Woolly:为所有 AI 工具提供本地共享记忆的开源工具
Woolly 是一个运行在本地计算机的开源工具,为 Claude Code、Cursor、Ollama 等 AI 应用提供统一的私有记忆存储。它使用 Markdown 文件保存数据,确保隐私安全,支持通过 MCP 协议或代理模式让不同 AI 工具共享同一记忆。
Woolly 是一个运行在本地计算机的开源工具,为 Claude Code、Cursor、Ollama 等 AI 应用提供统一的私有记忆存储。它使用 Markdown 文件保存数据,确保隐私安全,支持通过 MCP 协议或代理模式让不同 AI 工具共享同一记忆。
Relay 发布了一款六角色多智能体流水线,支持通过 Claude Code 或 GitHub Copilot 等工具生成前端代码。该工具采用工具中立设计,在热会话中预期缓存命中率 >90%。对于非敏感的小改动,轻量模式可将成本控制在 25K tokens 以内。
Google 正式推出 Gemini 4 Carbon 模型并同步推出 agent swarms 功能。该模型在 CursorBench 4.0 和 WANDR 等测试中超越 Fable 5.2 和 Argon,且成本相对更低。
开发者gptrv发布开源产品Brigade,将AI团队成员分配给Claude Code或Codex,以管理代码、客服、营销等任务。每个AI成员在独立环境运行并具备专属记忆,所有写操作需通过移动端“Needs you”列表审批,底层基于MIT协议开源,支持在本地或云端部署。
NVIDIA 宣布将用于管理自主智能体的安全运行时 OpenShell 贡献给云原生计算基金会(CNCF),并推出 DSX AI 工厂平台的新组件,包括 NVIDIA Kubernetes Engine、NVIDIA Kubernetes Recipes 和 NVIDIA Snapshot。
Hugging Face 官方博客发布关于“决策模型”(decision models)的教程,解释这类模型如何通过评估预定义选项并输出概率分布来完成分类与决策任务,而非像大语言模型那样生成文本。
MiniMax 正式发布并开放权重,推出衍生自 H3 的图像生成模型 H3-Image,具备文生图、参考图和图像编辑能力。该模型在 10 秒内生成一张 4096 x 4096 像素(16MP/4K)图像,官方称其指令遵循能力最强且支持 16 张参考图,发布首周针对 16MP 及以上规格请求提供官方价格的五折优惠。
QueenMQ 是一款 Apache-2.0 协议开源的 Rust 消息队列,旨在解决 LLM 慢调用阻塞 Kafka 分区的问题。每个客户、订单或对话拥有独立队列,避免单个慢任务阻塞其他任务。
Kora Systems 发布基于 Linux 的桌面操作系统 Kora,预计 2027 年上线,支持 Intel、AMD 及 Snapdragon 芯片。 该系统将 AI 模型和自主智能体直接集成到计算体验中,支持跨应用操作、文件访问及任务间上下文保留,开发团队利用 AI 编码工具将效率提升至少五倍。 目标用户为重度 AI 使用者,Kora 旨在提供本地与云结合的 AI 任务处理能力。
SPECTRA 实现 LLM 3 倍压缩,近无损且 RAM 占用低于 50 MB。 采用 Group-32 微缩放与 Triton GPU 内核,解决 Mamba-2 等架构兼容性及高预处理延迟问题。
通用终端编码智能体 Cosh 开源,支持通过 /agents 命令并行运行 Claude、Gemini 等外部智能体,每个智能体保留独立会话。 其 TUI 基于 Rust 构建,利用 accessibility tree 操作图形界面以减少 token 消耗,并通过独立 crate 提供可复用开发工具。 项目采用 Apache-2.0 许可,目前支持 Linux 和 Windows 环境。
VoxaDub 发布 v0.1.0,支持本地优先的 AI 视频配音,实现说话人感知的语音克隆和时长对齐。该工具使用 Hy-MT2 翻译和 VoxCPM2 语音合成,并支持通过 Colab 或 Modal 调用 GPU 资源,以及实验性的 Live 直播同步配音。
蚂蚁灵波开源触觉预训练基础模型LingBot-Touch,该模型将磁触觉、视触觉和压阻式触觉信号统一编码为触觉Token,解决了不同传感器数据无法直接用于动作模型的问题。
蚂蚁灵波开源LingBot-Touch触觉基础模型,基于近5000小时真实数据预训练,统一磁触觉、视触觉及压阻式信号为通用触觉Token。 模型提供约530万参数轻量版与Small版,支持26项真机测试;接入后任务成功率提高14至26个百分点,验证了触觉能力的跨硬件复用性。 该模型已在Hugging Face、GitHub及魔搭社区开放,旨在补齐机器人精细操作的触觉感知短板。
