信源:X 硬核干货雷达 · 覆盖 12 账号

干货候选

  • 主题:ThinkingCap-Qwen3.6-27B — 推理微调减半 thinking token，GSM8K 减 74.1% 且精度反升 | 来源:@_akhaliq | 链接:https://x.com/_akhaliq/status/2074195249732128870 | 仓库:bottleapai/ThinkingCap-Qwen3.6-27B | 论文:无 | 硬核点:细粒度 RL 微调 Qwen3.6-27B 压缩推理链，有 GGUF/SGLang/vLLM 多 backend 教程，拿来即用

  • 主题:Sakana AI Conductor 7B — RL 训练 LLM 调度员，GPQA-Diamond 87.5% / LiveCodeBench 83.9% SOTA | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2051306659021242635 | 仓库:SakanaAI/fugu | 论文:https://arxiv.org/abs/2512.04388 | 硬核点:不自己解题而调度多个 worker LLM，recursive topology 自调用解锁 test-time scaling，新协调范式值得写攻略

  • 主题:ReG — Weak-to-Strong GraphRAG 用 LLM feedback 对齐 retriever 与 LLM，QwQ-32B 配 ReG 推理 token 减 30% | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/1999881513220100336 | 仓库:无 | 论文:https://openreview.net/pdf?id=GtjELGHkPB | 硬核点:GraphRAG 生产落地踩坑复盘，短视最短路径检索 vs LLM 真实需求的 mismatch，实用

  • 主题:LlamaIndex Retrieval Harness — 持久化 agentic retrieval pipeline，semantic search / regex grep / read 工具集，plug 进任意 agent | 来源:@jerryjliu0 | 链接:https://x.com/jerryjliu0/status/2073407100642852871 | 仓库:run-llama/legacy | 论文:无 | 硬核点:法律/金融大知识库自主导航的工程实现参考，含 LlamaParse 协同，RAG 工程师直接可用

  • 主题:FlashAttention-4 — Blackwell 优化 FA4 编译更快，Claude/Codex 参与调试 2CTA fwd deadlock，有完整 debug 文档 | 来源:@tri_dao | 链接:https://x.com/tri_dao/status/2029569889858646344 | 仓库:Dao-AILab/flash-attention | 论文:https://tridao.me/blog/2026/flash4 | 硬核点:AI 辅助调试 kernel 的实践范本，FA4 Blackwell BWD 2CTA MMA 新设计，系统级干货

  • 主题:PDF 数据喂 LLM 最佳实践 — OCR 文本抽取 QA 精度明显优于 image representation，但 info retrieval 两者相当可混合 | 来源:@cwolferesearch | 链接:https://x.com/cwolferesearch/status/2026344301907583469 | 仓库:无 | 论文:无 | 硬核点:文档理解 pipeline 选型依据，IRPAPERS CVPR 2026 基准，不要无脑用 vision LLM 读 PDF 了

  • 主题:SWE-bench Feb 2026 非自报独立评测 — GPT-5.2 第 6，中国模型 MiniMax M2.5/GLM-5/Kimi K2.5/DeepSeek V3.2 进前十，GPT-5.3-Codex 缺席 | 来源:@simonw | 链接:https://simonwillison.net/2026/Feb/19/swe-bench | 仓库:无 | 论文:无 | 硬核点:第三方独立跑分 vs 官方自报，可信度高，选模型参考价值大

  • 主题:LocateAnything — NVIDIA CVPR 2026，138M 样本 VLM 检测模型，重思 bounding box prediction，sequential decoding 是实时机器人瓶颈 | 来源:@_akhaliq | 链接:https://x.com/NVIDIAAI/status/2060058563544801787 | 仓库:无 | 论文:无 | 硬核点:VLM agent/robot 实时定位场景的检测新思路，138M 训练规模有参考性

其余线索

  • @maximelabonne 继续发 model merging 帖但本周无新突破/新 repo，model merging 2026 仍是活跃方向
  • @hwchase17 提 2026 年 closed model 成本过高，LangChain 押注 OSS 模型 deep agents，合方向但缺实操细节
  • @jerryjliu0 LlamaIndex 团队在 CVPR 2026 展示 ParseBench（文档理解 VLM 基准），可留意后续 benchmark 公开
  • @svpino 长帖"2026 是 autonomous-general-purpose agent 年"、voice AI agent，但均为观点叙述，无实现细节
  • @rasbt 长帖"2026 春架构总结：AR transformer 主导 + Gemini Diffusion 替代"，方向性观察，缺具体数值/代码
  • @swyx vibe coding 晒 AI 设计 6000 人大会网站"99% 视频资产优化"，LCP/FID/Speed Index 38-56% 改善，属效能炫耀而非可复现教程