GLM-5.3 (753B 參數)，已在 Hugging Face 發佈權重，但新授權條款不再採用 MIT，並要求大型提供商接受安全審查。
想自行下載模型權重、在本地或私有環境運行 GLM-5.3 753B 參數的團隊，現在多了一項不能忽略的授權考量。Z.ai 已把 GLM-5.3 上載到 Hugging Face，讓研究者和開發者取得模型權重，但同時撤下過往的 MIT license。
這個安排令「開放權重」與「完全不設限制的開源授權」出現清楚分別。模型檔案可以取得，不代表所有公司都能按照相同條件提供服務；收入超過 100 億美元的提供商，需要先接受安全審查，條款明顯針對大型雲端及 AI 服務供應商。
對小型團隊、研究人員和需要控制資料流向的企業，GLM-5.3 的權重仍可能方便本地推理、模型整合及內部測試。不過，將模型包裝成公開 API、雲端推理服務或大規模商業產品前，必須先核對新 license 的適用範圍和審查要求。
寫完文章後，毋須再分別排版圖片、卡片和長文格式，這個項目把發布前的整理工作集中在同一個工作區。
由寫作到發布，最花時間往往不是產生內容，而是重新分頁、整理圖片和適配不同平台格式。這個項目屬於內容製作工具，讓同一份 Markdown 正文同步輸出圖文卡片與公眾號長文，並保留原有結構，不會因為切換模式而改寫內容。
項目採用 Vanilla HTML/CSS/JS，亦提供本地運行方式。圖片支援上傳、貼上、拖放和批量導入，Wiki 圖片引用則可讀取 Obsidian 的 ![[圖片.png]]、![[附件/圖片.png]] 及標準 Markdown 圖片語法。瀏覽器獲得目錄權限後，Markdown 會寫回「寫了就發」，新增圖片則放到「寫了就發/附件/」；未能寫入時會降級為 Markdown 加附件 ZIP。
圖文卡片會自動分頁，標準輸出為 1728 × 2304 PNG；公眾號模式保留標題、列表、引用、程式碼、表格和正文圖片，亦可調整主題、字體、字號與主題色。Live Photo 透過 WebCodecs 處理，可按小紅書或公眾號設定片段時長、比例、裁剪及聲音，並按原始頁序批量下載。
項目不涉及生成模型，因此不會替作者寫稿或改寫內容，價值集中在發布前的排版與素材整理。內容創作者、經常維護 Obsidian Vault 的作者，以及需要同時經營公眾號和圖文平台的小型團隊會較容易受益；macOS 本地版另可在配置完成後同步到公眾號草稿箱，但跨平台發布能力仍受瀏覽器權限和平台整合限制影響。
Diffusion Studio 將時間軸剪輯與 SolidJS 程式碼互相同步，讓 AI agents 可以直接協助製作影片。
想用自然語言叫 AI 整理素材、剪出精華片段，甚至加入動態圖像和旁白，Diffusion Studio 提供了一條由命令列控制影片編輯器的工作流。它屬於開源影片編輯工具，核心是以 SolidJS modules 作為文件來源，處理由原始片段到成片的剪輯、合成和影片理解。
畫布與程式碼可以雙向修改：在畫布調整內容，變更會寫回程式碼；直接編輯程式碼，影片畫布亦會重新繪製。配合 dapi CLI，Claude Code、Codex、Cursor、Copilot 或 Gemini CLI 等 agents 能以文字指令操作時間軸，亦可要求系統摘要影片、搜尋場景，或找出附有時間戳的引述。
相比只在時間軸介面操作的編輯器，程式碼成為可保存、修改和交給 agents 處理的文件來源，較適合需要重複產出、批量改版或以生成式資產組成影片的團隊。代價是使用者要同時理解畫布、SolidJS modules 和 CLI 的關係；項目資料亦未提供獨立性能指標或完整平台支援範圍，不能單憑介紹判斷長片剪輯效率。
