信源:X 硬核干货雷达 · 覆盖 12 账号

干货候选

  • 主题:Weak-to-Strong GraphRAG:检索器与LLM对齐的ICLR 2026投稿 | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/1999881513220100336 | 仓库:无 | 论文:无(arxiv未附) | 硬核点:GraphRAG本质是黑盒组合搜索,穷举NP难;ReG用LLM从候选链中选有效推理链训练retriever,生产落地思路清晰
  • 主题:TrueFoundry TrueForge开源Agent Harness踩坑复盘 | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2090138030296219973 | 仓库:truefoundry/trueforge | 论文:无 | 硬核点:"大多数'模型很蠢'的时刻其实是harness bug:上下文截断顺序、工具调用解析、重试策略",开放源码让harness黑盒变白盒
  • 主题:FlashAttention-4论文:Blackwell GPU上attention达~1600 TFLOPs(与matmul同速) | 来源:@tri_dao | 链接:https://x.com/tri_dao/status/2029569889858646344 | 仓库:Dao-AILab/flash-attention | 论文:无(arxiv未附,但FA4论文已出) | 硬核点:Blackwell tensor core极快导致瓶颈转移到exp2和shared memory;FA4重设计pipeline使softmax不再制约速度
  • 主题:CODA:将LLM训练中memory-bound操作融入matmul的epilogue实现SoL | 来源:@tri_dao | 链接:https://x.com/tri_dao/status/2057640492020469845 | 仓库:无 | 论文:无 | 硬核点:CODA重新参数化让memory-bound ops隐藏在matmul阴影里,离开芯片前融合;LLM可写出接近SoL的CODA kernel
  • 主题:LlamaParse Retrieval Harness:语义搜索+服务端grep+文件级导航三合一Agent推理环 | 来源:@jerryjliu0 | 链接:https://x.com/jerryjliu0/status/2071729856900215261 | 仓库:run-llama/legacy | 论文:无 | 硬核点:语义搜索单独不够用,brute-force grep也不够;三者合一才覆盖从10文档到100万文档的可扩展搜索
  • 主题:LLM CLI 0.32大版本:可见推理追踪+OpenAI Responses API+服务端工具+内容寻址SQLite日志 | 来源:@simonw | 链接:https://x.com/simonw/status/2084792341572001871 | 仓库:simonw/llm | 论文:无 | 硬核点:Simon自评"自项目发布以来最重要版本";模型格局正在变成基础设施问题,统一接口让人们专注构建而非重复造轮子
  • 主题:DAIR.AI Top AI Papers wiki→SFT数据流水线:parse→fetch abstracts→build jsonl三脚本端到端 | 来源:@omarsar0 | 链接:https://x.com/omarsar0/article/2057114824467792189 | 仓库:dair-ai/wiki-sft | 论文:无 | 硬核点:完整开源训练数据构建流程,90%训练/10%验证分割,wiki策展转SFT的实战范本
  • 主题:StateAct:显式状态外部化让Long-Horizon Computer-Use Agent不再因像素重建产生状态漂移 | 来源:@_akhaliq | 链接:https://x.com/_akhaliq/status/2081921773910499494 | 仓库:无 | 论文:https://huggingface.co/papers/2607.22... | 硬核点:40步以后agent从截图中重建状态是drift根源;状态外部化让大多数失败模式变得无聊(可预期)

其余线索

  • @rasbt(Aug 15):Claude水印实现原理图解——按top-k位置选取时倾向特定token序列,代码层面原理清晰但无repo
  • @jerryjliu0(May 25):90分钟RAG/文档上下文/AI Agent演进史(2023→2026)完整workshop,历史脉络详尽但非新技术发布
  • @svpino(Aug 17):AI网关架构模式——在代码和模型间加抽象层实现fallback/可观测/缓存/成本管理/多模型路由,架构思路值得存档
  • @hwchase17(Apr 28):2026大主题:闭源模型成本过高,LangChain深度拥抱OSS模型;无新技术细节但趋势方向值得记录
  • @maximelabonne(Aug 5):abliteration文章再循环——用LLM本身找激活方向来解绑模型,2024方法论持续有生命力
  • @cwolferesearch(Jan 27):RL与持续学习:标准RL天然适合持续学习场景,灾难性遗忘发生在非IID数据分布下;长帖但时效偏旧