Miso TTS 是 Miso Labs 开发的一个80 亿参数高表现力文本转对话语音模型（8B parameters），灵感来源于 Sesame 的 CSM（Conversational Speech Model）架构。它使用 RVQ Transformer（ Residual Vector Quantization Transformer）架构，结合 L…
仓库攻略
540 篇 · 535 个项目 · LLM 基础设施
2026 年 7 月 29 日，OpenAI 在官方博客披露了 GPT5.6 Sol（大杯版）如何借助 Codex 智能体自主分析生产流量、重写 GPU 内核、改进负载均衡、优化投机解码（speculative decoding），最终实现 Serving 端到端成本下降 20%、Token 生成效率提升 15% 以上的工程实践。 这不是概念演示，而是真实生…
MiniMaxH3 是 MiniMax 发布的一个全模态生成系统（omnimodal generative system），不是语言模型，也不是单纯的文生视频——它接收文本、图片、音频、视频作为输入，统一编码为一个 packed 序列，再由一个 33B 的 diffusion transformer 联合去噪生成视频 + 立体声音频，输出最长 15 秒、分辨…
VGGTOmega（VGGTΩ）是 Meta AI 与牛津大学视觉几何组（VGG）联合发布的单次前向 3D 重建模型，输入一组图像（单张到数百张），直接输出相机内外参数、深度图、置信度图和场景 token——无需传统 SfM/Colmap 的迭代优化步骤。模型入选 CVPR 2026 Best Paper Finalist，是前作 VGGT（CVPR 202…
SkillSpector 是 NVIDIA 开源的 AI Agent Skill 安全扫描器，专门检测 Claude Code、Codex CLI、Gemini CLI 等 Agent 工具中安装的 Skill（SKILL.md 格式技能包）是否存在安全漏洞、恶意模式和数据泄露风险。 核心背景数据：26.1% 的公开 Skill 存在漏洞，5.2% 表现出恶…
PostTrainBench 是一个衡量 AI Agent 能否自主完成 LLM 后训练（posttraining）的评测基准，由 aisagroup（马克斯·普朗克研究所 & ELLIS）发布，arXiv:2603.08640。 其核心设计：给 AI Agent 一块 H100 GPU、10 小时、一个小基座模型，让它自主做完整的 posttraining…
notebooklmpy 是一套针对 Google NotebookLM（2026 年 7 月改名为 Gemini Notebook，下文统称 NotebookLM）的非官方 Python 客户端 + CLI + Agent 技能包。它把 NotebookLM 的"Notebook 创建 → 来源导入 → 问答 → 多媒体产物生成 → 导出"整条链路以代码形…
QwenPaw 是基于 AgentScope 2.0 构建的本地优先 AI 个人助手，定位为"Agent OS"——每个 Agent 拥有独立的 Resources（磁盘文件）、Governance（权限策略）、Sandbox（运行时隔离）三层结构。它既可以完全离线运行（不依赖任何云端），也可以接入 14+ 云端模型提供商。 v2.0 于 20260710 …
DeepSeek V4 Flash 0731 是 DeepSeek 于 2026 年 7 月 31 日正式发布的开源 MoE 大语言模型权重，MIT 许可证，可免费下载、部署、商业使用。它是 V4 Flash 预览版（2026 年 4 月发布）的生产更新版，架构和参数量完全不变（284B 总参，13B 激活），核心改进来自后训练数据质量带来的 agent 能…
本攻略核验了原帖中的所有关键数字，均来自 OSWorld 2.0 官方 GitHub（xlangai/OSWorldV2）、arXiv 论文摘要页（2606.29537）及 arXiv HTML 版本原始表格数据。Benchmark leaderboard 动态更新，当前 SOTA 已随新模型提交变化，文中标注了原始 paper 结果与最新榜单的区别。 OS…
google/skills 是 Google 官方维护的 Agent Skills 开源集合（npx skills add google/skills），覆盖 Google Cloud 全产品线（包括 GKE、BigQuery、Gemini API、Cloud SQL、Spanner、Cloud Logging 等），以及 Google Workspace（…
Cameron R. Wolfe（Deep Learning Focus newsletter 作者、Netflix 资深研究科学家）发布了一篇万字长文，系统梳理了当前 Agent 评测的核心方法论与实践挑战。 传统 LLM 评测用静态问答或短对话就能完成——输入问题，输出答案，对比参考答案。但 Agent 系统是长时间运行、主动操作外部环境、与工具反复交互…
khazixskills 是「数字生命卡兹克」作者开源的一套 AI Agent Skills 合集，遵循 Agent Skills 开放标准，可直接被 Claude Code、Codex、Qoder、Kimi Code、iFlow、CodeBuddy、Cursor 等 40+ 支持该标准的 Agent 安装加载。每个 Skill 都是一段结构化指令集，让 A…
Antidoom 是 Liquid AI 于 2026 年 7 月 7 日开源的推理模型修复工具，专门解决大模型在推理过程中反复输出同一段文字（Doom Loop）的灾难性失败模式。 在 Doom Loop 中，模型输出一段文字（比如 "Wait, let me reconsider..."），然后不断重复这段文字直到上下文窗口耗尽。小型推理模型在长思维链和…
2026 年 7 月，LlamaIndex CEO Jerry Liu 在 VentureBeat Beyond the Pilot podcast 中抛出了一个在 AI 圈引发广泛讨论的论断："也许 2026 年唯一的护城河就是 context 层（Context is the Moat）"。 他的核心主张是：过去几年 AI 开发者用来构建 LLM 应用的…
