Llama Windows 上手：Windows 11 托盘一键跑本地大模型，不用命令行
一句话结论：Llama Windows 是 Hugging Face 2026 年 10 月 13 日发布的免费开源 Windows 11 托盘应用（MIT 许可），把 llama.cpp 包装成「点图标、选模型、下载、开聊」四步，不需要终端、不需要编译、不需要管理员权限。它同时在本机提供 OpenAI 兼容接口，适合第一次在自己电脑上跑开源模型的人，也适合想给脚本接一个本地模型的开发者。 AI 摘要 资源类型：免费开源软件（Windows 11 桌面应用）来源：Hugging Face 官方博客发布，代码在 GitHub ggml-org/Llama-Windows适合人群：想在 Windows 电脑上离线跑开源模型的普通用户、需要本地 OpenAI 兼容接口的开发者使用价值：自动安装和管理 llama.cpp，一键下载推荐模型，模型缓存与其他 Hugging Face 工具共享风险边界：项目很新（GitHub 87 星，2026-10-14 核查）；官方博客和 README 给出的本地端口不一致，需以本机实际为准 资源信息 资源名：Llama Windows（代码仓库内名称...
HowToCook 程序员做饭指南：10 万星开源菜谱怎么用、怎么部署、怎么接 AI
HowToCook 程序员做饭指南是 GitHub 10.2 万星的开源菜谱库，372 道家常菜用量精确到克。本文讲清在线使用、Docker 本地部署、按食材找菜工具和 MCP 接入 AI 助手的方法与风险。
阿里开源 OpenCodeReview：让 AI 审代码时「该确定的用规则，该智能的才用模型」
一句话结论：9 月 20 日，阿里开源了 OpenCodeReview，一个 Apache-2.0 协议的 AI 辅助代码审查 CLI。它的核心思路是「确定性优先」——文件选择、规则匹配、评论校验这些能靠规则搞定的环节用确定性流水线处理，只有动态代码分析才交给 LLM。这套工具已在阿里内部被数万开发者用了两年，现在用 Go 写成开源，支持 Claude Code、Codex、Cursor 等编码 Agent。 AI 摘要 项目是什么：OpenCodeReview，阿里开源的 AI 代码审查 CLI，Apache-2.0，Go 语言。核心思路：确定性组件（文件选择、规则匹配、评论校验）与 LLM Agent（动态代码分析）混合，避免用 AI 做能靠规则确定的事。内置检查：空指针、线程安全、XSS、SQL 注入等。适用边界：已内部验证两年，但开源后的社区适配和第三方评测还在早期。 它和普通 AI 代码审查差在哪 先讲一个 AI 代码审查里常见的问题：很多人一上来就让 LLM「把整个 diff 看一遍，找出所有问题」。 这种做法有两个隐患。第一是「杀鸡用牛刀」——文件选择、规则匹配这些活儿，用规则就能确定地做，交给 LLM 反而贵、慢、还可能不稳定。第二是「不可复现」——LLM 对同一个 diff 的评论，两次跑可能不一样，这会让审查结果失去可信度。 OpenCodeReview 的思路是把审查拆成多个阶段，每个阶段用不同的确定性级别。文件选择、代码打包、规则匹配、评论校验这些环节，全部用确定性组件处理；只有真正需要理解代码语义的动态分析，才交给...
宇树开源的 6B 具身大脑：2500 小时真机数据 + 7 项开源 SOTA，让机器人先预判再动手
一句话结论：宇树在 9 月开源了新一代通用人形机器人基础模型 UnifoLM-WLA-1.0，6B 参数，用约 2500 小时真机数据训练，一个模型覆盖 64 项任务。它的具身推理底座在 16 项多模态基准里有 7 项领先开源模型，部分空间理解任务甚至反超 GPT-6 Astra。核心思路是「世界-语言-动作」（World-Language-Action）的统一：让机器人先预测世界会怎么变，再决定怎么动。 AI 摘要 项目是什么：UnifoLM-WLA-1.0，宇树开源的 6B 通用人形机器人基础模型，WLA 即「世界-语言-动作」。核心能力：一个模型覆盖 64 项任务（54 项桌面 + 10 项全身），支持二指夹爪和多种五指灵巧手。关键数据：2500 小时真机数据 + 500 万条具身推理样本；具身推理底座 7 项开源 SOTA。适用边界：64 项任务都在宇树 G1 上测试，跨本体泛化还没数据验证。 什么是「世界-语言-动作」模型 先讲清楚 WLA 这三个字母的意思。它对应的是具身智能领域的三层能力。 「世界」（World）指世界建模——预测动作之后世界会怎么变。「语言」（Language）指理解指令。「动作」（Action）指生成具体的操作。 宇树的路线是「先预判再动手」：让机器人先学会预测「我动完之后，世界会变成什么样」，再从变化里推导出动作。这个思路更接近人的直觉——人要挪走一个杯子，脑子里会先过一遍杯子挪开后桌面变成什么样。 这和之前 PhysBrain 走的人类学习路线是不同的技术路径，但指向同一个方向：让具身智能从「反应式」走向「预测式」。放到更大的图景里看，宇树这次开源，和
Realtime-Venus：蚂蚁百灵开源的「实时在场」音视频交互系统，让 AI 边听边看还能主动开口
一句话结论：9 月 18 日，蚂蚁百灵（inclusionAI）在 Hugging Face 上开源了 Realtime-Venus，一个 Apache-2.0 协议的全双工音视频交互系统。它包含两个 9B 参数检查点——Omni 版能持续「看」和「听」并主动判断何时回应，Audio 版专注音频对话。核心能力是让 AI 从「你问我答」的回合制，走向「持续感知、可被打断、能主动开口」的实时在场。 AI 摘要 项目是什么：Realtime-Venus，蚂蚁百灵开源的全双工音视频交互系统，两个 9B 检查点，Apache-2.0。核心能力：原生全双工对话、主动交互、可打断、异步委派，共享因果时间线生成文本与语音。关键架构：骨干基于 Qwen3-8B，音频编码器 Whisper-Medium，上下文长度 40960。适用边界：异步委派需要配套 Harness 运行时（托管在 GitHub），实际体验取决于 Harness 成熟度与硬件。 它和普通语音模型差在哪 先讲清楚一个关键区别：绝大多数「语音模型」是回合制的。你说一句，它听完了回答一句，中间是断开的状态。 Realtime-Venus 做的是「全双工」。它在说话的同时保持感知，能区分附和、打断、纠正、话题转向这些不同的交互信号。这意味着它不只是「听懂」，而是「在场」——像真人一样，边听边判断什么时候该接话、什么时候该闭嘴。 更进一步的「主动交互」能力是：它持续处理时间对齐的视频和音频，在事件值得回应时主动发起响应，而不用等用户先开口。这对实时翻译、陪伴式助手、会议直播、以及需要「边看边说」的机器人交互，都是直接有价值的能力。 两个检查点分别解决什么 Realtime-Venus 开源了两个 9B 参数检查点，定位清晰。 Realtime-Venus-Omni 是音视频交互模型。它能持续「看」和「听」，在共享的因果时间线上同时生成文本和语音。这是把视觉、听觉、语音生成打通到一条时间线上的版本。 Realtime-Venus-Audio 聚焦音频理解与音频驱动的对话，可输出文本或语音，在推理时不启用视觉编码器，但和 Omni 版共享同一套流式骨干与语音解码器。 架构上，骨干基于 Qwen3-8B，音频编码器用 Whisper-Medium，权重为 BF16，上下文长度 40960。语音生成采用离散 S3...