OctLLM（Octrees as an Explicit 3D Language）是 2026 年 10 月 5 日发布于 arXiv（2610.02388）的一篇多模态 LLM 论文，来自北京大学与独立研究者团队。它提出了用稀疏八叉树（SOctree）作为 3D 几何的显式序列语言，配合一种双流 token 路由 transformer，让同一个 LLM…
仓库攻略
22 篇 · 21 个项目 · 其它 · 多模态
d1 是 Liquid AI 于 2026 年 9 月 29 日发布的决策模型（Decision Model），2026 年 10 月 5 日追加视觉支持后正式对外。 核心设计思路与语言模型相反：不给文字答案，而是对同一个输入直接输出概率分布——每道题一次前向传播，零 Token 生成。 d1 的官方定位是替代那些「本不需要 LLM 做的事情」：分类、路由、…
这是一篇由独立开发者 Giles Thomas 撰写的实操复盘（2026年9月10日发布），记录了如何从 Sebastian Raschka 的书《Build a Large Language Model (from Scratch)》中的 GPT2 代码出发，添加 MoE（MixtureofExperts，稀疏专家混合）支持，并在单张 RTX 3090（2…
VeriHarness 是 Google Cloud AI Research（联合作者还有剑桥大学 Nigel Collier）于 2026 年 10 月 1 日在 arXiv（2610.00972）上发布的论文提出的多 rollout 验证框架。核心问题是：当 LLM Agent 完成了长程任务（写报告、做表格、写代码），没有参考答案、没有 grading…
这是一个生产级论文分类流水线，使用 Jev（TypeSafe AI 出品的 System One 模型）对 DAIRAI 维护的 ~2.3K 篇 AI 论文进行重新打标。总成本仅 $0.14，耗时约 83 秒。 核心思路：用便宜的 DeepSeek V4 Flash 先生成初稿标签，再用 Jev 做高质量核验与修正——这是 System One（快思考）+ …
AuK（发音接近 "auk"，一种海鸟）是腾讯混元（Tencent Hunyuan）于 2026 年 9 月 9 日 开源的多任务语音生成与编辑统一模型，arXiv 论文编号 2609.08936，MIT 许可证，代码与权重全部公开。 核心定位：一个模型、一套指令格式，覆盖 5 大类 20+ 任务，不再需要为每个子任务部署独立模型。 传统语音系统把 TTS、…
Miles 是 RadixArk 开源的企业级大模型 RL 后训练框架（v0.1 发布于 2026 年 8 月 18 日），定位与 OpenAI 的训练+推理协同思路类似，但完全开源。Miles 从 THUDM/slime 分叉而来，与 slime 保持共同演进。 核心架构：SGLang 负责高吞吐 rollout 生成 + NVIDIA MegatronL…
wllama 是 ngxson（XuanSon Nguyen）维护的 WebAssembly + WebGPU 绑定库，让 llama.cpp 可以在浏览器内直接运行大语言模型推理，2026 年 9 月 5 日他发布了 首个浏览器内微调（finetuning）PoC，证明在 WebGPU 上训练 LLM 是可行的。@maximelabonne（Liquid …
2026年9月1日，开发者 Simon Willison 在整理磁盘空间时（使用 OmniDiskSweeper 扫描 ~/.cache/）偶然发现：OpenAI 的桌面版 ChatGPT（由原 Codex 桌面应用 rebranding 而来）在用户本地静默捆绑了约 1.7GB 的完整运行时环境，位于： ~/.cache/codexruntimes/cod…
2026 年 8 月 20 日，OpenRouter 上悄然出现一个匿名模型 Ox Alpha：无所属、无模型卡、免费使用、1M token 上下文、支持图文视频输入。六天后，它成了 OpenRouter 有史以来最热门的模型，吞吐量是第二名的 2.3 倍。8 月 26 日，Bloomberg 证实其真身——GLM5.3Flash，来自智谱 AI（Zhipu…