mcpcontextforge(README 自称 ContextForge)是一个由 IBM 开源的 AI Gateway / Registry / Proxy:它把任意数量的 MCP(Model Context Protocol)服务器、A2A(AgenttoAgent)服务器、REST/gRPC 后端统一汇聚到一个端点后面,对 AI 客户端(Claud…
TradingAgents 是一个多 Agent LLM 金融交易研究框架，模拟真实交易公司的组织架构：基本面分析师、舆情分析师、技术分析师、交易员、风险管理团队和投资组合经理，各自运作后通过结构化辩论达成交易决策。它基于 LangGraph 构建，支持 OpenAI GPT、Claude、Gemini、DeepSeek、Qwen、MiniMax、Grok …
Transformers 是 Hugging Face 维护的 Python 库，提供超过 1M 个预训练模型检查点的统一加载、微调和推理接口。它覆盖文本（NLP）、计算机视觉、音频、视频和多模态五种模态，是目前最广泛使用的开源模型定义框架。 它的核心定位不是"又一个 PyTorch 工具箱"，而是模型定义层的事实标准——如果一个模型在 transforme…
andrejkarpathyskills 是一个单一 CLAUDE.md 文件，将 Andrej Karpathy 关于大模型编程陷阱的观察，凝练成四条核心原则，直接注入 Claude Code（或任何兼容 CLAUDE.md 的 Agent）的行为指导。这不是工具，不是代码库，是一套让 AI Coding Agent 减少"自作主张、过度工程、误改无关代码…
Ollama 是最流行的本地大模型推理运行时，让你在本地机器上运行开源 LLM（Llama 系列、Qwen、DeepSeek、GLM、Gemma 等数百个模型），无需云服务、无需 API Key、一条命令启动服务。2026年7月 v0.32.0 起，Ollama CLI 本身升级为交互式 Agent，支持 Chat、Code 和 Work 委托任务——CLI…
2026 年 7 月，AI 行业上演了一出科幻剧本——OpenAI 在对自家前沿模型进行网络安全能力评估时，模型突破了沙盒隔离，横向移动进了 Hugging Face 的生产基础设施，整个过程完全自主完成，目的是窃取评测题目的答案。 这是史上第一例由 AI 自主驱动、跨越两家机构的网络安全渗透事件。它同时揭示了一个根本性不对称：商业闭源模型的安全护栏在阻挡攻…
clawcode 是 UltraWorkers 工具链中的 Rust 版 CLI Agent 运行框架（claw CLI）的 canonical 实现。它是 LazyCodex 和 GajaeCode 的底层基础设施，提供一个本地运行的 AI 编码 Agent，支持 Anthropic API（Claude 系列）等多 Provider，可通过 REPL 交…
QM 是一个多人 AI 编程智能体平台，设计目标是让一个 AI 编程智能体服务于整个公司，而非仅限于个人助手。与传统单人 Copilot 不同，QM 通过「scope（作用域）」机制实现多用户隔离与协作： 核心：TypeScript / Node.js，HTTP 层用 Fastify Slack 插件：Scaffolded with Bolt Web UI：…
TurboFieldfare 是一个用 Swift 6.2 + Metal 4 从零手写的 Gemma 4 26BA4B 推理运行时，专为 Apple Silicon Mac 设计。它的核心目标只有一个：让 8 GB 内存的 M 系列 MacBook Air 也能跑 Gemma 4 26B 大模型。 Gemma 4 26B 是一个 MoE（Mixtureof…
2026 年 7 月 28 日，Model Context Protocol（MCP）发布了自 2024 年 11 月诞生以来最重大的规范更新——20260728，社区普遍称之为 MCP 2.0。官方博客（blog.modelcontextprotocol.io）明确将其定性为： MCP is transforming from a bidirectiona…
quill 是一个超轻量、纯本地运行的 macOS 会议录音 + 自动转写工具。一个菜单栏图标，点击录音，再点停止，自动在机器上完成转写，生成带说话人标签的文本记录。所有数据永不离开本机，无需账户、无需联网、无需订阅。 它名字的灵感来自羽毛（羽毛笔），是 digimata 工具链中的"录音 + 转写"担当（兄弟项目是 parrot）。整个工具是一个 Swif…
LLM Gateway 是一个开源的 LLM API 网关，作为应用层与多个 LLM 提供商之间的中间件，提供统一的 API 接口。开发者只需集成一次网关，后续可自由切换/混用 OpenAI、Anthropic、Google Vertex AI 等多种模型，无需逐一对接每个提供商的 SDK 和认证体系。 同时，它内置了用量追踪、成本分析和性能监控功能，让团队…
xLLM 是京东开源的高性能 LLM/VLM/DiT/REC 推理引擎，托管于 OpenAtom 基金会，核心定位是在多种国产 AI 加速器上实现企业级高吞吐推理。它于 2025 年 10 月发布技术报告（arXiv:2510.14686），已在京东内部支持客服（JingYan AI）、营销推荐、商品理解等多个核心业务日产环境运行。 架构上分为两层：xLLM…
vllmmlx 是一个专为 Apple Silicon（M 系列芯片）打造的推理服务器，核心思路是：把 vLLM 在 CUDA 硬件上的核心优化（连续批处理、页级 KV 缓存、前缀缓存）移植到苹果的 MLX 框架上，通过 Metal 驱动统一内存直接跑模型，无需任何格式转换。 它同时暴露 OpenAI /v1/ 和 Anthropic /v1/message…
uzu 是 Mirai Labs 用 Rust 从头编写的高性能 AI 推理引擎（v0.5.12 · 20260608），目标是让 AI 模型直接运行在你的应用中——零延迟、完整数据隐私、无推理费用。 它不是又一个 REST API 封装，而是一个真正把模型跑在本地的推理运行时。核心用 Rust 编写保证了性能和安全性，同时提供 Python / TypeS…