Google DeepMind 开放了支持 WeatherNext 3 模型的两个基础数据集:SatWeave 和 PARDIG。SatWeave 整合五颗地球静止卫星图像,提供 17 个通道的全球小时级马赛克视图;PARDIG 是基于 AI 的全球降水数据集,时间分辨率达 15 分钟,空间分辨率约 10 公里。
推荐理由:DeepMind 开源 WeatherNext 3 核心训练数据集,并给出 PARDIG 对 IMERG-Final 的降水检测提升幅度,为气候建模提供了可直接复用的数据基础。
DayBreak 是一个自托管的美股分析工具,其核心设计是 AI 不生成数字。系统通过代码确定性地计算市场数据、生成事实表,并仅使用 Google Gemini 将已验证的事实转化为自然语言简报。
AI Access Auditor 是一款支持 macOS、Windows 和 Linux 的应用,用于查找、审计并撤销已授予 AI 编码智能体的访问权限与特权。它本地运行,支持监控 Claude Code、Codex、Gemini CLI 等智能体,检测 MCP 服务器、API 密钥及后台任务,并能在智能体行动前弹出确认窗口。
Tevatron 3.0 集成 Megatron-Core,开放源代码并支持 Qwen3-30B-A3B 重排序器训练。 在 BEIR-15 测试中,全参数 8B 密集模型 epoch 时间降低约 4% 至 22%,内存占用提升;MoE 模型激活参数减半且推理吞吐量更高。
Mosaic 是一个开源可微 PDE 求解器基准框架,通过容器化组件(Tesseract)统一了 14 个求解器的梯度 API。 评估覆盖流体力学、结构力学和传热领域,揭示了计算成本与内存方面存在数量级差异,所有有效求解器均收敛至相似最优解。 该基准明确了内存限制、数值稳定性和设置兼容性是主要实际障碍,代码已开源。
针对归一化常数未知的目标分布,研究开发了基于扩散路径的采样器,并被 NeurIPS 2026 接收。 方法采用高效的 sequential Monte Carlo 采样器解决 score estimation,通过沿路径演化辅助变量提供原则性的 score 和 density estimates,并引入控制变量表(control variate schedules)以控制方差。
论文提出频率感知流匹配(FAFM)方法,通过离散余弦变换处理异构频率输入,生成连续且时间一致的动作。 FAFM 不增加网络参数,在 LapGym 和 LIBERO 等基准中提升了成功率与运动平滑度。 该方法在真实 Franka 机器人部署中表现一致,相关代码已公开。
提出无标签方法 FINO,通过自监督目标结合元数据引导,将通用视觉基础模型适配至子细胞荧光显微镜、地球观测、野生动物监测及医学影像等专门科学领域。 FINO 处理离散与连续元数据,表征保留信息因子并抑制虚假因子。在特定任务上,FINO 性能优于匹配的自监督及全监督适配基线。 代码已公开,且在无任务标签下,FINO 在三个领域得分高于特定专业系统,在第四个领域达到同等表现。
TraceML 引入了一个包含 4,465 条人类 Kaggle 轨迹和 637 条智能体轨迹的配对数据集,旨在量化自动研究智能体与人类专家在竞赛中的差距来源。 分析显示,人类专家会在数据、验证和模型调整间灵活切换,而 Codex 和 MLEvolve 等智能体则陷入狭窄的循环,缺乏灵活变通。 该研究发布了 TraceML 语料库、标签模型及开源工具包,将指令优化局限于缩小可归因于指令的部分差距。
研究者提出 Honeyval 框架,针对缺乏统一评估标准的现状,通过 16 个后端应用和 AI 攻击代理全面测试 LLM 驱动的 HTTP Honeypots。 实验表明,与规则型基线相比,LLM Honeypots 显著延长攻击者交互时长,降低被前沿模型检测的概率,并保持对代理攻击者的运行成本优势。
研究提出Co-RL框架,通过多智能体协同强化学习实现无监督推理,无需真值标签。 在7个基准测试上平均提升3.0-7.9%,4个多模态基准提升1.6-4.4%。 该方法比先前SOTA方法CoMAS高4.0%,比MM-UPT高2.0%,且代码已开源。
Good Token Hunting 提出通过限制全局注意力中键值(key/value)交互的 Token 数量,为视觉几何 Transformer 加速超过 85%。 该方案采用两级筛选框架,在帧间使用基于多样性的策略保留关键帧,在帧内通过熵引导的层感知稀疏化进一步剔除冗余。 实验表明该方法在 500 张图像场景下保持甚至提升了基线性能,为未来视觉几何应用提供了高效的 Token 选择策略。
summary_zh: Spaghetti Architect 生成器将程序转换为五种语言的混乱代码,通过移除注释使四款测试模型的得分降低,且对最弱模型的影响约为最强模型的十倍。
