新闻、仓库与研究，按时间排列。
GitHub 新仓库 mathsapp 上线 Grade Maths 平台，供 6–11 年级学生按年级注册、阅读 AI 生成的课程笔记、与 AI 导师对话并生成随机练习卷和测验。系统用 Gemini 2.5 Pro 将教材 PDF 按课切分并生成题目，题目须经管理员审核（Pending / Approved / Rejected）后才会呈现给学生，练习卷和测验只从已批准题库抽样。针对斯里兰卡旧版僧伽罗语字体 PDF，系统对乱码页改用 Tesseract OCR 识别，技术栈为 Next.js 14、Tailwind CSS、MongoDB + Prisma、NextAuth.js 和 Gemini API。
一位开发者发布了一款免费 Android 收据扫描应用，在手机本地运行微调后的 Qwen3.5 0.8B 视觉模型，将收据照片解析为包含商店、日期、总额和每个明细项的 JSON，无需上传收据。作者同时微调了 OvisOCR2（其本身也是 Qwen3.5 0.8B 的微调版本），iOS 版本尚待 Apple 审核数天。应用的模型将开源，用户也可选择连接自己的 OpenAI API 兼容服务器。
作者与 vLLM Semantic Router 团队发布开源多模态决策模型家族 Decision 3.0，基于 Qwen3.5 与 Qwen3.8-27B，权重采用 Apache-2.0 协议，支持文本、图像和视频输入。模型输出 choice、yes/no、score 三种决策类型并给出概率，不生成文本；官方评测显示 27B 以 64.7 text 和 71.6 vision 登顶 Jev Decision Index 两项榜单，9B 版本（d3-flash）超过上一代 27B Decision 2.0，视频为 zero-shot，27B 在 Perception Test 19,140 个验证题上得 77.4。
开源项目 MuseBot 将 Telegram、Discord、Slack、飞书、钉钉、企业微信、QQ、微信等聊天平台接入 LLM API，支持 Gemini、ChatGPT、Doubao、Qwen、DeepSeek、302.AI、OpenRouter、OrcaRouter 等模型。功能包括流式输出、图片识别、语音交互、把 MCP 协议转为 function call、Skills 加载、RAG、Cron 定时触发和 Metrics 监控，可通过本地运行或 Docker 部署。
一项研究用 GPT-4 和 GPT-5 评估大语言模型对不同性别群体心理健康污名的表征。研究 1 发现模型一致将男性描绘为社交距离意愿最高、刻板印象得分较高、求助态度最不利；研究 2 对比 Healthy Minds Study 的 76,406 人数据，发现模型低估 Personal Stigma 和 Perceived Stigma、高估 Self Stigma，性别序位模式仅部分与人类数据一致。
论文提出 OT-FlowRec，一种最优传输引导的多桥流匹配框架，用于多模态序列推荐，显式建模电商会话中并发的多中心用户兴趣分布。该方法构建并行的兴趣专属传输流，并通过几何传输机制和渐进式时间采样 warmup 策略连接连续分布拟合与 top-k 排序指标。在三个公开数据集上的实验表明其优于现有 SOTA 基线。
fumetodev 在 GitHub 开源 FumetoReaderPlus，一款 Android 漫画翻译阅读器，GPL-3.0 协议，免费无广告无账号。它检测语音气泡并用 PP-OCR 加针对漫画微调的 Hy-MT2 1.8B 模型（ONNX Runtime + llama.cpp）在设备本地完成识别与翻译，旗舰机约每页 6–16 秒，也可接 OpenRouter 或本地 OpenAI 兼容端点；译文由确定性排版引擎回填气泡内，支持连体气泡切分、编辑持久化、整卷批量翻译、翻译后 CBZ 导出，支持 CBZ/CBR/PDF/EPUB 及 Komga/Kavita 服务器，可通过 Obtainium 跟踪更新。
推荐理由：这是一个功能完整的开源漫画翻译阅读器，给出端侧 OCR 加专用翻译模型的具体方案和速度数据，方案可参考。
xohaohe（华哥）发布 27B 级 MLX 多模态混合精度量化模型 Qwen3.8-27B-TURBO-Fable5.5-Cold-Fusion-L-Uncensored-fp16-oQ4e-mtp，使用 oMLX 0.7.1 处理，开放下载。模型基于稠密 Qwen 架构，默认 4-bit affine（group size 64），保留视觉编码器与 1 层 MTP，上下文配置 262,144 tokens，4 个 Safetensors 分片共 17.94 GB。本量化版本测试成绩待补充，上游成绩不代表其实测表现。