Diffusion Studio 連接 AI agents 之後可透過程式碼與影片時間軸進行編輯。內容創作者可先下載 macOS Apple Silicon 版本，再安裝官方 skills，透過自然語言要求建立影片，並在畫布中檢查結果；熟悉編程的團隊則可直接維護可重用的影片程式碼。
Microduck 把雙足行走、拾取、起身與遙控操作收進同一套控制系統。它更像一個可落地的機械人控制項目，而不只是展示動作的樣機。
Microduck 係一個機械人控制項目，核心係為約 25 厘米、800 克嘅雙足機械鴨提供執行層，解決步行、起身、拾取同模式切換呢類動作控制問題。它唔只做單一演示，而係把無線電、相機、更新流程同 50 Hz 控制迴圈一齊放入同一個執行環境。
呢個項目嘅做法係喺 Rockchip RK3566 上跑幾個 daemon，並用神經策略驅動 15 個伺服。策略本身喺另一個項目 microduck_rl 訓練，採用 MuJoCo、PPO 同 sim2real，再匯出做 ONNX 俾這邊載入；原始資料未提供完整安裝或部署步驟，只能確認佢有 cheat sheet 同 duckctl 等操作入口。
同一般遙控機械人相比，Microduck 將控制、感知同更新機制綁得更緊，重點係讓細小雙足平台可以穩定接收新軟件，而唔會刷壞機器。它亦支援兩套行走形態，行走同輪式模式可以切換，顯示出硬件形態同策略之間嘅配合。
對做機械人研究、控制系統整合，或者想測試 sim2real 流程嘅團隊，呢個項目會較有參考價值。評估數字喺提供資料入面唔多，但已經可以見到它把「細體積、雙足、可更新」呢幾個限制同時處理。
Breeze TTS 2 把即時語音互動、聲線設計同語氣控制放埋一齊，主打低延遲同高可塑性。它較適合要做配音、語音代理或互動內容嘅團隊。
Breeze TTS 2 係一個文字轉語音（text-to-speech, TTS）模型，重點唔止係把文字讀出，而係處理即時互動入面最難平衡嘅兩件事：聲音要自然，回應又要夠快。佢支援 Voice Clone、Voice Design 同 Voice Direction，代表可以由參考錄音複製聲線，亦可以純靠自然語言描述去設計新聲線，再按指令調整語氣、節奏同表達。
對內容製作、語音代理、遊戲角色配音同多語言產品來講，呢種做法比單純 TTS 更有彈性。文本內仲可以插入 Vocal Events，例如笑聲、咳嗽、清嗓子呢類表情提示，令生成聲音更接近真人演繹，而唔係只係平鋪直敘讀稿。
項目資料顯示，佢喺 Artificial Analysis TTS leaderboard 排名第一嘅 open-weight 模型，亦聲稱喺部分測試中超越商業系統。低延遲係另一個賣點：warming 後喺 NVIDIA H100 可做到少於 40 ms 的 time to first audio，RTF 約 0.32，適合即時對話場景。
不過，repo 同時寫明模型權重、衍生模型同 self-hosted outputs 只限研究同非商業用途，呢點對想直接落地嘅團隊影響好大。代碼層面提供 PyTorch inference code，但原始資料未交代完整安裝流程或部署細節，較合理嘅理解方式係先把佢視為一個面向研究與產品原型驗證的高性能 TTS 模型。
把航班、船舶、地震同公共鏡頭即時疊上一個寫實 3D 地球，配以 AI 聲控同 GLSL 濾鏡，唔使安裝就玩到。
當 YouTube 上 God View 系列影片累積過五百萬次觀看，開發者 Bilawal Sidhu 直接把整套介面開源——God’s Eye View 是個純瀏覽器端的 3D 地球模擬器，把 ADS-B 航班、AIS 船舶、衛星軌道、地震儀、公開 CCTV 等公開訊號源即時疊加到寫實地球儀上。對於想用單一畫面追蹤全球動態的研究者、航迷或 OSINT 玩家來說，它把過往要開十幾個分頁的情報工作濃縮成一個可縮放、可標註、可聲控的 3D 空間。
