Kruk2/jasna 今天上了 GitHub Trending，一天涨了 115 星，总共 2499。项目描述只有一句：Video restoration tool。
拿这类视频修复工具处理老视频之前，先看这几件事： - 从同一帧截图，把修复前后并排放着比，别只看作者挑出来的演示片段。 - 重点看人脸和字幕。修复模型最容易在这两处补出原片里根本没有的细节。 - 记下处理一分钟视频要多久、显存占了多少。 - 原片越糊，越要先备份原始文件。 项目地址，描述目前只有一句 Video restoration tool：https://github.com/Kruk2/j
破解后的 PS5 能原生跑 llama.cpp 了，任意 GGUF 模型都能扔进去。游戏机终于有理由在你不玩的时候也开着。
项目叫 PS5LM，在破解过的 PS5 上原生跑 llama.cpp 和 GGUF 模型：https://github.com/cobanov/PS5LM
antirez 的 ds4 是一个本地推理引擎，专门跑 DeepSeek 4 的 Flash 和 PRO。现在 23468 个星，今天一天涨了 211。
• Metal、CUDA、ROCm 都有，Mac、N 卡、A 卡理论上都能跑。 • 只认 DeepSeek 4，别的模型不接。 • 速度和显存说明里没写，等有人跑出来再说。 antirez 的 DeepSeek 4 本地推理引擎，仓库在这：https://github.com/antirez/ds4
vLLM v0.31.0 发布了，717 次提交，307 位贡献者，其中 96 位是第一次贡献。Highlights 第一条是 DeepSeek-V4.1-Flash。通读下来，这一版在这个模型上做的事可以概括成一句话：能合并的步骤都尽量合
vLLM v0.31.0 发布了，717 次提交，307 位贡献者，其中 96 位是第一次贡献。Highlights 第一条是 DeepSeek-V4.1-Flash。通读下来，这一版在这个模型上做的事可以概括成一句话：能合并的步骤都尽量合并，SM100 上的默认注意力路径也换成了新方案。 第一个证据是默认路径变了。FlashMLA mega attention 配合 V4.1 的 NVFP4 压
125B 参数，一张 RTX 4090，每秒 100 个 token。这组数字来自 HN 上今天的一个开源项目 Strata，跑的是 Qwen 3.8 Flash Next，帖子拿到 644 分、302 条评论。
如果这个速度在消费级显卡上站得住，125B 这一档的模型就不用再租卡，自己桌上那台机器就能跑。 不过标题只给了速度，没写量化到几 bit、上下文开多长，也没说 100T/s 是单条请求还是批量跑出来的。这三个条件决定它对你有没有用，看仓库时先找这三项。 Strata 项目仓库：https://github.com/Niko1221/Strata
美团开源的 LongCat-Video 在 GitHub 上有 8783 个星，今天又涨了 44。我写的 agent octopy 每天从十几个信息源里挑选题，今天它从 GitHub Trending 里把这个项目挑了出来。
星数能说明关注度，说明不了模型能不能用。要判断一个开源视频生成模型值不值得部署，先看这几件事： - 生成一段几秒的视频要多久，用的是什么卡 - 最低要多少显存，消费级显卡跑不跑得动 - 人物动作连着几秒以后会不会变形 - 许可证让不让商用 LongCat-Video 的 GitHub 仓库，上面这几项可以对着它去查：https://github.com/meituan-longcat/LongCa
PageIndex 今天在 GitHub 上涨了 835 个星，总数到了 37497。它给自己的定位是 Vectorless、Reasoning-based RAG：给文档建索引，但不用向量，靠推理去找内容。
财报、合同这类长文档最该关注它。常见的 RAG 先切块，再按语义相似度召回。长文档里措辞相近的段落一多，召回的未必是真正要的那一段。不按相似度找，改让模型顺着文档索引推理去定位，思路正好对着这个问题。 PageIndex 的仓库，做的是不用向量、靠推理检索的文档索引：https://github.com/VectifyAI/PageIndex
AI Agent 最烦的一点
你得盯着它干活 Pizza Bot 换了个思路 把 Agent 做成邮箱 任务完成 → Unread 需要你拍板 → Action 我不用再守着聊天窗口 它在后台自己跑 卡住了才叫我 我喜欢这个方向 Agent 越像员工 聊天框就越不像正确的 UI 开源 本地优先 Claude / OpenAI / Gemini / Ollama 都能接
有个项目叫 Vane
你可以把它理解成能自己架的 Perplexity Web Search、SearXNG、本地模型整套串好 OpenAI / Claude / Gemini / Ollama 都能接 原作者想拿它当 Research OS 丢一个主题 自动搜 10–20 个来源、去重、整理观点 吐出摘要、可写角度、草稿、source list 我认同这个底座 本地模型吃小整理 大模型吃规划 他也老实写了一句 还没动
125B 塞进小内存 Mac
听着像魔法 先看那盆冷水 slotstream 把 MoE 专家从硬盘动态载入 Qwen3.8-Flash-Next 四 bit 盘上大约一百零四 GB 作者自述大约 12 tok/s 数据不出机器 GitHub 才两百出头星 HN 已经在泼 README 读起来像 AI agent 吐的日志 也没有拿 Ollama 做对照 我要分清两件事 离线能跑 125B 和能顺跑对话 目前这条路只交出前者