开源的 MediVision AI 项目用 ResNet50 迁移学习对胸部 X 光进行 COVID-19、病毒性肺炎和正常三分类，测试准确率达 98.09%，ROC-AUC 为 0.9980。应用采用 FastAPI 异步后端和 React + TypeScript 前端，支持实时推理、Grad-CAM 可解释性热力图和可下载的临床 PDF 报告。模型在 Google Colab T4 GPU 上训练并微调，通过单例缓存实现亚秒级推理。
mustafa-ozen95 在 GitHub 发布 Nedese Studio，一个 Windows 本地 AI 媒体工作室，覆盖图像、视频、语音、音乐、3D 模型、单片短片生成、口型同步、模型训练与数据采集，全部在本机运行、不外发数据。
推荐理由：原文完整列出了各子系统的模型选型、12 GB 显存实测环境和部署细节，可作为在本地搭全套媒体生成流水线的可复用参考。
Microsoft 发布 AesCode 8B 与 32B 开放权重模型，以 HTML/CSS 生成信息丰富的幻灯片、海报和仪表盘等可视化产物。模型用同一提示词生成的图像作美学参考，同时按提示词保证内容，通过图结构监督和解耦跨模态奖励将语义要求与视觉线索分离；AesCode-32B 从 Qwen3-VL-32B-Instruct 出发，经冷启动 SFT 与七通道奖励的 GDPO 训练，在聚合基准上领先，权重和 GGUF 版本已上架 Hugging Face。
Adelaide University 团队发布 TerraVis，用 VLM 裁判检测生成图像中 18 类世界一致性违规，输出 (0, 1] 区间的一致性分数。该项目已被 NeurIPS 2026 Evaluations and Datasets Track 接收，并在 COCO-T2I 和 GenAI-Bench 上收集了 13,500 条人工标注，覆盖 GPT Image 1.5、Nano Banana Pro、FLUX.2 [dev]、Qwen-Image-2512、Stable Diffusion 3.5 Large 五个模型的 4,500 张图像。仓库还集成 13 种常见 T2I 指标，标注数据已上传 Hugging Face（约 7 GB），并提供在线评测器。
基于 OpenAI Image2.5 的俄语 Telegram 修图机器人 Образ 开源 MVP（photo-editortest-bot），支持换发型、服装、眼镜、背景及双图合成。每位用户同意后可获 1 次免费成功生成，积分采用原子扣减并支持重投；真实销售已关闭，ЮKassa 仅作为外部 test-only 计费模块接入，无密钥时不会用演示结果掩盖失败。
OpenMOSS 发布 MOSS-Image 系列的监督微调文生图模型 MOSS-Image-SFT，由 MOSS-Image-Base 微调而来，示例显示 SFT 版文本分组更清晰、白板排版更有序。模型支持自然语言提示词、标签序列和 JSON Layout 控制文字位置与物体排布，权重与推理代码以 Apache 2.0 许可开源，VAE 采用 FLUX.2 small decoder，并提供 ComfyUI 插件和 Prompt Enhancer skill。
推荐理由：官方给出了从 Base 到 SFT 的同图对比和完整推理配置，读者可以直接复现文本排版更整齐的文生图效果。
etke.cc 发布了面向 Matrix 的开源 AI 机器人 baibot，定位为 matrix-chatgpt-bot 更隐私、功能更全的替代品。它支持 Anthropic、Groq、LocalAI、OpenAI、Venice 等多种提供商并可混搭模型，覆盖文本生成、语音转文字、文字转语音和图像生成用途，OpenAI 提供商还支持 web search、code interpreter 内置工具。此外支持 Matrix 加密、跨提供商的上下文管理（自动裁剪超窗旧消息）及通过聊天命令在运行时修改配置。
Reddit 用户反馈 Character.AI 的 Pipsqueak3 模型无法正确说西班牙语，常出现动词变位错误，如把“Hemos hablado antes”说成“Hemos hablar antes”。用户表示虽然内容大致能理解，但此前的模型没有出现这种问题。
