新闻、仓库与研究，按时间排列。
GitHub 上的 dvf-text-to-sql-api 仓库实现面向法国 DVF 房产成交数据（Gironde，2021-2025）的 Text-to-SQL 引擎，输入法语问题，输出答案、澄清问题、"数据无法回答"或拒绝四种行为之一。引擎调用 Claude（默认 claude-opus-5-5）执行只读 SQL，配套 dvf-text-to-sql-eval 提供 143 道带标准答案的评测题，每次改动先过 eval-v1.1，基线打分后才推出 HTTP API；每条语句经 sqlglot guard、只读事务（30 s 超时）和 prepared statement 三层防护，也可通过 Ollama 接入 qwen3:14b 等本地模型。
mayoorrnikam 发布 llm-world 仓库，追踪 2022–2026 年 27 家实验室、83 个模型族的 274 次发布，其中 178 条（65%）经核实、每条数据溯源到实验室官方公告或文档，未披露数字一律标 null 不做估计。数据集以 CC BY 4.0 开放，提供 /api/claims.、CSV 与无依赖 MCP server，并配套交互时间线、静态生成页面、数据校验脚本和每周新鲜度检查。
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。
GitHub 上新发布的 Hybrid-Adaptive-RAG-Prototype 项目实现了一个混合自适应 RAG 原型，结合稠密检索、BM25 稀疏检索与混合检索来提升检索信息的相关性。项目以 Jupyter notebook 形式提供，包含检索评估指标和实验，可在 Google Colab 或 Jupyter 中运行，目前处于原型与实验阶段。
CERN 夏季学生项目 puppibuff 开源，用于设计、训练和采样 BDT-based flow matching 生成模型，对 PUPPI 粒子运动学进行超快模拟，并借助 conifer 将训练好的模型转成 HLS 代码写入 CMS L1 Trigger FPGA 固件。生成的片上生成器能以 360 MHz 生成 PUPPI jet kinematics，可用于压力测试 CMS Phase 2 Upgrade 的 L1 Scouting 系统。
这是一个基于 LLM 的阿尔茨海默病教育模拟工具，出自一项硕士研究，用于比较“对抗”与“验证”两种沟通策略。系统包含轻、中、重度三个阶段的合成人物（João、Maria、Ana），共 6 个场景 × 2 种策略 = 12 次模拟，每次模拟 5 轮、15 次请求，最终实验共发出 180 次请求。模型使用 openai/gpt-4.1，经 OpenRouter 接入，参数为 Temperature 0.2、Max tokens 160。
Tito-Gl1tch3r 在 GitHub 发布 AI-ku_superprogrammer v1.1.0，含 25,297 条样本（23,951 公开 + 1,346 hard_holdout）、109 个家族，MIT 许可。数据集按 00 理解代码到 05 目标持久化的编号课程组织，覆盖 15 种语言，采用 GENERAR→EJECUTAR→COMPROBAR→FILTRAR→CONSERVAR 流水线，每条样本经沙箱真实编译/执行验证，未通过项进入隔离区。v1.1.0 新增模块 07 构建系统、双向变异测试门控，以及逆向工程与 TS 视频端到端扩展。
GitHub 仓库 enhansome-gesture_generation 整理了音频/文本驱动的手势生成资源，输出为 3D 关键点手势，可用于虚拟角色、机器人和具身对话智能体动画。内容按 Survey、GENEA Challenge（2020-2025）、规则与数据驱动方法、数据集、评测指标、Toolkit 等分类，涵盖 Diffusion-based、DeepMotion、FineMotion、DiffuseStyleGesture+ 等多项 ICMI 论文与代码链接。
RegExtract 是一个面向 PFAS（全氟及多氟烷基物质）监管文件的结构化信息提取基准，含 488 个人工标注字段实例，覆盖 20 份美国州级文件和 46 项法规，每个实例含取值和溯源条目共 976 条，代码与数据已开源。实验表明文档识别类字段提取仍具挑战，而字段专属 few-shot 示例可提升效果，为危险物质识别与合规监控的 AI 工具奠定基础。
研究者提出神经符号论证推理系统 NARS，直接从在线讨论中检测说服力：神经部分用检索增强的迭代 LLM 推理提取双极论证结构，符号部分用渐进论证语义传播论证影响。基于 Webis-CMV-20 构建的 CMV2BAS 数据集已开源；NARS 最佳配置下 F1=0.57、AUC=0.56，超过零样本 Qwen3.6:27B 和 GPT-oss:20B。
