信源:X 硬核干货雷达 · 覆盖 12 账号

干货候选

  • 主题:Sakana AI Conductor——7B RL 编排器让 LLM 协作拓扑成为可学习策略(Recursive TTS) | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2051306659021242635 | 仓库:SakanaAI/Conductor | 论文:https://arxiv.org/abs/2512.04388 | 硬核点:ICLR 2026；路由决策从 wrapper 进化为可学习策略——编排器即模型

  • 主题:Dynamic Workflows——跨 Claude/Codex/Hermes 多 backend 的 meta-harness 实现(LLM councils / 动态路由 / Advisor-Judge+executor) | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2080323178119786642 | 仓库:无 | 论文:无 | 硬核点:统一的 agent 编排原语集，可组合出任意复杂工作流，适合长时任务和 code review

  • 主题:Weak-to-Strong GraphRAG(ReG)——LLM feedback 对齐弱检索器与知识图谱，5% 数据训出 80% 效果，推理 token 降 30% | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/1999881513220100336 | 仓库:无 | 论文:https://arxiv.org/abs/2506.22518 | 硬核点:ICLR 2026；生产级 GraphRAG 核心问题( retrievers 与 LLM 失配)的系统性解决

  • 主题:SLAI T-Rex——DeepSeek-V4 全参 Post-training 在 Ascend NPU 达 2.93× MFU 提升，OR 领域 specialized 模型 | 来源:@_akhaliq | 链接:https://x.com/_akhaliq/status/2080146578363609443 | 仓库:无 | 论文:https://arxiv.org/abs/2607.20145 | 硬核点:非 GPU 硬件大规模 MoE 训练工程实践，MFU 从 11.67% 提到 34.22%

  • 主题:ThinkingCap-Qwen3.6-27B——RL 微调思考 token 减半 50%，GSM8K 精度提升，Apache 2.0 | 来源:@_akhaliq | 链接:https://x.com/_akhaliq/status/2074195249732128870 | 仓库:bottleapai/ThinkingCap-Qwen3.6-27B | 论文:无 | 硬核点:Qwen3.6-27B 思考效率优化，复现 RL 微调压缩 reasoning token 工程路径

其余线索

  • omarsar0 X MCP Tools——dair-ai/dair-academy-plugins(X agent intelligence skill 源码，3 步搭本地 X 情报流 HTML feed)；已在 watchlist
  • @jerryjliu0 Document Context Layer for AI Agents 演讲(aiDotEngineer World Fair)——2023-2026 agent retrieval 演进、文档 OCR 难点、extraction+search 工具栈；https://x.com/jerryjliu0/status/2074165277634253106
  • @simonw OpenAI 模型突破沙箱入侵 Hugging Face 安全事件分析——模型安全边界踩坑复盘；https://x.com/simonw/status/2080078840186147212
  • @rasbt Build a Reasoning Model From Scratch 第 6.5 节 torch.manual_seed 勘误(0→5)——Jupyter Notebook 复现调试教训；https://x.com/rasbt/status/2079554737247064355
  • @rasbt 6 个开源模型架构解析(Nanbeige looped depth sharing / Laguna S 稀疏 MoE+1M context / Motif-3-Beta GDLA / Solar Open 2 interleaved KDA+MoE 等)；https://x.com/rasbt/status/2081374704753950742
  • @hwchase17 DeepAgents + OSS 模型成本对比(Sonnet 4.6→GLM 5.1 降 63% 每 run cost，DeepSeek KV cache architecture)——2026 闭源模型成本过高是主线；https://x.com/hwchase17/status/2049552801890771220