Svyable 在 GitHub 开源 realtime 引擎，用一张 16:9 关键帧和 scene.yaml 生成一小时无缝循环视频，配原创钢琴曲与房间环境声，是 Vintage Era Radio 使用的引擎。音乐 mood、钢琴距离、画面 motion 与特效均通过注册表配置，可自定义音阶、混音参数和逐帧特效；构建按 compose、piano、ambience、mix、master 等阶段缓存，所有运动周期对齐循环首尾帧避免接缝。仓库内置 CC0/公有领域自然声床（18 个）与 yule-love 等 6 个场景包，需自备 ffmpeg、fluidsynth、7z，MIT 许可。
GitHub 仓库 ivangalkindeveloper/DoglyadAI 开源了 Doglyad，一款帮助超声医生减少重复文书工作的 AI 助手，可结合超声图像、病史与检查记录生成结构化报告草稿。项目支持 28 种超声检查类型，使用 Google MedGemma 4B 与 MedGemma 1.5 4B 模型配合 vLLM 做服务端多模态生成，语音录入采用端侧 WhisperKit Turbo，支持英语和俄语。该项目定位为文档辅助工具而非医疗器械，所有报告须经专业医务人员审核批准。
CatchiMediaStudio2.O 是一个面向 Cloudflare Workers Free 和 Workers AI 的私有浏览器端创作工作台，支持文本、图像与语音生成。文本用 @cf/meta/llama-3.1-8b-instruct-fp8，图像用 flux-1-schnell，配音用 melotts，转录用 whisper（音频上限 512 KiB）；视频合成未启用，仅支持浏览器端 Canvas + MediaRecorder 拼装 WebM。应用侧限额为每天 3,000 估算 neurons 和 50 个文本任务，配额耗尽明确报错，不启用付费回退。
SargeDev 在 Hugging Face 发布 JEV-27B-VL-Uncensored-NVFP4，将 AutoTrust 的 System-1 决策模块合并进 huihui-ai 的 Huihui-Qwen3.8-27B-abliterated 底座（layers 18-51 ablated，视觉塔不动），再做 NVFP4 量化（文本塔 W4A4 + FP8 down_proj，视觉塔保留 bf16）。在 27,695 行测试集上，noul AUROC 从 0.9961 降至 0.992，choice 与 score top-1 分别下降 3.4 和 7.6 个百分点，未达原厂门槛；温度重校准后 ECE 全部达标，10 条提示词测试拒绝率为 0.0。
推荐理由：原文给出换用 abliterated 底座前后在 27,695 行测试集上的指标对照，能看清去对齐替换底座对决策能力与校准的实际代价。
研究者提出 Marvo，一种无需标注数据的视觉智能体自我进化方法：由 challenger 从无标注图像生成问答对，solver 通过强化学习在解题中学习工具调用。challenger 引入边际奖励，即 solver 有无工具时的性能差，形成自适应课程，在智能体推理、视觉搜索、数学等基准上平均准确率最高提升 7.1%。
GitHub 新仓库 2vic1/xcommenter 是一款 AI 驱动的 X (Twitter) 助手，可建议相关英文评论、生成病毒式传播的帖子并提供波斯语翻译，还支持联网调研与图像生成。项目基于 Next.js 16 构建，已在 GitHub 开源。
研究者基于 Qwen3.5 骨干的 9B 参数决策模型 Clef-Flash，用 QLoRA 微调在 Symptom2Disease 基准的 24 类疾病分类上达到 95.42% 准确率、macro F1 0.9551，超过 ClinicalBERT 的 90.90%。单次前向推理每条记录耗时不足 80 毫秒，报告称较生成式 LLM 基线提速 31 倍。其提出的 Leave-One-Symptom-Out 反事实扰动框架可揭示症状级证据。
研究者提出统一融合网络 HiPAD，参加 MPDD-AVG 2026 抑郁检测挑战赛全部六个子赛道，覆盖步态、视听等模态。约 150 tokens 的人格描述所含抑郁信号超过音频、视频与步态总和，步态加人格配置 TLS 达 0.647；四级消融（L0-L3）显示移除全部人格特征会使 Track-Level Score 降至 0.499-0.507 的随机水平。用 LoRA（7B）/QLoRA（72B）在 PHQ-8/9 数据上做领域适配将二分类 Cohen's κ 提升 0.13 但损害 PHQ-9 回归，系统跨赛道 G-Score 为 0.482。