该 arXiv 论文在基于共同底座与附加规则的类数独小离散世界中，训练单个深度循环模型研究规则泛化能力，按四种新颖度测试：新谜题、已知规则新组合、从未共现的规则配对、训练中未见的规则实例。规则以符号描述或两个已解示例提供。新组合上描述方式达 99%、示例 95%；对从未共现的规则实例，描述方式低于无信息基线，示例仍高于基线。该框架为评测深度循环推理模型提供了比 ARC-AGI 更系统的替代方案。
一项研究在统一实验条件下对比 PSPNet、DeepLabV3、UNet 和 UNet++ 四种分割模型在 1269 张牙科X光片上的表现。结果显示 UNet++ 最优，IoU 达 0.6719、DICE 达 0.7869，在图像尺寸 300x300、batch size 16 配置下分割效果最好。研究还分析了不同架构下图像分辨率与 batch size 对性能的影响。
childmindresearch 在 GitHub 发布 SynthData，一个配置驱动的流水线，用于表格数据填补、合成数据生成、评估和绘图，可运行在本地 CSV 或 Parquet 数据上。流水线包含 impute、generate、evaluate、plot 四个命令，填补支持 MissForest（默认）、median/mode、TabImpute、RefiDiff，生成支持 SynthCity 和 TabPFN 模型（可选 Optuna 超参搜索），评估涵盖效用、隐私（Anonymeter 攻击）与公平性，并输出 report.md 汇总报告。示例配置覆盖公开的 UCI Hepatitis 数据集（可在 CPU 上运行）；注意 TabPFN 权重仅限非商业用途。
GitHub 新开源仓库 audio-diffusion-synth 对比多种 diffusion 管线用于合成音频生成，作为在合成数据上进行知识蒸馏的 testbed。仓库包含 notebooks、results 等目录，代码已可在 GitHub 获取。
arXiv 论文（arXiv:2610.15033）基于两组各90天、共158,099条回答与468,037次引用的收集，研究生成式搜索引擎（ChatGPT、Gemini、Perplexity）引用网页的驱动因素。研究发现 ChatGPT 引用的每个页面都来自其自身检索，而其每次回答都会重写子查询、检索结果很少与 Google 或 Bing 一致，检索环节可解释32%的引用差异，远高于页面属性的2.8%；标题和段落语义匹配提问的页面被引用更多，FAQ 块、结构化数据、摘要框和页面速度只在跨网站比较时表现有效；模型自身知识也参与其中，会写入已知品牌、偏好已知网站，甚至在没有页面佐证时直接点名品牌，受控实验显示品牌名会重排事实完全相同的商品排名。结论在小 B2B 厂商市场复现，数据与代码已发布。
推荐理由：论文用两组各90天、逾46万条引用数据拆解生成式搜索引擎引用页面的机制，指出检索命中比页面属性更能解释引用差异。
arXiv 论文提出 InCLAD，将工业异常检测重构为持续学习基准，把每个工业组件视为一个任务，在半监督设定下依次学习新组件并保持对全部组件的性能。基准设置了随机、由易到难、由难到易等多种任务序列场景，并涵盖跨多数据集场景，从图像级异常检测和像素级异常定位两个维度评估模型的知识保持、适应与泛化能力。
研究者提出 UltraBERT，一种在分类与检索任务上均达 SOTA 的双向编码器，GLUE 达 91.0、BEIR 达 47.7。模型为批内低、高掩码率分别设置独立 LM head，并将蒸馏目标限制在低掩码率。研究还发现编码器在数万亿 token 后性能饱和，低掩码率利于分类、高掩码率利于检索。
GitHub 上的 jev-bakeoff 项目提供一个独立离线的 LLM 分类器评测框架，可在真实希腊按揭文档语料上投影各候选模型的每千次调用成本（$/1,000-calls），并附带确定性的 PII 脱敏流水线，默认工作流无需 API key。项目基于 Python 3.12 与 uv，集成 spaCy / Presidio / PyMuPDF，Jev（TypeSafe System-1）分类器适配器已就位但尚未接入评测，支持 Docker 运行同一测试套件。
一项预注册实验将 148 个三人团队随机分配到五种使用同一语言模型的时序方案中完成产品设计任务。结果表明，把同样的 15 分钟模型使用时间从搜索阶段移到筛选阶段，专家评定的创造力下降 0.62 个标准差；全程可用的团队中 11% 的筛选阶段查询用于生成新选项，晚接入团队则达 29%，提交方案多 73% 但质量未提升。
AlphaRLM 是一个强化学习框架，训练 LLM 直接从金融文献构建可执行的符号化因子，无需输入因子表达式。其引入 Literature-Guided Operator Assembly（LEGO）提供语义先验，并通过可执行有效性奖励和分组收益分离奖励与市场反馈对齐。在 CSI 300、CSI 1000 和 S&P 500 上的实验显示，其年化超额收益超越强因子挖掘与 LLM 基线，8B 模型也取得强跨市场表现。
