新闻、仓库与研究，按时间排列。
GitHub 开源项目 SKYWATCH_UAP_SIGTHINGS 提供 UAP（不明空中现象）目击报告与 AI 分析平台，用户可本地克隆部署。项目集成 Meta Llama-3.2B 与 Microsoft Phi-3.5-MOE，通过 Qualcomm AI Hub 驱动聊天机器人与实时分析，并利用 NVIDIA cuGraph 与 GraphRAG 构建知识图谱、识别异常目击模式。前端采用 React、Next.js 等框架，支持 Web 与移动端提交报告。
新开源仓库 Style-Forge-Personalized-Fashion-Generation 提供了一套完整的 serverless 生成式 AI 平台，能整合 Google/Outlook 日历、OpenWeatherMap 天气与个人目标，生成个性化日程叙事和可视化方案。叙事生成使用 Amazon Bedrock 的 Claude 3 Sonnet/Haiku，图像生成使用 Nova Canvas/Stable Diffusion，并支持 OpenAI GPT-4、DALL-E 3 作为备选。整个系统基于 AWS Lambda、API Gateway、EventBridge 和 S3 构建，可通过 AWS SAM 一键部署。
shank15217 在 GitHub 发布 minicpm-webapp，一个用本地 llama.cpp 运行 MiniCPM-V-4.7-1B 多模态模型的 FastAPI 应用，可描述分类图像并通过与基线截图比对检测网页篡改。判定由确定性的 dHash64+MAE 像素比对拥有，VLM 只对被标记的波段做单图旁白；支持 detail（f16，640×480 约 832 token）和 fast（-4x 下采样，约 223 token）双视觉模式，附 U1–U6 测试计划和 W1–W11 已知弱点清单（如亚 1% 面积改动可过阈值、存在 SSRF 缺陷建议仅限局域网部署）。
推荐理由：用确定性像素比对拥有判定权、VLM 仅做旁白的架构做网站篡改检测，还公布了已知弱点清单和实测 token 数，部署细节可迁移。
irwanworld 在 Hugging Face 发布 Irwan-LightOnOCR-3-0.8B-abliterated，基于 lightonai/LightOnOCR-3-0.8B（Qwen3.5-VL 0.8B 架构的 OCR 微调模型），通过从 huihui-ai/Huihui-Qwen3.5-0.8B-abliterated 提取权重差值（alpha=1.0、bfloat16）做 abliteration transfer，去除面对显式内容时的拒绝倾向，同时保留 OCR 能力。用法与原模型一致，无 API 变更；CPU 推理仅约 0.3 token/秒，生产环境建议用 GPU，OCR 质量尚未正式评测。
研究者提出 Paired-Residual Subspace Removal（PRSR），一种免训练的推理时干预方法，从多语言平行句构建成对残差、逐层估计低秩子空间并加以抑制，将 LLM 表示导向更语言无关的语义空间。该方法在 MTEB 和 MMTEB 上覆盖 18 种语言的 200 多项单语评测，以及英语与 200 多种语言间的跨语 bitext 挖掘中，均一致优于现有免训练基线。
开源项目 OmniYield 是一个多模态 AI 工业诊断应用，将缺陷零件图像、实时机器遥测数据（温度、振动、压力）和设备手册片段融合为单一诊断，输出根因、具体修复动作和置信度。后端为 FastAPI 服务，调用 gemini-2.0-flash 生成结构化诊断结果；前端为 React 仪表盘，可部署到 Google Cloud Run 和 Firebase Hosting。
研究团队推出 DrugHarness，一个面向计算药物发现的可进化智能体框架，集成超 80 种科学操作，并可通过条件化技能进化持续改进。在 MolBench 上，无进化状态下其亲和力比较准确率超过 MolClaw-CC 报告结果 10.8 个百分点；技能进化使 Qwen 的亲和力比较准确率从 62.2% 升至 81.1%。在 HPK1 前瞻性研究中，合成化合物的细胞 IC50 达 14.19 nM，较最佳输入参考提升 2.64 倍效力。
