Sophon-Realtime v1 是 Adventists AI 放在 Hugging Face 上的一套开源全双工语音模型，核心卖点不是“把文字念出来”，而是尽量把人与人打电话时那种自然节奏做出来：你说话时它一直在听，你一停顿它就接上，你中途插话它也会立刻收住。更特别的是，它不只识别内容，还会捕捉迟疑、强调、讽刺、笑声、叹气这些语气信号，回复时也能带着情绪和非语言声音表达出来。整个系列共三种

WoYun520 开源的 gif-factory，核心不是单纯“生成动图”，而是把常见需求整理成可直接调用的风格入口：像素轻动效、像素完整动作、插画角色动作、真人轻动效、宠物拟人、粘土吉祥物、双状态光栅卡、人物与字体联动、漫画印刷整体融合，还能继续延伸到动态绘本和品牌短片。它适合的场景很具体：给角色做表情包、把照片做成轻动效、做 6 秒循环宣传海报，或者先出一张小样再决定要不要扩展成系列。项目把“

这是一套中文优先、以 C++ 为实现主线的推理引擎工程教程。教程以 TinyLlama 作为默认语言模型基线，连接模型加载、张量、算子、解码器、生成运行时、缓存、调度和服务；每章通过测试、参考结果或性能实验验证实现，并与 llama.cpp、vLLM、SGLang 和 TensorRT-LLM 的工程策略对照。CPU 建立完整推理服务主线，单卡 CUDA 在保持上层语义不变的前提下替换执行后

本教程涵盖常用热门量化格式 Q2~8K、IQ、UD_IQ，以及最新的三值量化 PTQ1和 STQ1。带有 C++/C#/Python 三种代码解释概念，配有 ASCII Art 图表。 GGUF 量化技术之所以成为端侧大模型部署和大模型技术普及的关键基础设施，在于它把原本动辄数十GB、依赖高带宽显存和云端算力的模型权重，压缩到手机、笔记本、嵌入式设备可承受的存储与内存带宽范围

Argus 是一个面向 Windows 的现代任务管理器，底层直接调用 Windows 原生 API，用 Rust 做性能层，界面则基于 Tauri 2 和 SolidJS，不是简单给系统工具换皮，而是把进程、性能、服务、启动项、网络连接和 7 天历史数据整合进一个窗口里。它的亮点在于信息密度高，但不显乱：你可以按应用、进程树或平铺列表查看进程，直接看到 CPU、内存、磁盘、GPU，开启特权服务后

教程：从零构建 C++ LLM 推理引擎 这是一套中文优先、以 C++ 为实现主线的推理引擎工程教程。教程以 TinyLlama 作为默认语言模型基线，连接模型加载、张量、算子、解码器、生成运行时、缓存、调度和服务；每章通过测试、参考结果或性能实验验证实现，并与 llama.cpp、vLLM、SGLang 和 TensorRT-LLM 的工程策略对照。CPU 建立完整推理服务主线，单

Hello GPU：从 AMD GPU 架构、ROCm 工具链到 HIP/Triton 算子优化与单卡推理性能分析的实战教程。 在线阅读：datawhalechina.github.io/hello-gpu/ 本教程以消费级显卡 AMD Radeon RX 9070 XT 为实验平台，带你从理解 GPU 硬件如何执行出发，学会用 benchmark 与 profiling 找到

synchopate 开源的 llama-modchip，核心不是简单做个启动器，而是围绕 llama.cpp 和 ggml 做了一整套面向 MoE 大模型的量化、内核补丁和运行时工具，目标很明确：让 64GB 内存、0 GPU 的机器，也能在 256K 上下文里跑起 DeepSeek-V4-Flash 284B。这件事难点不在“能不能启动”，而在能不能真正装进内存、别被换页拖死、速度还过得去。它

一个把架构问答重构成教练式教学的 Agent 技能：weifan-skill weifan 的核心判断：常规问答把问题当孤岛逐个解释，用户拿到的是没有结构的事实集合；真正缺的是一座能预测系统行为的架构心智模型。因此 weifan 不以逐题作答为目标，而是教练式教学：同时维护两张图——来自当前代码证据的「真实架构图」（组件职责、数据结构、数据流、调用链、状态归属），与基于会话内可观察证据维护的「

如果你要做的游戏/应用里需要3d真实鱼类资源，可以看看这个 cda-social.github.io/fish/gallery.html 一个免费的交互式 3D 鱼类模型展示与资源下载站，用的还是非常友好的CC0协议。 作者还搞了个给agent看的页面~ 把页面发给AI然后说「使用该鱼类模型，帮我制作一个 Three.js 交互式水族馆，里面有 20 条鱼自由游动，支持鼠标旋转视角。」之