研究者提出 CauCRL，解决离线示范中示教者隐藏信息导致的对比强化学习（CRL）失效问题。方法用混杂马尔可夫决策过程形式化该场景，引入反事实转移并最小化所有兼容转移得到最坏情形占用度量，据此训练 critic。该方法在混杂目标达成任务上大幅提升成功率。
arXiv 论文针对双层多源数据选择问题提出一种新的概率松弛方法，用多个可学习类别先验将分布约束在可行数据子集上，实现无损舍入。该方法的两点梯度估计器避免了 0-1 松弛的逆 Hessian 计算与以往概率松弛中的无界 score 项，并给出降低下层重训次数的可约简表示。论文据此设计了随机梯度算法 ReSGD，在弱次模性下给出近似保证，并通过实验验证了有效性。
arXiv 论文 WorkBorne 提出以 artifact transitions（工件转变）为核心 primitive 合成长时程终端 Agent 任务的框架，并构建了 1,061 个工件语料和 7,882 个任务环境，产出 15,485 条高质量轨迹，其中 53.6% 超过 30 个 assistant turns。
推荐理由：原文给出了任务合成的具体数据规模和 Terminal-Bench 2.1 的前后对比，读者可评估该方法对训练终端 Agent 的实际增益。
研究者提出 BioNEL-RAG，一种无需训练的生物医学实体链接（BioNEL）框架，用 RAG 模块检索候选实体、LLM 模块结合上下文完成实体规范化。该方法无需在基因、疾病或化合物等子领域数据集上微调，性能即可与现有依赖领域数据训练的方法相当，提升了跨领域适应性。
论文《Zero-Shot Detection of LLM-Generated Text using Token Cohesiveness》发布代码，提出 TOCSIN 双通道检测范式，利用 token 内聚性作为即插即用模块提升现有零样本检测器，只需少量随机 token 删除与语义差异测量即可在黑盒环境下检测 LLM 生成文本。实验在 4 个 SOTA 基础检测器及 GPT-4、Gemini、gpt-neox-20b 等模型和数据集上验证了有效性，代码基于 Fast-DetectGPT，经 EMNLP 2024 发表。
研究者构建了迄今最大的葡萄牙语—Nheengatu 平行语料库（14.5k 句对），以 2023 年巴西联邦宪法官方翻译为核心，并发布首个开源权重双向 MT 模型。最终系统在文章不相交的宪法文本上达 31.7–32.8 chrF++，近域集 64.1–64.5，语音 45.2–47.5；加入转写口语语料使语音 chrF++ 提升 24–27 分。更大的 NLLB 模型仅改善译入葡语、不改善译入 Nheengatu 的效果。
Vela 框架将 100,000 名用户的匿名真实行为数据转化为 91 类真实任务模板、共 100,000 个任务，经难度过滤后保留约 75,000 个任务及其训练轨迹。基于这些轨迹微调 Qwen3.6-35B-A3B，用户相关任务较基础模型最高提升 11.5 分，通用基准平均提升 4 分；微调后再做强化学习比直接从基础模型强化学习最高多 7.7 分。
GitHub 上新仓库 Production-Ready-RAG-System，提供生产级检索增强生成（RAG）系统。它组合文档摄取、智能分块、向量检索、语义检索与基于 LLM 的生成，可从私有知识库生成准确的上下文相关答案。目前仓库为刚创建状态，0 stars、0 forks。
tgarg01 在 GitHub 开源了 silybench 网站背后的数据集，收录在租用 GPU 上实测的 LLM 服务性能、按日期记录的 GPU 租金与 API 价格表，以及由此推导的自托管与 API 成本对比。每个实验文件夹保留实验配置、硬件指纹、当日报价和原始证据（vllm bench serve JSON、GPU 遥测 CSV、vLLM 日志、lm-eval 结果），价格表每 6 小时由 CI 自动刷新，数据以 CC BY 4.0 许可发布，可用 SQLite、CSV 或 JSON 直接查询。
OO-LD 发布 oold-llm-bench，一个衡量 LLM 在 schema 约束下抽取结构化数据质量的假设驱动基准。实验对比提示词、解码时约束、提交时约束等强制方式的组合，以 (entity, property, value) 三元组级 F1 打分，语料涵盖 schema.org、QUDT 和 Wiki-Measurements。代码采用 Apache-2.0，附浏览器 Playground 可逐步查看抽取结果与验证失败原因。
GitHub 项目 conceptuum 发布开发版 0.1.0-dev，以概念为节点、以属、目的、对立、原因等关系构建多语言概念图谱，提供 Euler 图、可执行概念代数和问答生成器。它基于 MariaDB 快照、Python 解析求值器和 Go Web 界面，可生成带计算答案的英文或俄文问答并导出训练 JSONL，网页每批最多 50 个示例，CLI 最多 2,000 个。
