基于固定版本 WaveStitch，适配 WatchSleepNet 的 DREAMT IBI 数据接口，用 DDPM 扩散模型生成 IBI 信号。输入窗口默认 window_epochs=4（25 Hz、120 秒、3000 点），含 9 个条件通道，依赖 Python 3.12 与 PyTorch 2.2.2 + CUDA 12.1。验证指标为对角高斯 KL（协议 ibi_epoch_diagonal_gaussian_kl_v3），默认 200 步采样、最多 50 个 epoch、batch size 8，并支持基于平滑 KL 的早停。
一项 arXiv 研究提出结合现成 ASR 输出与少量人工标注样本，依据 Prediction Powered Inference 和 Design-based Supervised Learning 框架对 ASR 系统性错误做事后校正。在巴尔的摩和芝加哥警方无线电通讯数据上，可获统计有效置信区间的领域关键词比例从仅用 ASR 的 43.0%、仅用人工标注的 27.2% 提升至 56.2%。
HoloCosm 是一种多指标基准压缩方法，通过联合最小化归一化分数重建误差并约束排序失真，解决单指标方法跨指标失效的问题。在 15 个语言、多模态、VLA 和智能体基准配置、85 个组件指标上，80% 压缩率下其平均 NMAE 较最强基线 Random 降低 35.3% 至 0.236，平均 Spearman 相关性升至 0.915。代码与实验结果即将开源。
Monsoon 是一个大规模收集自发语音数据的框架，用于解决低资源语言 ASR 缺少准确转写数据的问题，已收集 50 种语言的语音，并分析了七个共 3,500 小时的语料库。同等数据量下，其质量流程使语义 WER 相对降低 10-39%；Whisper 在 Monsoon 数据上微调后，在对话基准上语义 WER 降低 20-44 点。框架、质控模型和微调模型均已开源。
论文在 Gaussian 替代模型下精确计算候选评分决策模型（如 Jev 与开源的 JevAny）的有限样本风险，分析教师软目标、冻结预训练骨干和温度校准三种训练要素。学生模型会继承教师偏差，更多数据无法消除；固定表示只在明确样本量阈值以下降低风险；温度校准仅在教师系数方向正确时消除全部超额风险。在 CFPB 的 231,521 条信用卡投诉数据上，用结果训练的学生比教师决策成本低 8%，30B 模型 zero-shot 经重校准后仍逊于教师，且偏离 Luce 公理性条件 17.5 decibans。
研究者提出 ASTOR，一种推理时框架，先将自然语言决策问题映射为文法引导的抽象语法树（AST），再确定性地编译为可执行的优化代码，用于处理含硬约束与软约束的优化建模。同时发布聚焦软约束的自然语言基准 SoftOR，ASTOR 在该基准上取得同类单请求与多智能体 LLM 方法中最优的综合准确率，且在仅含硬约束的标准自动形式化基准上保持竞争力。代码与数据已开源。
研究者推出 AfriBED，一个用于检测 ASR 系统性别与说话人类型偏见的评测数据集，覆盖 Bemba 和 Nyanja 两种低资源非洲语言。其中 Bemba 部分含 3928 条语音、约 9 小时、80 名说话人；Nyanja 部分含 6260 条语音、约 18 小时、127 名说话人。基线实验表明该数据集可有效检验目标语言中的属性偏见。
研究者提出 SpecMRL，通过按特征重要性组织的参数谱基扩展 Matryoshka 表示学习（MRL），使前缀读取在学习的谱空间中进行。在 MTEB 上，SpecMRL 在所有评估的降维尺寸上都优于 MRL，压缩越激进收益越大。仅用一半嵌入维度即可超过全维度的 MRL。
KEEP-Bench 是一个诊断性基准，通过 4,102 个案例直接评估上下文压缩的证据保留忠实度。实验显示，即使输入平均仅 3.1K token，最强开源模型（31B）保留全部所需证据的比例也只有 66.8%，最强闭源模型为 61.6%。论文还提出 EPR 指标，发现证据召回在 4B-8B 中等规模达到峰值，主张未来研究应在小计算预算下提升信息保留能力。
论文提出 WildAWM，一条用开源模型合成计算机使用智能体（CUA）可执行环境与任务的流水线，环境同时支持 GUI、MCP 服务和命令行三种交互接口。流水线产出 341 个长程环境任务对，部分需超过 100 步求解，GPT-6-Astra 仅解出 60%；仅在这些合成环境中训练的两个不同规模 Qwen 模型，在 8 个覆盖 web、claw 和 computer-use 的域外基准上均取得明显提升，代码已公开。
推荐理由：论文给出用开源模型合成计算机操作环境的完整流水线和质量门方法，训练效果覆盖 8 个域外基准，方法可迁移到环境合成类工作。