#开源工具
共 11835 篇相关文章
PolicyIK：强化学习实现高精度机械臂逆运动学
PolicyIK 用目标条件强化学习实现机械臂高精度逆运动学，仿真中 93.5% 任务误差控制在 1mm 和 0.2° 内，部署协议将成功率提升至 98.9%，并可执行 VLA 策略指令。
模仿即学习：生成模型与判别模型的复杂度等价性
一项理论研究表明，判别式模型的不可知学习与生成式模型的多精度任务在计算复杂度上等价，且多精度预言机通过自适应查询可实现多种学习目标。
CATF：Manager-Worker架构如何破解上下文感知时间序列预测难题
CATF提出Manager-Worker架构，通过硬路由实现上下文感知时间序列预测的专家自动专业化，在多数实验中超越基线和Time-MoE，并具备可解释性优势。
LLM Agent 替代遥操作：机器人数据采集成本骤降
PyRUA-DataFarm 研究提出用 LLM 编码智能体替代遥操作员，在仿真中生成真实就绪的机器人数据。五个任务上策略性能与遥操作数据相当，且在干扰条件下泛化更优，成本显著低于传统遥操作。
HARP：免训练双画像代理推荐框架，Hit@1最高提升24%
HARP提出免训练双画像代理通信框架，通过对称物品画像、检索侧同质性门控和反思更新，在四个基准上Hit@1提升6.9%-24.0%，代码开源。
长上下文并非必需：压缩短上下文可保持任务精度
分析指出，前沿开源权重模型生成后部token成本可达7倍，但通过频繁压缩维持短上下文，在长视野和长输入任务中几乎不损失精度。长视野软件工程任务中每步仅一个动作性能也不崩溃，并引出语义状态空间模型（SSSM）概念，质疑长上下文模型的必要性。
几何碎片化：揭露大模型被抑制的知识
研究提出几何碎片化框架，通过激活空间分析检测LLM中被抑制的知识，区分真实知识与无知，并评估遗忘学习的鲁棒性。
腾讯WeVisOne-VL：一个模型统一检测、OCR与分割
腾讯微信视觉团队开源 WeVisOne-VL 视觉语言模型，提供 2B 与 4B 两种规模，以 Apache 2.0 协议发布，统一目标检测、OCR、计数、分割与 alpha matting 五类任务，并配备 960 万参数像素解码器，降低多任务视觉部署复杂度。
HelixCipher机器学习项目集：一站式实战资源库
探索HelixCipher/machine-learning GitHub仓库：一个覆盖计算机视觉、预测建模和数据分析的机器学习项目集合。了解其结构、价值及高效使用方法，获取实战资源。
GitHub App令牌变长至520字符：11月30日前必查清单
GitHub App安装令牌长度从约40字符增至约520字符，覆盖请求头将于2026年11月30日弃用。本文梳理令牌变长的技术影响，并给出存储链路、代码长度假设、过渡方案三项审计清单，帮助开发者在截止日期前完成迁移。
腾讯Hy4上线AI Gateway：首个视觉版Hy模型，100万token上下文
腾讯Hy4模型上线AI Gateway，支持推理、工具调用、结构化输出和视觉输入，100万token上下文窗口，可处理代码库与多文档任务，限时五折优惠。
IdP发起SSO：把仪表盘点击变成标准登录
WorkOS 通过配置登录端点，将 IdP 发起的 SSO 点击转换为标准 SP 发起登录，并向应用传递 connection_id，简化企业 SSO 集成并统一认证流程。
SSO即时预配：如何安全匹配登录与现有用户
解析SSO即时预配的解析顺序：绑定优先于邮箱匹配，邮箱匹配仅在身份提供商验证邮箱后安全，并说明应存储的绑定信息与常见误区。
Hydrogen-1.0开源科学模型：FSR超GPT-6 Astra，成本低72%
Deep Principle发布开源科学模型Hydrogen-1.0，基于GLM-5.3后训练，FSR评测通过率38.3%超GPT-6 Astra的33.3%，估算输出成本低约72%，GPQA Diamond达92.9%，附五个科研工作流案例与训练方法解析。
C++26被否决：标准演进机制面临拷问
C++26标准草案遭否决引发Hacker News热议。本文分析WG21委员会共识机制的利弊、标准延期对开发者和编译器生态的影响，以及C++在Rust等语言竞争下如何平衡稳定与演进。
多旋翼无人机声学检测：融合手工特征与预训练嵌入
研究揭示无人机声学检测中随机划分导致数据泄漏，提出源不相交评估协议下融合手工声学特征与YAMNet嵌入的堆叠集成方法，准确率达95.29%，为低成本无人机探测提供可靠基准。
告别预取，Bevy用请求交织让MoE推理提速3.46倍
Bevy系统通过前瞻推理和自平衡调度，在MoE专家卸载场景下实现并发请求交织，避免预取预测不准的弊端，解码吞吐量达llama.cpp的3.46倍，为本地大模型推理加速提供新思路。
LoopVQ：循环Transformer的亚1比特KV缓存量化
LoopVQ是一种针对循环Transformer的KV缓存向量量化方法，在0.5比特/元素下超越现有方法，与TaSQ结合可达0.25比特，SGLang实现中解码延迟近半，吞吐提升最高6.1倍。