一项审计用 Bias-in-Bios 和 StereoSet 基准评估了六个多语言句子嵌入模型（LaBSE 与 E5 家族），并修正了 naive 显著性检验中的非独立性问题。结果显示 E5-Base 的知识蒸馏微调显著加大 Bias-in-Bios 偏差（Δ=-0.177，p<10⁻⁸），而二分类微调无统计学差异（p=0.218）。微调策略因此成为 HR 推荐系统设计的可操作杠杆。
这是 mbh2006 提交的 ATML PA2（LLM 后训练）课程作业完成版仓库，覆盖 DPO、PPO、GRPO 训练、安全评测（safety judge）以及 RLVR 与 RLAIF 对比评估五个任务。作者在 Tasks 1–3 中识别并修正了各含一处刻意设置的算法缺陷，例如 DPO logit 改为 policy_margin − ref_margin，并用 tests/test_objectives.py 的手算单元测试验证。参考环境固定为 Transformers 4.57.1、TRL 0.27.2、PEFT 0.17.1 和 Tokenizers 0.22.1。
GitHub 开源项目 paper-rag-copilot 是一个严格基于引用的 RAG 助手，针对一篇博士论文及一篇期刊论文 PDF，每个答案都溯源到具体章节、段落和页码。系统采用 qwen2.5:7b-instruct 生成、phi4 评审，检索 Hit@5 达 100%（MRR 0.952），论文语料严格引用精度从 84% 提升至 97%，答辩幻觉率 0%。项目还附带双层评测框架，含 golden sets、trap 分层及对 LLM 评审者自身的 known-answer 基准，并输出 95% Wilson 置信区间。
高效 LLM 代码生成系统性综述（投稿 ACM TOSEM）的复现包 v2.0 发布，系统分析 141 项主要研究，覆盖 RQ1 数据准备到 RQ6 技术组合共六个研究问题，文献截止 2026-08-31。分类体系含 24 个细粒度类别，其中推理优化研究最多（63 项）；对全部 141 项研究的 8 项报告合规审计显示，功能正确性覆盖 95%，但内存报告仅 21%。
GitHub 新开源项目 RCFM（Region-Aware Conditional Flow Matching）可从降导联 ECG、PPG、雷达心动图（RCG）等异构源信号生成诊断级 ECG 波形。方法包含 1-D U-Net 条件编码器、区域感知速度损失和可选 minibatch 最优传输耦合，支持 ppg2ecg、rcg2ecg、ecg2ecg 三类任务。数据采用 128 Hz 预处理 NumPy 窗口，论文发表于 IEEE IOTJ，公开版本仅限 RCFM-OT 配置。
GitHub 新仓库 design-preference-lab 是一个本地运行的独立研究应用：输入活动海报需求，生成两套结构化 SVG 排版，用户投票偏好后查看结构化检查结果，用于探究“可测的设计质量是否等于人类偏好”。项目要求 Python 3.11+，无运行时依赖和 API key，目前只有本地模板基线，尚无训练好的生成器、学习型评估器或云端部署，与 Canva 无关。它是生成器训练与学习型评估项目的第一部分，路线图包括 LoRA 适配、量化适配、多模态偏好模型和 reward-hacking 实验。
该仓库收录论文 "Adaptive Learning Strategies for Large Language Models in Dynamic Environments"（ICML 2025）的实现，让 LLM 在动态环境中实时调整参数和行为，且无需完整重训。框架包含自适应参数更新、动态记忆管理、环境检测和防灾难性遗忘的稳定机制。在四类动态环境评测中均超越基线，如主题切换从 72.3% 提升至 89.7%（+17.4%），时序变化场景提升 +19.1%，项目采用 Apache 2.0 许可证开源。
GitHub 仓库 eagernova66/llm-adaptive-learning 开源了 ICML 2025 论文《Adaptive Learning Strategies for Large Language Models in Dynamic Environments》的实现，让 LLM 在动态环境中实时调整行为且不发生灾难性遗忘。方法在多类动态环境上验证：相比 baseline，话题切换场景准确率从 72.3% 提升到 89.7%（+17.4%），时序变化场景从 69.8% 提升到 88.9%（+19.1%）。项目采用 Apache 2.0 许可证，包含自适应训练、动态环境评测与模拟脚本。
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。