SCoPE（SightlineCoordinate Positional Encoding）是腾讯 ARC Lab 与港大、港科大联合提出的视频生成相机控制方法，发表在 2026 年。其核心思想极为优雅：将每条相机视线（camera ray）作为 token 的第二类位置坐标，注入预训练视频 Diffusion Transformer（DiT）的注意力机制，…
Qwen3.827B 是阿里巴巴 Qwen 团队发布的 Apache 2.0 开源多模态大模型（27B 参数，视觉+推理能力，原生上下文 256K，可扩展至 1M），Hugging Face GGUF 量化版本约 17GB（Q4_K_M），适合在中高端笔记本或迷你主机本地运行。 该模型的 reasoning_effort 参数控制隐藏推理 token 的用量…
代表攻略
无需微调：VLM 调度层填平"编排差距"，真实机器人 16.7% → 97.3% · 干货攻略
Pigey（Physical Agency orchestrator）是一个闭环 VLM 调度层，驱动已有的冻结机器人技能（frozen skills），无需任何新数据或微调，即可在仿真和真实机器人上大幅提升推理密集型任务的成功率。 核心论文："Addressing the Orchestration Gap in Generalist Robots via…
SpyRL 是 RLSVR（Reinforcement Learning with SelfVerifiable Rewards）的具体实现，由 Duke 大学、Adobe、NUS、Penn State 等机构联合提出，已被 COLM 2026 接收。 核心思想一句话：把开放域任务变成一个「谁是卧底」游戏，让游戏的投票结果自动成为可验证的 RL 奖励信号——…
@omarsar0 在 2026 年 8 月初发帖指出："Token efficiency on these models are underestimated"——DeepSeek V4Flash 每 token 价格之低掩盖了一个关键事实：单任务总成本（pertask cost）并不等同于每 token 单价（pertoken price）。当模型为完成…
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…
本攻略核验了 Raschka 原帖中每款模型的核心参数，所有数字均来自对应官方来源（HuggingFace 模型卡、官方博客、技术报告）。原帖描述与官方文档一致处已核对；存在差异处以官方为准并作注。 Sebastian Raschka（@rasbt）于 2026 年 7 月底更新了他维护的 LLM Architecture Gallery，一口气收录了 6 …
LingBotWorld 2.0（又称 LingBotWorldInfinity）是蚂蚁集团具身智能团队 Robbyant 于 2026 年 7 月 9 日开源发布的交互式世界模型。它能根据用户输入的动作流（摄像头位姿 + 文本指令）逐帧生成视频，充当实时的可交互世界模拟器。 相比 1.0 版本分钟级稳定生成，2.0 实现了小时级连续输出，同时支持 720p…
ABotWorld0 是阿里巴巴 AMAP 计算机视觉实验室（Alibaba AMAP CV Lab）发布的一款动作条件视频世界模型，目标是让单个消费级桌面 GPU 也能实现实时、长时、闭环的交互式世界推演——换句话说，把一块 RTX 5090 变成一个可以无限探索的虚拟世界模拟器。 核心技术规格（全部来自 GitHub README 与 arXiv 摘要）…
Inkling 是 Thinking Machines Lab（由前 OpenAI CTO Mira Murati 创办）于 2026 年 7 月 15 日发布的首个从零训练的开源权重混合专家模型。官方定位明确：不是最强通用模型，而是最适合拿来定制（finetuning）的开源基础模型。 核心规格（官方 HuggingFace 模型卡）： | 指标 | 数值…
OpenVINO™（Open Visual Inference and Neural Network Optimization）是 Intel 开源的 AI 推理优化与部署工具包，核心目标是把训练好的深度学习模型快速部署到 Intel 硬件上，并获得接近硬件上限的推理性能。它并非训练框架，而是推理runtime + 模型优化工具链的组合。 其支持硬件覆盖 x…