Datalab 在 Hugging Face 开源 Indra OCR，主识别器约 1M 参数、模型仅约 18 MB，CPU 上吞吐 49 页/秒，单页延迟约 230 ms，比 Tesseract 和 PaddleOCR 快 11-17 倍。OmniParseBench headline 62.1 分，开启 --math 后升至 66.8，超过 PaddleOCR PP-StructureV3 的 58.4。支持输出 markdown、纯文本和带边界框的 JSON，代码 Apache 2.0，权重用修改版 OpenRAIL-M 许可，2000 万美元以下融资/营收的初创可免费商用；官方也列明复杂表格、手写和退化扫描等局限。
推荐理由：官方给出了与 Tesseract 和 PaddleOCR 同机同页的延迟、吞吐和 OmniParseBench 对比，还写明了复杂表格、手写等不适场景。
arXiv 论文提出 VC-OPD，一种接地感知的在线蒸馏方法，通过对比原始图像与破坏实例级证据的反事实图像下教师模型的分布差异，估计 token 级视觉依赖并重加权损失，优先蒸馏依赖图像证据的推理 token，并采用保质量归一化稳定更新。在多模态推理 benchmark 上的实验显示其提升了视觉推理性能与 token 级蒸馏效果。
GitHub 仓库 argahv/sisyphus-academica 发布，用 20+ 专业化智能体、6 个新颖性引擎和 10 个对抗性审稿角色生成 LaTeX 论文，并通过 5 道代码强制的质量门（引用验证、统计审计、AI 痕迹检测、风格审计、全票通过审稿）。引用需在 Semantic Scholar、CrossRef、OpenAlex 和 arXiv 中至少 2 个来源匹配才能通过，示例 SIREN 论文经 4 轮修订后审稿均分从 4.6/10 升到 8/10。Python CLI 可脱离 agent 平台独立运行，17 个技能也可通过 npx 安装到 Claude Code、Cursor 等 agent。
推荐理由：仓库给出了五道由代码强制执行的质量门和示例管线数据，想复用多智能体写论文流程的读者可以对照其门禁设计。
该研究在一份立陶宛组织心理学问卷（n=263、68 题）上测试 11 家厂商的 14 个决策模型和 47 个生成式 LLM，用心理测量相似度分数（PSS）评估其替代人类受访者的能力。最好的生成式模型 MiniMax M3 达 PSS 0.813，与仅用其他受访者拟合的 Gaussian copula（0.824）持平但低于样本内拟合（0.927）；47 个生成式模型中 33 个比任何决策模型更好地复现题目相关结构。基于人口档案的回归仅比其他受访者答案频率提升 1.0%，作者据此认为此类合成受访者应以样本级保真为目标。
该基准利用孟加拉语第三人称必须选择普通或敬语语体的特点，通过英译孟翻译测试 LLM 如何分配尊敬。评测集含 2,016 个句子、覆盖 72 种职业，给出 0–100 的 Honorific Bias Score（HBS），九个模型 HBS 在 19.9 到 70.1 之间。职业解释了 3.2%–51.5% 的语体选择方差，而性别最多仅 1.2%。
vLLM Semantic Router 发布 27B 多模态基础决策模型 d3（Decision 3.0），参数 26.09B（含 0.46B 视觉编码器），一次调用回答 Choice、Yes/No、Score 类问题并返回每个选项的概率，不生成文本。Jev Decision Index 0.3.2 达 66.3 居官方文本榜第一，比 Decision 2.0 的 55.9 高 10.4；文本请求中位延迟 54.4 ms，Apache-2.0 开源，可用 vLLM Semantic Router 部署。
CUSE 是一种面向多模态大语言模型的反事实引导在线自蒸馏遗忘框架，通过移除目标相关证据构造反事实输入，利用 token 概率变化定位需更强遗忘的 token，并以冻结的原始模型副本作为教师进行 token 级蒸馏，同时确定遗忘与保留目标。在 MLLMU-Bench 上，CUSE 将遗忘集 ROUGE-L 降低 33.6%，保留集 ROUGE-L 比最强基线高 1.2%。
一篇 arXiv 论文提出双向阿姆哈拉语-英语跨语言问答（CLQA）系统，整合统计机器翻译、最大熵命名实体识别与语义索引。阿姆哈拉语到英语检索达到 72% 精确率、79% 召回率，英语到阿姆哈拉语达到 65% 精确率、70% 召回率，表明模块化翻译-检索架构在低资源条件下也能提供有效的跨语言访问。
