X 硬核干货雷达 · 覆盖 12 账号

信源:X 硬核干货雷达 · 覆盖 12 账号

干货候选

  • 主题:Sakana AI Conductor 模型——LLM 编排新范式,用 RL 协调多个 worker Agent 动态组网 | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2051306659021242635 | 仓库:无 | 论文:https://arxiv.org/abs/2508.XXXX (ICLR 2026) | 硬核点:递归自举拓扑+test-time scaling 新机制,突破单模型瓶颈,值得深入解读
  • 主题:MCP 2026-07-28 重大更新——协议改为 stateless,远程 MCP 服务部署与扩缩容门槛大幅降低 | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2082173006814568516 | 仓库:无 | 论文:无 | 硬核点:MCP 协议史上最大更新,直接影响 Agent 工具层架构选型
  • 主题:2026 春夏季 6 大开源 LLM 架构横评——GQA→MLA→linear attention 混合趋势明确,效率优化成主流 | 来源:@rasbt | 链接:https://x.com/rasbt/status/2026659971467706603 | 仓库:无 | 论文:无 | 硬核点:Raschka 亲手整理的架构演进路线图,实操参考价值高
  • 主题:Hugging Face 用开源权重 GLM 5.2 做安全防御,闭源方案反而失效——开源模型的灵活性优势 | 来源:@rasbt | 链接:https://x.com/rasbt/status/2079927409835712718 | 仓库:无 | 论文:无 | 硬核点:闭源模型 safeguard 过度保守反而妨碍防御,值得做防御架构对比
  • 主题:思考令牌削减 50%+——ThinkingCap-Qwen3.6-27B 后训练压缩法,最高削减 90% 令牌同时保持效果 | 来源:@_akhaliq | 链接:https://x.com/_akhaliq/status/2074195249732128870 | 仓库:bottleapai/ThinkingCap-Qwen3.6-27B | 论文:无 | 硬核点:后训练压缩思考令牌的前沿方法,对推理成本优化有直接价值
  • 主题:FlashAttention-4 发布——Blackwell GPU 上 attention 速度逼近 matmul,2CTA 前向实现 debug 全流程 | 来源:@tri_dao | 链接:https://x.com/tri_dao/status/2029569889858646344 | 仓库:Dao-AILab/flash-attention | 论文:无 | 硬核点:AI 辅助 debug 系统内核的实战案例 + FA4 性能突破细节
  • 主题:LlamaParse Retrieval Harness——语义搜索+server-side grep+文件级导航三合一,Agent 文档检索新基线 | 来源:@jerryjliu0 | 链接:https://x.com/jerryjliu0/status/2071729856900215261 | 仓库:llamaindex/llama-parse | 论文:无 | 硬核点:2026 版 RAG 架构升级方向,大规模文档检索实战方案
  • 主题:LoRA 适配器仍强——BTL-3 (rank-32 LoRA for Qwen3.6-27B) 编程 Agent 效果接近全量微调 | 来源:@rasbt | 链接:https://x.com/rasbt/status/2081374704753950742 | 仓库:无 | 论文:无 | 硬核点:小参数量高效微调范式在 2026 年仍具竞争力,值得做实操对比

其余线索

  • @jerryjliu0:文件系统成为 Agent 文档交互新抽象(mesa 等产品化方向),RAG 栈 2026 新形态,方向性参考 | https://x.com/jerryjliu0/status/2049661223420223492
  • @jerryjliu0:Context layer 是 2026 唯一护城河,UI 简化+Agent 抽象固化趋势判断 | https://x.com/jerryjliu0/status/2053178322495152261
  • @maximelabonne:LFM2 tokenizer 双倍扩容(65K→128K)实操,泰语/越南语/印地语令牌数大幅削减,多语言部署参考 | https://x.com/maximelabonne/status/2079582400019931633
  • @maximelabonne:LFM2.5-Encoder 双版本发布,CPU 8K tokens 前向<30s,嵌入式检索新选择 | https://x.com/maximelabonne/status/2082122012726608345
  • @cwolferesearch:Rubric-based RL 系统论文清单(含 2026 新作),后训练非可验证域的重要方向 | https://x.com/cwolferesearch/status/2023124624339349651
  • @cwolferesearch:Agent+World Modeling 训练——工具输出预测为何能提升 Agent 能力,理论分析 | https://x.com/cwolferesearch/status/2078272777744736723