研究者推出 VocalGrad 基准，以时间变化方向的二元分类任务评估大型音频语言模型（LALM）感知低层声学变化的能力，避开高层推理与语义理解的干扰。结果显示，人类标注者准确率高，而最先进的 LALM 接近随机水平。线性探测分析发现两种失败模式：部分类别的相关信息保留在内部表征但未被语言模型头利用，另一些则随模型层数加深线性可解码性逐渐下降。
一项研究提出 NAME-Bench，从五个 VLM 为 COCO 图像生成的字幕中标注 25,497 个对象提及，将“非断言性提及”与真实幻觉区分开。现有幻觉检测器将 14%–80% 的非断言提及误判为幻觉；把这类提及作为负样本加入训练可在 LLaVA-1.5 上基本纠正，但在四个更新的 VLM 上需五到十倍数据且会漏检更多真实幻觉。研究认为幻觉评测应区分字幕“断言”与“仅仅提及”的对象。
研究者构建首个覆盖 Perceive、Solve、Reason 三级渐进能力的时间序列-LLM 训练评测套件，含 337K 训练和 44K 评测样本。实验表明专用编码器必不可少：4B 模型在所有感知属性上超越 GPT-4o，而将序列文本化会使推理准确率下降 8–10 个百分点。按序训练的 4B TS-LLM 在无目标域数据情况下，在 8 项域外指标中的 7 项超越四个近期 7B TS-LLM，最高领先 11 个百分点。
GitHub 开源仓库 dsh-tool-antigravity v0.4.1 发布，为 DeepSeek Harness（DSH）提供 Google OAuth 2.0 PKCE 私有认证、google-antigravity 多模型路由及 Nano Banana 2 会话内图像生成与多轮编辑。新版新增工具调用 ID 恢复、瞬时网络错误最多 3 次指数退避重试（1s/2s/4s）及 thought signature 加固，支持 Gemini 3.8/3.7/3.6 Flash、Gemini 3.1 Pro、Claude Sonnet 4.6、Claude Opus 4.6、GPT-OSS 120B，并内置 Web 设置面板与 5 小时/每周配额可视化。
HydraLLM 是一种基于 MQA 的弹性架构，通过激活注意力头数量动态调整嵌入、注意力投影、FFN 与输出头的有效宽度，并在单一参数集内形成嵌套子网络家族，配有静态转弹性转换流程（重要性驱动脉冲重排、随机子网络训练与知识蒸馏）。75% heads 激活时 TriviaQA 准确率比参数多 17.25% 的 SOTA 嵌套基线高 2.2 个百分点；50% 激活时多模态模型 CLIPScore 与大 7 倍的 Gemma 3 4B 相当；25% 激活时 token 生成吞吐量较全宽配置提升 75.3%。
GhanaOpenAI 发布 gloss-mt，基于 google/gemma-4-E4B-it（4B 参数）做 LoRA 微调，让模型通过 lookup_twi_translation 工具查询 478,822 条离线英→Twi 词典后再推理翻译。训练数据含 15,134 条带工具调用的样本，配套数据集、微调与评测脚本及部署运行时已开源，支持 transformers 与 vLLM，并提供 Hugging Face Spaces 在线演示。
扩散多模态大语言模型（dMLLM）依赖近似 KV 缓存加速解码，但会引发相邻位置重复同一 token 的「Repeat Curse」。研究者从信息流视角定位了步内注意力分散、跨步过期状态解码和深层熵不收敛三类扰动，提出免训练即插即用的 CoTA++，包含注意力重锚定、Decode-Aware Refresh 和熵引导投票三个组件。在三个 dMLLM 和两个缓存后端上，CoTA++ 将长回复重复率从最高 99.6% 降至至多 17.0%，在九个 benchmark 上挽回大部分精度损失，且缓存加速仅增加不到 15% 开销。
Orca 发布 27B 视觉语言推理模型 OrcaCyber Nano 1.0，主打防御安全场景，以 GGUF 格式开源，可在本地硬件离线运行，支持逆向工程、漏洞分析、安全代码审查、事件分诊与视觉输入。模型上下文长度 262,144 tokens，内置 MTP 投机解码并支持 DFlash2 draft 文件，主权重 15.70 GB，另有适配 16 GB 显卡的 12.99 GB 版本；基准成绩包括 MATH-500 98.60%、AIME 2025 96.23%、SWE-bench 78.4%，可直接在 llama.cpp 中加载。