與坊間 OSINT 工具最大分別是「空間感」與「混合實境感」：點擊飛機即可進入模擬駕駛艙鏡頭，相機會貼着地形俯衝；鎖定目標後會拖出淡出軌跡，遇上山火或船艦更會一鍵交棒到最近公共鏡頭。沒實時鏡頭的位置會清楚標示為模擬畫面，連火箭上升軌跡都標明 RECONSTRUCTED ESTIMATE，刻意延遲一個輪詢週期以換取流暢插值。
技術上它由 Three.js + GLSL 自定着色器渲染地球，加入夜視、紅外熱成像、雪花雜訊等感測器風格濾鏡，並用一個 realtime AI agent 接管語音指令——可以直接講「追蹤呢班機」、「喺這個位置畫邊界」落去執行。3D Hangar 提供 787、ATR-72、Citation、Bell 206、MQ-9 等真實飛機模型，鏡頭拉近時符號會自動切換成 3D 模型。
要注意，目前公開資料未見詳細本地安裝指引或離線模型權重，主要以開源 GitHub 項目形式發佈，實際部署流程仍須查閱儲存庫內容。適合做簡報 demo、地理課堂或開源情報練習的展示層，但若需要穩定商用級數據準確度，仍要自行評估延遲同模擬標記帶來嘅限制。
過往 AI 影片編輯碰到多鏡頭長片就容易認錯人、漏改背景。MMLVE-Agent 用 LLM 與 VLM 協作，把每個鏡頭拆開處理，再靠全局記憶鎖住主體身份。
用一句「將男人嘅紅色衫變成藍色」就改完成條片、每個鏡頭都認得返同一個人——呢個係南開大學同騰訊團隊提出嘅 MMLVE-Agent 想要解決嘅痛點。過往影片編輯模型主要處理單鏡頭或幾秒短片，落到幾分鐘、橫跨多個鏡頭嘅長片就容易出現主體身份斷裂、編輯幻覺同時間連續性受損。呢個項目本質係一個異構多智能體框架，結合 LLM 做指令解析、VLM 做鏡頭級拆解同評估，再透過全局記憶卡（Global Memory Card）將 top-k 關鍵幀合成統一參考，確保主體身份唔會跨鏡頭走樣。
團隊同時定義咗 MMLVE 任務嘅三個核心目標：跨鏡頭編輯一致性（CSEC）、多指令解耦（MID）以及對非目標區域嘅零破壞（ZDSS）。其中 Pos-Neg Editing Feedback（P-NEF）令 VLM 評估器可以同時輸出負向提示同正向提示，主動修正錯誤同時保留應有細節，取代坊間常見嘅單向反饋機制。佢哋亦同步推出 MMLVE-Bench 數據集，涵蓋密集異質指令同稀疏隨機分佈嘅實體，對應真實影片剪接場景。
團隊聲稱喺呢個基準上超越咗 Seedance 2.0 等閉源方案，特別喺消除編輯幻覺同保持時空連貫性方面。不過要留意，原始資料只提供項目頁、論文同 benchmark 數據集，並無公開模型權重或安裝入口，想實際部署嘅讀者需要留意後續開源進度。
重點摘要：
UrbanGround 是一個以香港全境 3D 地理數據搭建的城市級模擬環境，可直接用第一人稱遊玩，亦可讓 MLLM 智能體透過程式介面操作同一個世界。
UrbanGround 由一個學術團隊在 GitHub 上開源，整個項目的野心在於把「真實城市規模」這件事帶進多模態智能體（Multimodal Large Language Model, MLLM）的研究裡。它以香港的 3D Visualisation Map 為底層地理數據，搭配 Unity 場景提供第一人稱連續移動、碰撞與日夜、天氣、行人等動態變化，使用者可以直接以 WASD 鍵盤操作在城市裡行走、爬樓梯、找地點、切換視角，亦可以交由 AI 智能體透過程式介面（HTTP API）取得 RGB 觀察、物理動作與地圖資訊，自行決策。
