信源:X 硬核干货雷达 · 覆盖 12 账号

干货候选

• 主题:浏览器内 LoRA 微调可行——wllama + llama.cpp WebGPU 后端 PoC | 来源:@maximelabonne | 链接:https://x.com/maximelabonne/status/2096456605076476239 | 仓库:ngxson/wllama | 论文:无 | 硬核点:WebGPU 首次支持 LLM 微调，浏览器内即训即跑，隐私+零服务端开销，LoRA 下一版值得关注

• 主题:Antidoom 进入 TRL——kill switch + max_step_count 消除 RL 推理模型 doom loop(22.9%→1%) | 来源:@maximelabonne | 链接:https://x.com/maximelabonne/status/2093412741801533848 | 仓库:liquidai/antidoom | 论文:无 | 硬核点:推理模型自我纠错失效是训练痛点，Antidoom 方案极简有效，已合入 TRL 官方库

• 主题:Sakana AI Conductor(ICLR 2026)——7B RL 调度多 LLM 协作，GPQA-Diamond/LiveCodeBench SOTA | 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:learnable agent orchestration 范式，动态通信拓扑+递归自选 worker，2026 agent 系统设计方向标

• 主题:wiki→SFT 数据流水线——DAIR.AI Top Papers wiki 转 chat-form 训练数据(parse+fetch_abstracts+build_jsonl 三脚本) | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2057114824467792189 | 仓库:dair-ai/wiki-sft | 论文:无 | 硬核点:端到端可复现的论文知识库→微调数据 pipeline，适合构建领域定制训练集

• 主题:ThinkingCap-Qwen3.6-27B——推理 token 减半 50%，GSM8K 降 74%，精度提升 | 来源:@_akhaliq | 链接:https://x.com/_akhaliq/status/2074195249732128870 | 仓库:bottleapai/ThinkingCap-Qwen3.6-27B | 论文:无 | 硬核点:thinking token 压缩是 2026 推理优化核心方向，定量数据扎实，有直接参考价值

其余线索

• @abacaj(anton) Sep 3:模型思考 token 过度生成的系统性批判——state 应由模型管理而非 chat template，建议 bot-thinking-chat 而非 human-bot chat，架构设计反思
• @maximelabonne Sep 10:DeepSeek-V4.1 Flash 观察——full-vocabulary MOPD 40 教师混合多架构，distribution moat→RL 环境数据合成的第一条自动化路径
• @omarsar0 May 15:grep 风格检索在 coding-agent 任务中匹配/超越 embedding RAG，Claude Code lead engineer 实测确认，Anthropic 官方从 vector RAG 迁移
• @simonw Sep 8:OpenAI Navier-Stokes 数据使用争议分析——"用于提升模型性能"的数据授权边界仍模糊，政策层分析
• @rasbt Jul 21:Build a Reasoning Model From Scratch 勘误表 p.198 listing 6.5(torch.manual_seed 0→5)，配套视频说明，书籍实操细节
• @swyx Feb 20:一键优化网站性能 38-56% LCP/FCP/SpeedIndex 提升(5 分钟+$5)，AI 前端优化实操案例