8GB 显存到底能跑多大模型
别再靠感觉了 llmfit 扫一眼你的内存、CPU、显卡 按「能不能塞进去」「会不会卡死」「质量够不够」打分 我刚测过 27B 塞进 8GB 这种工具本该先跑一遍 再下载那十几个 G
8GB 显存，能不能跑 27B？我用 RTX 3060 Ti 实测 Qwen3.8-27B
先说答案：能跑，但不算流畅。 我在一台 Windows 台式机上，用 RTX 3060 Ti 8GB 跑通了 Qwen3.8-27B。命令行生成速度约 1.7 tokens/s，本地 API 测到约 1.9 tokens/s。 这个结果适合技术验证、轻量问答和偶尔写作，不适合拿来做高频编码助手，更别说多人服务。 如果你也是 8GB 显存，最重要的不是照抄我的每个参数，而是先选对路线：**GGUF
跑一次全市场回测，以前可能先花两周做数据工程。free-stockdb 想把这件事砍到大约半小时量级。
约 1.9K 星：A 股日 K、分钟 K、ETF 落到本地磁盘，少跟远程 API 限频和封 IP 搏斗。 7000+ 标的覆盖、增量同步 + zstd、Rust 算 39 个指标、Python/HTTP/Excel/MCP 多入口，Claude 也能直接查。 量化研究的第一瓶颈常常是数据，不是策略灵感。 仓库在第二条。
吴恩达出了个开源工具：OpenWorker，本地端 AI 桌面助理。
和一般聊天式 AI 不同，它直接交付工作成果——写好文档、排好会议、发完 Slack、整理完收件箱。 四个特点值得关注： - 原生 25+ 办公工具连接器（Gmail、Notion、Jira、GitHub），兼容 MCP 生态 - Local-first 架构 + MIT 协议，数据留在本机 - 发信等关键动作强制人工审核，安全可控 - 不绑定单一模型，OpenAI/Claude/DeepSeek
如果电脑上的操作都能交给AI代劳，你会先让它干哪件事。
微软最近给了个却意外的答案：Fara，一个专门干“操作电脑”这事的开源模型，刚更新到 1.5。 它不靠聊天工作，而是直接看屏幕截图，跟人一样去点鼠标、敲键盘，自己去填表、比价、订票、搜资料。 更打动我的一点是它能完全本地跑：LMStudio、Ollama、vLLM 直接载入 Fara-7B，MacBook M4 Pro 上跑量化版都没问题，数据不用传上云。 免费，开源，架构也换成了 Qwen3.5
多数股票分析工具只接一个模型，这个直接接入四个：Gemini、ChatGPT、DeepSeek、Claude。
Daily Stock Analysis 是个近 6 万 Star 的开源项目，自动整合行情、新闻、技术指标和基本面，让多个模型交叉分析同一支股票，生成结构化报告。 用长鑫科技举例，报告会拆解出国产替代、技术差距、IPO 估值、行业周期、潜在风险五个维度，外加乐观/中性/悲观三种情景。 支持 A 股港股美股，带 WebUI、大盘复盘、自选股、历史报告，Docker 一键本地部署。
用一个 Skill 就能在本地微调 Gemma？
Google 在 gemma-skills 里加了 gemma-trainer：单 GPU + Unsloth，SFT/DPO/奖励建模都能走；还支持多模态，训完可转 GGUF 部署到手机/IoT。 更省事的是跟 Agent 的整合——自然语言下指令，不用自己拼训练流水线。
一句话生成完整短视频——
Pixelle-Video 全链路闭环：写文案、AI 生图生视频、配音、上字幕，自动吐出成品。 支持开源模型和免费 API，成本极低。 本地部署，批量生产。 一个人顶一个短视频团队。
Meetily——完全本地的 AI 会议助手
Whisper 实时转录，快 4 倍 说话人分离 + Ollama 摘要 macOS & Windows 均可 数据永不上云，隐私 100% 在你手中。 ⭐ 17,716（+1,409 今日）
做 RAG 踩过最多坑的地方不是模型，是文件前处理。
表单、流程图、多栏 PDF 扔进去，出来的文本全是乱的，召回自然差。 有人开源了一个专门解决这个的小工具：Semark。 把 PDF / Office / HTML / 图片转成适合知识库的 semantic Markdown——不只是 OCR，而是尽量保留表格结构、字段关系和语义层级。 基于 MinerU，可接 Ollama 或 OpenAI-compatible VLM/LLM，支持自动分档。
想免费跑 Claude Code 和 Codex？
这个项目『Free Claude Code』做了个本地代理，直接把请求路由到各种免费/本地模型上。 支持 NVIDIA NIM、Groq、Gemini、DeepSeek、OpenRouter 免费模型、Ollama、LM Studio 等 17 种后端。 有专用 fcc-claude / fcc-codex launcher，VS Code 扩展、JetBrains 也能接，还支持 Discord
他们把 FinLab 十年积累的量化知识，打包成 AI 能读懂的格式
让 Claude Code 或 Cursor 直接变成台股策略研发助手 你不用学语法，只要说：「帮我找营收增长但本益比偏低的股票」 AI 就会帮你捞数据、写策略、跑回测 推荐做法是：先用 finlab-ai 让 AI 把策略验证、回测跑完，确认可行再去 XQ 实操 几分钟就能完成手动要花好几个小时的组合测试 这是研发工具，不是印钞机 最后判断还是靠自己 但至少，能更快知道一个想法值不值得试