SinAE 提出单架构流匹配自编码器,统一分子、晶体与蛋白质生成,使用普通 Transformer 且无需等价性或图算子。 通过将重建负担转移至迭代流匹配解码器,实现跨域近无损重建,重建误差较先前潜变量基线降低多个数量级。 分子-晶体联合训练严格提升双域性能,提供了通过共享原子潜变量实现跨域迁移的直接证据。
Seahorse 发布统一评测框架,标准化时空点过程(STPP)模型训练与评估,解决现有对比中预处理及似然约定不一致导致的脆弱性问题。 框架提供编码-演化-解码接口,在 13 个真实数据集和 19 个预设中测试,结果显示无单一模型在所有指标上占优。 该论文已被 NeurIPS 2026 评估与数据集轨道接收,代码已开源,为比较和诊断 STPP 模型提供了可复用基础设施。
Clari 大幅降低有机晶体结构预测(CSP)成本,将 OXtal 的分钟级耗时缩短至秒级,并取代了昂贵的 triangle layers。 该模型基于 flow matching,仅需原子类型和键作为输入,支持推理时扩展;在 OXtal 测试集上,solve rate 超越 OXtal 并保持 15-30 倍速度提升。 这使得大规模虚拟筛选实用化,代码已公开。 ```
GeneZip 提出了一种区域感知的 DNA 压缩框架,通过动态路由和 GENCODE 标签指导训练,使模型学习在功能密集区域分配更多 token。 GeneZip-70M 在 DNALongBench 上平均排名最佳,且压缩转座元件衍生序列比非重复序列更强烈。该框架在 450-kb 输入下相比 JanusDNA-7.7M 提升了 36.1 倍的推理吞吐量。
BioBlobs 是一种编码器无关且端到端可微分的框架,能将蛋白质压缩为少量粘性子结构(blobs)并仅据此预测功能。在多种序列和结构感知的蛋白质语言模型上表现具备竞争力,且仅操作极少比例的残基。该方法在仅使用蛋白质功能标签训练的情况下,成功恢复 InterPro 中的专家标注功能位点及实验标注的催化位点。这一发现为在大量未注释蛋白质中进行大规模功能位点发现开辟了新路径。
研究提出 AB-SID-iVAR 算法,用于解决未知函数在自身诱导的未知玻尔兹曼分布下的主动学习问题。该算法基于高斯过程,通过闭式近似贝叶斯目标分布避免计算配分函数,适用于离散和连续输入域。 同时分析了变分替代方案 TS-SID-iVAR,并证明在温和条件下终端预测误差有高概率消失。该方法在合成基准测试及真实世界的势能面建模和药物发现任务中,表现优于现有方法,代码已开源。
论文提出基于 SOAP 描述符的原子环境留出评估协议,用于衡量大语言模型在预测电子密度和偶极矩等原子属性时的分布外性能。 该协议通过 5x5 交叉验证和 Tukey's HSD 检验,对比了 E(3)-等变与非等变旋转增强模型在 H、C、N、O 原子上的表现。 基于此框架,研究者引入了非等变旋转增强图神经网络 QT-Net,并开源了包括 JAX 实现在内的全部代码和数据。
提出将治疗-对照范式应用于可解释AI研究,通过方差分解和Sobol指数分析增强对模型内部推理的影响。 评估了AlexNet、VGG11、ResNet18等CNN,结合ViT-b-16和Swin-t验证,采用5至7种同时应用变换的增强集。 该方法有助于区分模型特异性与增强自交互,并支持激活引导掩码及单类敏感性分析。
NeurIPS 2026 接收的论文提出 Soft-Radial Projection (SRP),一种将网络输出映射至凸可行集相对内部的微分可重参数化层,保证严格可行性且映射一一。
论文提出 self-rewarding SMC 算法,通过并行扩散过程作为粒子探索轨迹,并以 trajectory-level confidence 作为自奖励信号来分配重要性权重。该方法在多种 masked diffusion 语言模型和基准测试中验证有效,无需额外训练或奖励引导即可显著提升采样质量。
COMET 提出一种统一框架,通过多尺度 Patch 编码器、矢量量化核心集和在线码本自适应三个组件,实现健壮的无监督时间序列异常检测。 在五个基准数据集上,COMET 在 45 项评测指标中有 39 项取得最佳表现,优于 7 个基线模型。 该工作已被 NeurIPS 2026 接收为海报论文。
研究提出 Soft-TAC 可微分近似作为损失函数,用于训练最大化轨迹对齐系数(TAC)的奖励模型。用户研究表明,迭代 TAC 反馈虽能降低设计 Lunar Lander 奖励的认知负荷,但手动设计仍耗时巨大。
研究人员提出 CAPE 策略,通过定义基于预言机的 NOCT 目标并学习对比获取效用流形,在纵向主动特征获取中平衡预测损失与获取成本。 该方法在合成及真实医疗数据集实验中优于非参数、贪心及基于强化学习的替代方案,以更低成本实现更高准确率。 代码已公开,论文被 NeurIPS 2026 接收。