arXiv 论文提出 CIIR，一种通过类索引地址空间连接异构数据集的模块化编码器-解码器框架，无需配对或实例匹配样本。模型用 128 维地址表示，从手写数字、服装图像、口语数字频谱图和手势中学习，label-free 接收器达到 94.7% 宏平均 Address Realization Accuracy；冻结地址空间后仅训练轻量适配器，MNIST>SVHN 和 SVHN>MNIST 端到端 Address Transfer Accuracy 分别为 90.2% 和 82.3%。
一项 arXiv 研究提出 UBE 编码，对三字节 UTF-8 码点改用低字节在前的 UTF-16 存储，提升字节级语言模型边界预测能力。在 FLORES-200 上 13 种婆罗米系文字 17 种语言的单符号前瞻测试中，码点边界的平衡字素边界误差从 UTF-8 的 8.76% 降至 0.06%；韩语和中文相对 UTF-8 平均误差分别降低 72.91% 和 35.29%，且训练仅需 25% 和 37.5% 即可超过 UTF-8 最终误差。
Intern-Decision 发布 0.8B、2B、4B 三款多模态决策模型，从文本和可选图像输出结构化选择与候选概率。4B 版本在七个评测套件上平均准确率 90.02%（对比 Jev v1.13.0 的 88.74%），单张 RTX 4090 上 289-token 请求平均延迟 44.16 ms。温度缩放将 Brier 从 0.628 降至 0.550，基于置信度的路由把 Jevbench-Hard 准确率从 73.87% 提升至 87.39%。
研究者提出 EVA-Cap 框架，将字幕分解为原子视听事件，把非结构化文本监督转为事件中心对齐，并在自建数据集 EVA-Data 上用 SFT 和 GRPO 训练。GRPO 阶段针对全局事件完整性、事件内归因和事件间同步三个目标优化。该模型在 ChronusAV 上平均提升 9.0%，WorldSense 上提升 3.3%，论文已被 NeurIPS 2026 接收并承诺开源代码。
研究者推出心理健康支持评估框架 MindEval2，包含与博士级心理学家合作开发的 MHQR 评分标准和患者模拟组件 MindSim，后者带有跨轮次记忆以建模纵向心理健康过程。该框架评估了 18 个闭源和开源权重模型，发现前沿模型在表层质量和边界问题上已大幅改进，但指导校准仍是所有模型的主要失败模式，占质量差距的大部分。
arXiv 论文 OmniVerifier-C1 提出一种分解式分级视觉验证器，可将复杂提示或环境规则自动分解为细粒度组件并给出逐点评分，替代传统 True/False 二元判断。训练采用 Decoupled RL 策略，联合优化子问题级二元判断与全局对齐评分，实验显示其在文生图场景显著优于二元验证器，并在 Maze、Sudoku 等结构化世界建模任务上验证有效。论文还从理论上证明有真值图像时成对验证比逐点验证更准确。
SCOPED（Skill-Decoupled On-Policy Expert Distillation）是一种面向视觉语言模型的训练方法，先分别训练能力专属专家并通过奖励引导反思提取显式技能，再进行在线蒸馏，让统一模型在推理时无需显式技能也能内化程序性知识。在八个多模态 benchmark 上，SCOPED 持续优于骨干模型和混合能力 RL。分析还发现联合优化存在能力间干扰，技能增强有助于专家轨迹更一致、更关注任务相关视觉证据。
研究者将四个 Gemini 4 Argon 智能体放入沙盒化的 Minecraft 生存世界，目标是击败末影龙，每个智能体通过开源库 Mineflayer 控制一名玩家，靠游戏内聊天和共享记忆协调，没有人类分配角色或编写游戏逻辑。团队从随机生成的 Easy 难度世界出发，编写了 2,783 个程序，死亡 605 次，用 27 小时 14 分钟击败了末影龙。作者称这是据其所知首次由 AI 智能体仅用标准 Mineflayer 库、无预探种子等人类专用工具完成的端到端自主通关，论文还描述了分工、知识共享、互相恢复物品等策略与结果局限。