這個環境和過往以小型合成場景或封閉遊戲引擎為主的做法相比，核心差異在於「規模」與「真實地理閉環」：智能體看到的不是抽象方塊，而是一座真實城市的街道、樓宇、地形，並且觀察、動作、地圖三者來自同一個介面，方便研究者設計貼近真實導航、空間感知與任務規劃的測試。整個項目同時釋出網頁版、macOS、Windows 與 Linux 原生版本，並附上多個由五個能力層級組成的評測任務，供 MLLM 在感知與行動兩端做系統性比較。
對研究 MLLM 空間智能、城市導航或數字孿生的團隊來說，UrbanGround 提供了一個比手工搭建的小場景更貼近現實的測試場；對一般玩家或開發者而言，它也是一個能在瀏覽器直接探索香港街景的實驗性沙盒。需要留意的是，網頁版首次載入完整 Unity 場景在繁忙時段或慢速網絡下需時約 3 至 5 分鐘，作者建議從 GitHub 下載並在本地網絡提供 tile 數據以加快速度。目前場景仍有「模糊或不完整幾何」以及「車輛與行人種類有限」等已知限制，相關修正在路線圖中。
重點摘要：
淘寶直播 AIGC 團隊針對直播帶貨 AI 主播的實時互動需求，提出 Harness-Aware Training（HAT）框架，令小模型能在頻繁更新的策略環境中保持低延遲與高適應力。
淘寶直播旗下的 TaoLive AIGC LLM 團隊發表技術報告，提出一套名為 Harness-Aware Training（HAT）的訓練方法，專門用於訓練能在直播帶貨場景中即時回答商品問題、與觀眾互動並執行營銷策略的數字人主播。團隊指出，直播帶貨對延遲極為敏感，同時行銷規則與商戶偏好又會持續變動，因此業界普遍採用「可演化 Harness」設計，把 Skills、Hooks、prompts 和 tools 與模型參數解耦，策略改動時不必重新訓練模型。然而這種做法帶來明顯取捨：大模型雖然泛化能力強，能夠零樣本適應 Harness 變動，但延遲太高；小模型延遲符合實時要求，卻容易過拟合到固定的 Harness 設定，一旦配置更新就需要重新訓練。
HAT 的核心思路是在訓練階段就讓模型接觸大量不同的 Harness 配置，使它學會「讀懂當前的 Harness」，而非記住某一個固定版本。具體做法引入 Harness-State Augmentation（HSA），對 Skill 識別碼、Skill 內容、工具 schema、prompt 結構及 Hook 函數施加保留任務語義的轉換。訓練分為三個階段：HSA-SFT 讓小模型從強模型生成、在多樣化環境中收集的高質量軌跡學習，直接提升推理與工具調用能力；General OPD 透過 On-Policy Distillation 在通用從基礎模型學習，恢復 SFT 過程中受損的泛化能力；HSA-RL 則在經 HSA 增廣的多樣化環境中做強化學習，進一步強化模型對變動 Harness 的理解與工具調用穩定性。
HAT 訓練的模型在 Live-Stream QA 上平均得分 94.8，明顯高於基礎模型的 80.3 和最強通用 LLM 的 93.0；在 Harness-Variant QA 上亦達到 94.6，遠超基礎模型的 75.4。傳統 Fixed-Harness SFT 會令 IFEval 分數較基礎模型下跌 7.7 分，而 HAT 不單避免這種下跌，更取得 83.5 分。在部署層面，模型可在單張 NVIDIA H20 GPU（啟用優化）上運行，P50 延遲 3.4 秒、P95 8.1 秒，已滿足實時互動門檻。系統已落地至淘寶直播的生產環境，線上 A/B 測試顯示相對 ReAct 對照組，Harness 實驗組在確認收貨 GMV 上帶來 4.33% 的 UV 標準化提升、商品頁瀏覽量提升 0.91%。
