跳到正文

技术方向

开源生态 最新动态

开放权重、能下载下来自己部署的模型,开源框架与 GitHub 上爆火的 AI 项目。

63 条精选近 30 天 58 条共收录 164 条

更新

精选归档 · 第 2 页

11月12日周四第 21–40 条
  1. AWS Machine Learning Blog67

    AWS 介绍使用反统一分析形式化策略的语义差异

    AWS 介绍使用开源反统一引擎对形式化策略进行语义差异分析,通过 e-graph 和声明的代数规则消除表达顺序等表面变化。教程以 Cedar、Dogwood、OpenShell 和 CEL 策略为例,演示如何定位被弱化的授权条件、遗漏的路径限制及阈值边界差异,并提供构建与运行命令。

    推荐理由:文章给出可运行的语义差异分析流程,并展示其如何从形式化策略中定位被弱化的条件和边界差异。

  2. AWS Machine Learning Blog72

    AWS 介绍生成式 AI 可复用资产目录及部署方法

    AWS 介绍其生成式 AI Innovation Center 发布的23项开源可复用资产,并讲解如何选取、部署和验证 Contact Center GenAI Agent。这些资产覆盖 RAG、文档处理和智能体脚手架等能力,完整部署流程可在1小时内完成,并可节省约4–6周开发时间。

    推荐理由:文章提供23项开源资产的选型、部署与清理步骤,并结合客户案例说明可复用组件如何缩短交付周期。

  3. AWS Machine Learning Blog71

    AWS Quick 如何用 AI-PDLC 智能体加速产品开发

    AWS Quick 通过六个人工审批型 AI 智能体,将产品开发的发现、决策、设计和原型四个阶段串联起来。团队可从 AI-PDLC GitHub 仓库获取智能体指令、参考架构、提示词模板和配置指南,并在 Deep Discovery 与 Fast Track 两种模式间选择。

    推荐理由:文章提供六智能体配置步骤与完整流程,可用于理解如何把企业数据、产品决策和人工审批串成可追溯的开发流程。

11月11日周三
  1. NVIDIA Blog67

    NVIDIA 提交 OpenShell 并扩展 DSX AI Factory Platform

    NVIDIA 将 OpenShell 贡献给 CNCF,并推出 NVIDIA DSX AI Factory Platform 的三个新组件。OpenShell 用于确定性地控制和治理自主智能体,Agent Substrate 则面向 Kubernetes 上长时间运行的智能体工作负载,NVIDIA 将确保其兼容 NVIDIA Dynamo 与 KAI Scheduler。

    推荐理由:OpenShell 的社区治理与 DSX 新组件共同覆盖智能体安全、集群管理和推理扩缩容,为 AI 基础设施整合提供了具体路径。

11月10日周二
  1. AIHOT84

    n8n Labs 发布开源个人智能体 Nod 研究预览版

    n8n Labs 发布开源个人智能体 Nod 研究预览版,可直接在 Mac 或 Windows 电脑本地运行。Nod 通过本地沙箱和浏览器连接 Gmail、Calendar、Drive、Slack 等应用及无集成的网站,执行前会请求用户确认,并允许选择 AI 提供商;其 LongMemEval 长期记忆得分为 93.2%。

    推荐理由:文章展示了本地个人智能体的操作、权限与成本控制设计,并提供公开仓库,便于评估其工作流适用边界。

  2. Google DeepMind81

    AlphaProof Code 深度形式化验证 Signal 密码协议代码

    Google DeepMind 使用 AlphaProof Code 引导 AI 智能体,对 Signal 密码协议实际运行代码的关键安全属性进行形式化证明。由 Gemini Carbon 驱动的智能体生成了超过 600 万行 Lean 证明,供专家复核的代码范围仅占 1%,整个验证过程耗时 4 周,相关形式化验证工件也已开源。

    推荐理由:文章详述多智能体形式化验证框架如何将密码协议安全目标转化为 Lean 证明,并给出人工复核比例与周期等验证细节。

  3. Google DeepMind74

    Google DeepMind 发布 SatWeave 与 PARDIG 天气数据集

    Google DeepMind 发布 SatWeave 和 PARDIG 两个基础数据集,并开放历史存档与实时数据流,供研究者和开发者构建天气、水文和气候应用。

    推荐理由:两个数据集开放了实时数据流与跨越十余年的历史存档,研究者可在洪水、干旱和太阳能预测等方向复用同一套全球观测基础。

  4. Hugging Face Blog70

    Hugging Face 决策模型接口与生态实践

    Hugging Face 介绍决策模型如何以状态、问题和预定义答案为输入,直接返回结构化决策及概率,而不生成响应文本。其基础接口包含 Choice、Score 和 Noul 三种决策原语,并提供置信度计算方式。