推荐理由：论文给出了完整运行数据与协作策略描述，读者可以据此了解多智能体长时程自主任务的实际做法和局限。
研究者提出事件中心评测框架并实现为可训练音视频奖励模型 AVC-Reward，将判断聚合为粗到细的三级一致性指标，覆盖全局叙事、事件级时间同步和细粒度属性对齐。配套的 AVC-Benchmark 由多类音视频生成模型的正负样本构建。AVC-Reward 在与人类判断的对齐上达到自动方法中的 SOTA，作为在线强化学习信号可提升联合生成模型的音视频一致性。
研究者提出用互补表示设计时序语言模型，基于 Qwen3-VL-8B 结合折线图与归一化延迟嵌入两种视觉视角，经专用视觉编码器融合进同一语言模型。双视角模型在 TSRBench 上将整体准确率从单折线图的 44.5% 提升至 53.2%，远超最强专用 TSLM 基线的 36.7%，并在 TSExam 达 89.9%、多变量 ChatTS 对齐数值准确率达 86.8%。
研究者提出 ACEdit 训练方案，解决多轮图像编辑中分布偏移累积导致的质量退化问题。该方案将 Self-Forcing 原则引入图像编辑，让编辑器在训练时处理自身此前的输出，并通过知识蒸馏结合非对称条件控制——学生模型在自己的输出上顺序编辑，教师模型则锚定原始干净图像接收复合编辑指令。实验显示该方法在长序列多轮编辑中显著减少退化，同时保持编辑质量和指令遵循能力。
可灵AI凌晨正式上线视频模型 Kling 4.0，作者实测后认为其在大范围动态、复杂动作衔接和全能参考可控性上有扎实进步。新模型支持最长30秒一镜到底直出，首尾帧改为最多10帧多帧参考；1080P 30秒约450积分，720P 20秒的 Kling 4.0 Flash 仅120积分，作者推荐先用 Flash 打样再出片，10-bit 4K HDR 尚未上线。
研究者发布开源确定性时序描述流水线 TimeCap，无需语言模型参与即可直接基于信号生成可复现的标注，并以 OpenMHC（MyHeart Counts 可穿戴数据集）为输入生成 MHCap——覆盖 19 个 Apple HealthKit 通道、7,005,763 条描述、908,944 人日数据的最大开源多模态可穿戴时序描述集。在该语料上训练的 OpenTSLM 中，加入描述的 OpenTSLM-Cap 在 8 项任务、32 项按用户二分类评测中的 29 项优于仅标签基线。
arXiv 论文提出 ZoomCap，将细粒度图像描述建模为可恢复的视觉信息迁移，通过草稿路由知识检索、OCR 敏感读取与自适应视觉缩放补全证据，并配套 FactCycle 逐条评分描述中原子事实的真实性与可实现性。对比 Qwen3.5-397B-A17B 生成的描述，ZoomCap 以小 10 倍以上的 teacher 取得 81.9% 的人类偏好得分，每图迁移 52.4 条事实（ScaleCap 为 31.5）。持续预训练中，ZoomCap-450K 在 11 个 benchmark 平均提升 1.31-2.38 分，ZoomCap-450K 数据集已公开。
DocPilot 是一个智能体文档框架，通过页面级导航与细粒度证据定位编排证据检索，并整合局部视觉检查、代码化数值推理和跨模态推理，使小语言模型也能学会复杂的文档求解。其课程式智能体训练从单一能力学习渐进到自适应编排。在 MMLongBench-Doc、DocBench、FinRAGBench-V 和 MADQA 上，DocPilot 搭配前沿 VLM 取得显著提升，DocPilot-4B 对比大得多的模型也具备竞争力，代码已开源。
一项 arXiv 研究发现，Block Influence（BI）深度剪枝的排序依赖校准分布：在 Qwen2.5-1.5B-Instruct、Llama-3.2-1B 和 Gemma-2-2B 上，印地语、马拉地语和泰米尔语的后期 block BI 比英语高 20.7-55.5%，仅用英语校准会系统性漏选这些层。用等量的英语、印地语和马拉地语数据平均校准可缓解困惑度损害，但效果并非在所有架构和剪枝预算下通用，需逐一验证。