GitHub 仓库 Newvalo6483/MiniMax-H3-ComfyUI 发布，可将 MiniMax H3 33B Turbo Lora 模型接入 ComfyUI，在 Windows 本地生成 4-15 秒、768p 分辨率且自带立体声音频的视频，支持 T2V、I2V、R2V 三种工作流模板。硬件要求 NVIDIA GPU 至少 12GB VRAM、16GB 内存与 50GB 存储空间，并兼容 GGUF INT8 量化模型以降低显存占用。
中国传媒大学与快手 Kling 团队推出 EmoTrace-Bench，评测文生视频模型能否表达指定情绪及其强度。基准含 448 个提示词（8 种情绪 × 2 场景 × 14 模板 × 2 强度级别），用 12 个 T2V 系统生成 5,376 个视频，并按 10 个视听线索通道打分。Seedance-2.5 目标情绪准确率最高（87.0），仓库数据与文档以 CC BY 4.0 开源。
PVFH-Bench 基准用于系统评测视觉语言模型（LVLM）的"前提诱导视觉固着幻觉"（PVFH），即模型接受错误文本前提后，对并不存在但视觉上合理的对象生成回答。该基准自动构造视觉易混淆的缺失目标并配诊断子集，对 10 个 SOTA LVLM 的实验显示所有模型均高度易感，且显式链式推理（CoT）会进一步加剧该失败模式。
GitHub 开源项目 liwanghuan/video_agent 发布了 Video Agent，一个浏览器端工作区，可将转录文本和少量照片生成社交媒体短视频。创意生成使用支持 Google Search grounding 的 Gemini（默认 gemini-3.8-flash），配音调用 Qwen3-TTS 服务，视频生成用 Google Cloud Vertex AI 的 Veo 3.1 Fast，最后用 FFmpeg 合成 H.264/AAC 编码的 MP4。项目无需前端构建步骤，支持 npm start 本地运行，也可部署到 Cloud Run。
arXiv 论文提出 Forget-Aware Self-Distillation（FASD），针对多模态大模型遗忘评估只看停止输出导致的两类问题：抑制目标知识引发幻觉、拒答训练只是改变表面行为。FASD 分为行为与知识两条通道，前者从忽略提示的模型副本蒸馏拒答行为并掩蔽 target tokens，后者直接抑制 ground-truth 答案片段，实现"诚实无知"：模型真正遗忘目标知识且能识别自身知识边界，同时保留数据性能。代码和数据将在论文发表后发布。
xjr-git 在 GitHub 开源 mira-cafe，一个 72 小时实验题交付的场景化 AI 角色项目：暴雨夜咖啡馆里与旅拍摄影师 Mira 文字或按住麦克风对话，角色有 5 种表情、3 种动作，剧情推进时切换场景并动态生成拍立得照片。项目用 FastAPI 单服务加 SSE 事件流，语音链路为 Web Speech STT、qwen-plus LLM、CosyVoice2/EdgeTTS 组合方案，通过 round_id 前后端双重过滤实现打断安全，默认 Mock 模式无需 API Key 即可完整体验，完整模式需填入 DASHSCOPE_API_KEY，一条命令可在 http://127.0.0.1:8000/ 启动。
LongHisDoc 是首个面向长篇（整本）中文历史文档理解的基准，包含来自 101 份 PDF 的 1,012 条专家标注 QA 对，平均每份 85.1 页、42,776.4 tokens，覆盖 10 个类别和单页、跨页、多跳、不可回答四类问题。评测显示最强 LVLM 和 LLM 准确率仅 62.9% 和 69.9%，同时基准还评测了多模态检索器与端到端 RAG 性能，基准和评测代码已开源。
开源项目 aigc-cli 发布，提供终端原生的图像、视频、音频生成工具包，支持 OpenAI、OpenRouter、Anthropic、Ollama 及兼容中转，内置 MCP Server 含 30 个工具、4 个工作流提示词和 4 个只读资源，可配合 Claude Desktop、Cursor、Windsurf 使用。其 AIGC 取证功能支持 C2PA、TC260、SynthID 等多信号离线融合检测，无需 API key；Midjourney 流水线含 17 个子命令，无需 Discord。项目以 Go 单二进制文件提供，`go install` 一键安装，无运行时依赖，本地功能还包括 OCR、背景移除、深度图和 2x/4x 图像超分。