對需要快速疊代策略、又受制於延遲與算力的實時對話代理團隊而言，這份報告展示了一條可落地的工程路徑。
重點摘要
– 淘寶直播 AIGC 團隊針對直播帶貨 AI 主播提出 HAT 訓練框架
– 解決小模型過拟合固定 Harness、無法跟上策略更新的核心矛盾
– 透過 HSA 增廣與三階段訓練兼顧延遲、泛化與工具調用穩定性
– IFEval 分數避免傳統 SFT 出現的 7.7 分下跌，反升至 83.5
– 已在淘寶直播生產環境上線，A/B 測試帶來 GMV 與瀏覽量提升
淘寶直播 AIGC 團隊針對直播帶貨 AI 主播的實時互動需求，提出 Harness-Aware Training（HAT）框架，令小模型能在頻繁更新的策略環境中保持低延遲與高適應力。
淘寶直播旗下的 TaoLive AIGC LLM 團隊發表技術報告，提出一套名為 Harness-Aware Training（HAT）的訓練方法，專門用於訓練能在直播帶貨場景中即時回答商品問題、與觀眾互動並執行營銷策略的數字人主播。團隊指出，直播帶貨對延遲極為敏感，同時行銷規則與商戶偏好又會持續變動，因此業界普遍採用「可演化 Harness」設計，把 Skills、Hooks、prompts 和 tools 與模型參數解耦，策略改動時不必重新訓練模型。然而這種做法帶來明顯取捨：大模型雖然泛化能力強，能夠零樣本適應 Harness 變動，但延遲太高；小模型延遲符合實時要求，卻容易過拟合到固定的 Harness 設定，一旦配置更新就需要重新訓練。
HAT 的核心思路是在訓練階段就讓模型接觸大量不同的 Harness 配置，使它學會「讀懂當前的 Harness」，而非記住某一個固定版本。具體做法引入 Harness-State Augmentation（HSA），對 Skill 識別碼、Skill 內容、工具 schema、prompt 結構及 Hook 函數施加保留任務語義的轉換。訓練分為三個階段：HSA-SFT 讓小模型從強模型生成、在多樣化環境中收集的高質量軌跡學習，直接提升推理與工具調用能力；General OPD 透過 On-Policy Distillation 在通用從基礎模型學習，恢復 SFT 過程中受損的泛化能力；HSA-RL 則在經 HSA 增廣的多樣化環境中做強化學習，進一步強化模型對變動 Harness 的理解與工具調用穩定性。
HAT 訓練的模型在 Live-Stream QA 上平均得分 94.8，明顯高於基礎模型的 80.3 和最強通用 LLM 的 93.0；在 Harness-Variant QA 上亦達到 94.6，遠超基礎模型的 75.4。傳統 Fixed-Harness SFT 會令 IFEval 分數較基礎模型下跌 7.7 分，而 HAT 不單避免這種下跌，更取得 83.5 分。在部署層面，模型可在單張 NVIDIA H20 GPU（啟用優化）上運行，P50 延遲 3.4 秒、P95 8.1 秒，已滿足實時互動門檻。系統已落地至淘寶直播的生產環境，線上 A/B 測試顯示相對 ReAct 對照組，Harness 實驗組在確認收貨 GMV 上帶來 4.33% 的 UV 標準化提升、商品頁瀏覽量提升 0.91%。
對需要快速疊代策略、又受制於延遲與算力的實時對話代理團隊而言，這份報告展示了一條可落地的工程路徑。
重點摘要
– 淘寶直播 AIGC 團隊針對直播帶貨 AI 主播提出 HAT 訓練框架
– 解決小模型過拟合固定 Harness、無法跟上策略更新的核心矛盾
– 透過 HSA 增廣與三階段訓練兼顧延遲、泛化與工具調用穩定性
– IFEval 分數避免傳統 SFT 出現的 7.7 分下跌，反升至 83.5
– 已在淘寶直播生產環境上線，A/B 測試帶來 GMV 與瀏覽量提升