论文提出 FaShift，一种因子级分布偏移处理框架，通过诊断潜在表征因子的分布变化、干预效应和跨环境稳定性，选择性抑制、保留或衰减各因子的贡献，而非强制统一不变性。在 MOSI、MOSEI 和 CH-SIMS 三个数据集上，FaShift 取得最优 ID 准确率与 F1，OOD 上在 MOSI 提升 1.5/3.6 点、在 MOSEI 提升 1.7/2.7 点，并在 CH-SIMS 上取得最优 OOD 成绩。
研究者提出 TITAN 框架，通过因果干预、稀疏特征分解与定向偏好优化，定位并优化 decoder-only 多语言 LLM 中的翻译回路，仅更新不到 5% 的模型参数。该方法在印地语到乌尔都语和信德语（天城文）翻译上分别取得 33.75% 和 45.86% 的 BLEU 提升，人工评估也确认了充分性与流畅度的显著改善。分析显示多语言翻译通过共享语义子空间上的稀疏结构化回路实现，而非以英语为中心的枢轴表示。
arXiv 论文提出 Knowledge Transfer Probing（KTP）协议，检验图像生成训练能否为预训练模型带来新知识。在 7 个知识类别和 3 个统一多模态模型上，视觉监督可向语言迁移知识，但迁移不均衡；作者进一步提出 Textual Alignment 与 Interleaved Image–Text Alignment，无需 QA 监督即可提升知识访问能力，且图像中正确再现的知识往往更易通过文本访问。
研究者在 Qwen-Audio-3.1-ASR-Flash-Next 基础上加入专用 Jev 决策头，推出 Qwen-Audio-Jev，通过 CHOICE、NOUL、SCORE 三种决策原语统一音频选择、二值判断与评分。模型在 MMAU-mini 上达到 78.70% 准确率、MMSU 上 84.06%，VoxCeleb1-O 等错误率 6.50%，NISQA 归一化平均绝对误差 0.1062。相比原模型推理速度提升约 20 倍，适用于大规模音频筛选、说话人验证和自动质量评估等高吞吐场景。
开源工具 DugUp 发布 Alpha 版，可在 Windows 11 和 Linux（Ubuntu 测试）上本地按内容搜索文件，支持文字、OCR（含定位裁剪）、语义和图片外观匹配，快捷键 Win+Shift+F。技术栈为 SQLite FTS5 与 ONNX 模型，全部本地运行，采用 PolyForm Noncommercial 许可证，可查近重复照片并支持撤销。
NVIDIA 在 Hugging Face 开放 Nemotron-3.5-Embed-1B-BF16 嵌入模型权重，支持将文档页以图像、文本或图文混合形式嵌入，用于多模态多语言问答检索。文本检索评测覆盖 34 种语言，图像检索覆盖 18 种语言，支持含文字、表格、图表和信息图的页面图像，可用于语义搜索与 RAG 工作流，可商用。
botextractai 在 GitHub 发布 ai-multimodal-rag-with-videos 示例，构建针对已摄取视频集合的多模态 RAG 问答系统。项目使用 BridgeTower 嵌入模型、LanceDB 本地向量数据库和开源 LLaVA 模型，支持视频加字幕、OpenAI whisper 生成转录、LLaVA 生成画面描述三种预处理方式，并通过 LangChain 链式调用，可经 Python 代码或 Gradio 网页界面查询，需 OpenAI 与 Prediction Guard 的 API key。
GitHub 新仓库 munisp/idrecasemanagementNG 发布，这是一个自托管多租户案件管理平台，服务 CMS《无意外法案》联邦独立争议解决（IDRE），支持 50 个隔离的州级租户，无 Kimi 或供应商门户依赖。技术栈涵盖 Go、Rust、Python 与 Kubernetes、Keycloak、PostgreSQL、Temporal、TigerBeetle、Kafka、Flink、Spark 等，提供双盲密封报价库（AES-256-GCM 加密）、TigerBeetle 复式记账、6 年审计日志留存及语音 AI 集成。
SGLang 团队宣布对 Meta 开源多模态 MoE 模型 Muse Spark Open 提供 Day-0 推理支持。该模型共 816B 参数、约 42B 激活、支持 1M token 上下文，权重提供 NVFP4 和 BF16 两种格式。