    推荐理由:文章系统梳理决策模型的接口与概率计算方式,并展示其在 Transformers、llama.cpp 和 Hub 中的接入方式。

11月9日周一
  1. Hugging Face Blog66

    NVIDIA 与 Elith 发布 Nemotron-Personas-Finance-Japan 日本金融合成数据集

    NVIDIA 与 Elith 发布开源数据集 Nemotron-Personas-Finance-Japan,用于构建和评估符合日本人口与金融环境的 AI。数据集包含 9M personas、每条记录 50 个字段和约 1.5B tokens,基于官方人口与劳动力统计,并加入家庭财务、金融素养等信息。

    推荐理由:该数据集把日本官方统计与金融场景结合,并明确规模、字段、构建流程和许可,为金融 AI 开发提供了可复用的数据基础。

  2. NVIDIA Blog73

    NVIDIA 在 CoRL 发布 GR00T 2、Isaac Lab 3.0 与机器人评测工具

    NVIDIA 在 CoRL 推出开放机器人技术,包括基于 Cosmos 的 GR00T 2、Isaac Lab 3.0、评测框架和智能体工作流。GR00T 2 在每项任务仅提供一次演示时取得 71% 平均成功率,提供五次时升至 95%;Isaac Lab 3.0 搭配 Newton 的训练吞吐量最高达到 Isaac Lab 2.3 搭配 PhysX 的 2.5x。

    推荐理由:原文集中呈现了仿真训练、策略评测与智能体编排如何衔接,为机器人从实验室训练走向工业部署提供可迁移的技术脉络。

  3. AIHOT77

    美团开源 LongCat-2.5 原生多模态模型

    美团开源 LongCat-2.5 原生多模态模型,总参数 1.6 万亿,每 token 激活约 480 亿参数。模型支持一百万上下文和 MIT 协议,可商用部署与二次训练,面向长程智能体、Visual Coding 及专业办公任务。

    推荐理由:模型以 1.6 万亿参数、原生多模态和一百万上下文面向长程智能体场景,并提供 MIT 协议支持商用部署与二次训练。

  4. Hugging Face Blog70

    HOPE 论文提出面向 MoE 语言模型的二阶专家剪枝方法

    HOPE 论文提出一种面向 MoE 语言模型的二阶专家剪枝方法,通过 F 矩阵保留专家之间的协作关系。实验覆盖 Qwen3.5-122B、Qwen3.5-35B 和 GLM-4.5-Air,在 50% 剪枝率下取得 1.58 的平均排名,并在 Qwen3.5-35B-A3B 的 SWE-Bench Pro 上达到 42.3。团队还开源了包含校准、求解二次规划和剪枝三步流程的代码包。

    推荐理由:HOPE 把专家两两协作纳入剪枝目标,并通过多模型基准与三步使用流程说明其在高剪枝率下的取舍。

  5. AIHOT77

    百度发布 ERNIE Evolve 自动研究系统并优化 ERNIE-5.5-Flash 推理效率

    百度发布 ERNIE Evolve 自动研究系统,通过持续提出研究方向、修改代码、执行实验和复核结果完成研发迭代。它在 NanoChat AutoResearch 和 NanoGPT Speedrun 两项公开任务上超过公开验证的最好结果,并已用于 ERNIE-5.5-Flash 的生产级推理优化。

    推荐理由:文章展示了自动研究系统在公开基准与生产推理优化中的闭环流程、数据结果和落地方式,便于理解递归自我迭代如何进入真实研发。

11月6日周五
  1. Hugging Face Blog66

    ToyBlocks:用于机器人学习与评测的受控仿真世界

    AllenAI 发布 ToyBlocks,一个围绕机械臂与桌面积木构建的开放机器人学习与评测框架,并公开仿真资产、任务与示范生成器、模型、训练代码、评测代码和验证集。

    推荐理由:ToyBlocks将自动任务与示范生成、模型训练和评测置于同一受控环境,并公开数据、代码与验证集,便于系统研究机器人学习中的泛化、规划和失败模式。

  2. AIHOT79

    百度发布并开源 ERNIE-5.5-Flash-Base 预训练 Base 模型

    百度发布并开源 ERNIE-5.5-Flash-Base,一款总参数 280B、每 token 激活 14B 的稀疏 MoE 预训练 Base 模型。模型在 33.5T tokens 上从零完成预训练,训练上下文逐步扩展至 128K tokens,微调与推理支持 1M tokens 上下文。

    推荐理由:开放未经中后训练的 Base 权重并披露架构、训练与评测细节,为二次预训练和基线对照提供了可复用参考。