这篇 Eighth Rank 的分析把苹果个人知识图谱拆得很细：从 macOS 13 开始，系统里就有一对守护进程，持续把联系人、日历、照片人脸、消息与邮件元数据、位置轨迹、屏幕使用、Family Sharing、已安装 App 等信息汇进 \~/Library/IntelligencePlatform\ 下的一组数据库里，其中 \graph.db\ 是核心。它不是简单索引，而是一个可查询

「22MB里塞下一整套视觉能力，Mirage想把端侧感知重新做一遍」Cactus Compute发布的 Mirage，是一款面向手机、可穿戴设备和机器人等消费级硬件的小型视觉模型：参数量 5130 万，借助 2-bit 量化后体积约 22MB，却能在一趟推理里同时完成图像描述、目标检测、OCR、实例分割、空间关系理解、简单推断和表单式决策，在 Galaxy S26 上端到端可做到 NPU 74ms

BUI 是个很少见的项目：它不是给 Blender 写插件，而是把 Blender 那套界面绘制、交互规则和主题风格拆成了独立 UI 库，让 Python、Rust、JavaScript、React、C、C++ 甚至 Dear ImGui 都能直接调用。它最有意思的地方，不只是“像 Blender”，而是把那套高响应、低占用的桌面 UI 经验带出了原工程：空闲时几乎不吃 CPU，只重绘变化区域，可

一些值得学习的极简机器学习开源项目： \- micrograd：从零实现自动微分和反向传播，理解神经网络的底层原理。 github.com/karpathy/micrograd \- nanoGPT：通过精简代码理解 GPT 模型的训练流程。 github.com/karpathy/nanoGPT \- minGPT：以最少的代码抽象理解 Transforme

用大白话跟 agent 说想要什么游戏，比如「做一个 3D 小游戏：小熊猫在竹林里收集竹笋，躲开野猪」。它会从模板出发把游戏做出来，自己试玩一遍确认能玩，然后放进侧栏，你马上就能玩。 需要画图时可调用 OpenAI 图像接口或本机 Codex CLI 给每个槽位生成带编号的候选~图。

LearnHarness 的思路是使用多个 AI Agent 扮演诊断者、教师和练习指导者，先测量学习者的知识水平，再根据先修知识关系制定个性化教学路径，并持续更新学习者的知识图谱。 具体要学什么，和本项目无关，只要是LLM会的都能教~ 它采用闭环式四阶段教学工作流： 探测边界（Measure）：在正式讲解前，Agent 会针对目标概念所依赖的前置知识点进行摸底。它不仅看你的答案

caldoai 这个 untangle-codebase 技能，目标很直接：把一次次零碎修补，变成面向整体结构的彻底重构。它先不急着改代码，而是先把问题分成几类看清楚：哪些模块其实必须一起变化，却在代码里彼此割裂；哪些地方被不必要地绑在一起，导致改一处牵一片；哪些包装层、配置、死代码本身就没有存在价值；再把各种 if 特判、吞异常、重试、sleep、为某个调用者硬塞的参数，当作系统设计没覆盖真实需

VoiceKey 是一个跨 macOS、Windows、iOS、Android 的语音输入项目，核心不是单纯“把话转成字”，而是尽量贴近高频输入场景：桌面端支持按住说话和点按说话，能边说边上屏，也能在结束后统一修正；iPhone 端做成带语音能力的中文键盘；Android 则不替换输入法，而是通过无障碍把结果直接写进当前输入框。它的亮点在于多渠道并行识别，接入豆包、微信、千问、百度、搜狗、讯飞等方

anomalyco 开源的 Rune，是一个面向 macOS、Windows、Linux 和 Web 的原生 GPU 渲染 Rust UI 框架。它不依赖现成的渲染层，渲染、文本、布局、弹簧动效这些基础能力都是自己做的，目标很明确：既要有原生界面的性能和控制力，也要让构建方式更适合今天的 AI 编程流程。它有个很特别的地方，就是每个应用都能无头运行，也就是不打开窗口也能渲染 PNG、导出元素树、用

Nouride主打的是“在小硬件上本地跑多智能体运行时”：面向树莓派、香橙派和各类64位Linux SBC，安装后就是一个独立守护进程，下载体积约40MB，官方给出的实测内存门槛是64MB、空闲时单核CPU占用约0.7%，不依赖GPU，也不需要额外搭Postgres、Redis或向量数据库，目标很明确——让AI代理能在家里、实验室和轻量边缘设备上7×24小时稳定待命。它的亮点不只是“能跑”，而是把