#开源/仓库

推荐理由：原文给出实时生成式手术仿真器的蒸馏与推理优化路径，读者可据此判断世界模型进入交互闭环的工程门槛。

推荐理由：原文给出 Nunchaku Lite 在 Diffusers 中的原生加载方式与量化工具链，读者可据此判断消费级 GPU 跑扩散模型的内存与延迟取舍。

推荐理由：原文给出了一套无需机器人即可采集操作数据的开源方案，读者可据此判断数据采集门槛与开源生态的衔接方式。

推荐理由：原文给出 Inkling 的架构细节、部署配置与基准对比，读者可据此判断这一开源多模态模型的落地门槛。

推荐理由：原文给出 vLLM 的 transformers 后端在多种 Qwen3 模型上追平手写实现，读者可据此判断是否省去移植成本。

推荐理由：LeRobot v0.6.0 把世界模型策略、奖励模型与部署 CLI 串成闭环，读者可据此了解开源机器人学习栈的当前形态。

推荐理由：原文给出零出口费存储与跨云调度的组合方式，读者可据此判断数据与 GPU 分离时的成本结构。

推荐理由：官方给出 Leanstral 1.5 在形式化验证基准上的成绩与成本对比，可据此判断开源证明模型的实用边界。

推荐理由：原文给出了一套可替换的实时语音到语音开源架构，读者可据此了解各层组件如何组合与复用。

推荐理由：原文给出零样本表格预测的架构设计与 TabArena 基准对比，可据此判断它能否替代传统树模型流程。

推荐理由：原文给出 EEE 与 Community Evals 互通后的数据规模与转换工具，读者可据此判断评测结果如何被统一记录和追溯。

推荐理由：原文给出了一条命令在 HF Jobs 上起 vLLM 端点的完整流程，可迁移到自建推理与编码智能体后端。

推荐理由：原文给出同一 from_pretrained() API 下的吞吐与显存对比数据，读者可据此判断 MoE 微调的迁移成本。

推荐理由：原文给出三档模型参数、检测与识别精度及多后端接入方式，便于按部署场景选型。

推荐理由：Hugging Face 用统一条件的基准对比多种 PEFT 技术，读者可据此判断 LoRA 是否仍是默认选择。

推荐理由：AWS 官方给出从 Hub 数据集到实体机器人的五步流程，可看到同一份智能体代码如何切换仿真与硬件。

推荐理由：GLM-5.2 把 1M 上下文与编码智能体能力结合，并给出与闭源前沿模型的基准对比，可据此判断开源模型在长程任务上的位置。

推荐理由：原文给出 ARD 规范草案与 Hugging Face 参考实现，读者可据此了解智能体能力发现从预装转向运行时搜索的路径。

推荐理由：官方给出 26B MoE 文本扩散模型的速度、显存与质量取舍，便于判断本地低并发场景是否值得换用。

推荐理由：Gemma 4 12B 用无编码器架构把视觉与音频直接接入 LLM 主干，读者可据此判断本地多模态智能体的硬件门槛。

推荐理由：OpenEnv 从单一项目转为多方共管的协议层，读者可据此了解开源智能体强化学习环境的标准化路径。

推荐理由：NVIDIA 在 4B 小模型上把多模态、多语言、自定义策略与可审计推理合并进单次推理，并公开训练数据集。

推荐理由：官方给出 hf CLI 面向智能体重构的细节与基准数据，可据此判断命令行工具该如何适配编码智能体。

推荐理由：Google 开源其洪水预报水文建模框架，读者可了解模型架构、训练数据与业务化接入方式。

推荐理由：Holo3.1 给出跨环境与跨框架的鲁棒性提升，并首次提供量化权重，读者可据此判断本地部署计算机使用智能体的可行路径。

推荐理由：JetBrains 开源 12B MoE 模型，每 token 仅激活 2.5B 参数，可据此判断轻量模型在路由与 RAG 场景的部署取舍。

推荐理由：原文给出检索管线的统一框架与内置评测指标，读者可据此判断自建 RAG 检索栈的整合成本。

推荐理由：TRL 把稀疏增量权重同步做成了可 pip 安装的实现，读者可据此判断跨机房异步 RL 训练的部署成本。

推荐理由：Mistral 把编码智能体搬到云端并同步开源 128B 权重，读者可据此判断自托管编码智能体的可行边界。

推荐理由：Granite 团队公开了从数据配比到多阶段 RL 的完整训练细节，可对照其 8B 稠密模型追平 32B MoE 的取舍。