Ouroboros 把 AI 代理變成「自我演化」

2026 年 8 月 11 日 Share to X Copy link

它不只會接任務，還會記住自己做過什麼，甚至改寫自己。對想長期運行 AI agent 的團隊，呢種設計幾有吸引力。

一次性完成指令的 AI agent 已經不少見，但能夠跨任務、跨重啟保留身份、記憶同歷史，仲可以持續修改自己運行方式的並不多。Ouroboros 屬於開源通用型 AI agent，處理的是長週期工作會斷線、失憶，同埋難以持續改進代理本身的問題。

它不是單純能開多個 specialist agents，而是保留「同一個負責任主體」去協調研究、建構、驗證同審查。呢種做法對外部程式碼項目、需要長時間追蹤證據的工作流特別有用；代價是系統野心很大，對使用者來說亦意味要接受一個會動到自身程式碼、prompt、tools 甚至 dependencies 的代理。

Ouroboros 可當原生桌面程式使用，也可走 headless CLI，Windows x64 同多種 Linux 發行版都有發佈版本。執行期會把 repository、durable memory、history 同介面留在本機，模型推理則可接駁你自行設定的遠端 API，或者用本地 GGUF 模型，對想保留資料控制權的人較有吸引力。

• 開源通用型 AI agent，重點在持續身份、durable memory 與自我修改
• 可協調一組 specialist agents，但最終責任仍由單一 root agent 承擔
• 支援桌面 app 與 CLI，適合長時間運行或接手外部程式碼項目
• 本機保存記憶與歷史，模型可用遠端 API 或本地 GGUF 格式在本地執行推理
• 官方列出 Terminal-Bench 2.1、OSWorld-Verified、CL-Bench 的 self-reported 成績

Ouroboros 公開了在 Terminal-Bench 2.1、OSWorld-Verified 同 CL-Bench 的 self-reported 結果，並以 matched model 或公開排行榜對照 Codex、Claude Code、Cursor、Hermes。呢類數字有參考價值，但仍要留意它屬自報結果；較可取的是，項目同時強調 traces、evidence 同可重現性，顯示它想把重點放在可檢查的過程，而不只是最終分數。

整體來看，Ouroboros 適合研究型開發者、想建立長記憶 agent 的團隊，以至需要代理長期接手軟件工作流的人。它吸引人的地方在於把 agent 由「一次性助手」推向「可延續個體」，但同時也把風險一併帶進來：自我演化愈強，愈需要清楚邊界、驗證流程同責任歸屬。

項目主頁 · GitHub

Categories: 開源, Agentic, API, IDE, Linux, Mac, Dataset 數據集

---

RVC WebUI：低門檻變聲框架的實用與代價

2026 年 8 月 7 日 Share to X Copy link

這個語音音色轉換框架把訓練、推理和即時變聲放進同一個網頁介面，重點是讓少量語音資料也能做出可用效果。它的強項在於速度、易用性和模型融合，代價是硬件與延遲條件仍會影響體驗。

RVC（Retrieval-based Voice Conversion）WebUI 把語音音色轉換、變聲推理和即時變聲收進同一套 Web 介面，適合要快速做 AI 歌聲、配音修音或聲音風格替換的人。它不是單純展示效果，而是把訓練、檢測、推理和即時輸出串成一條可操作流程，降低了進入門檻。

這個項目主打少量資料也能訓練出可用模型，官方建議至少準備 10 分鐘低底噪語音。它採用 top1 檢索去替換輸入特徵，減少音色洩漏，並用 InterSpeech2023-RMVPE 做人聲基頻提取，處理哑音問題時速度快、資源占用也較小。

支援 Python 3.12 x64；Ubuntu 24.04、Windows 與 Linux 都有對應路徑，A 卡和 I 卡則走 CPU 依賴方案，Windows 亦可用 DirectML。即時變聲延遲官方標示可達端到端 170ms，配合 ASIO 輸入輸出設備時可進一步降到 90ms，但對硬件驅動支援要求較高。

• 可用少量語音資料訓練，門檻比傳統聲音模型低
• WebUI 同時覆蓋訓練、推理與即時變聲
• ckpt-merge 允許用模型融合去調整音色
• 可接入 pymss/MSST 分離人聲與伴奏
• 更適合配音、歌聲轉換、直播變聲與聲音原型測試

GitHub

Categories: 開源, Linux, Python, 模型, 數字人, 語音, 中國

---

Reasonix：DeepSeek AI 編碼 agent，用 cache-first 降低長會話嘅 token 成本

2026 年 8 月 2 日 Share to X Copy link

Reasonix 係 DeepSeek 嘅終端 AI coding agent，以 cache-first loop 壓低長會話嘅 token 成本，適合反覆改碼、工具呼叫同團隊迭代。支援 CLI/TUI、桌面、Web UI 同 ACP 編輯器整合，配合 /plan、MCP 同 sandbox 權限控制。

Reasonix 是 DeepSeek 一個面向桌面及終端的 AI coding agent，核心價值唔係花巧介面，而係將長會話裡不斷累積的上下文成本壓低。它適合要一路改檔、一路試工具、一路追問模型的人，特別是團隊日常做修補、重構同埋持續迭代時，對 token 成本同回合延遲都會有明顯感受。

Reasonix 主打 cache-first loop，令 prompt 前綴保持 byte-identical，配合 DeepSeek 的 prefix cache 去提升長會話命中率。項目同時提供 CLI/TUI、桌面端、local browser UI，同埋支援 ACP-compatible editor integration，部署方式亦算直接：CLI 可用 npm 安裝，桌面版則有 macOS、Windows、Linux 套件可選。

Deepseek's ~OFFICIAL Code: RIP Claude,Codex! This is CRAZY GOOD!

Reasonix 唔係純粹包住模型嘅殼，而係圍繞工具呼叫修正、成本控制同 sandbox 權限去設計。/plan 會先要求模型規劃，再進入實作；MCP（Model Context Protocol, MCP）亦作為一等入口，方便把外部工具合入同一個 registry。這種做法較適合重視可控性、可追蹤性，亦需要長時間跑 session 的開發流程。

要留意嘅係，呢條 TypeScript 線已經進入 maintenance mode，主力開發搬去 Go rewrite，同步文件亦指向 main-v2 同 migration guide。現時更合理嘅理解方式，係將佢視為一個仍可用但已凍結方向的終端編碼 agent 版本，重點價值在 cache 效率、工具整合與成本壓縮，而唔係追求最新功能擴張。

• 長會話下，prefix cache 命中率可維持在 90%+，輸入 token 成本可明顯下降
• 同一套引擎可喺 CLI/TUI、桌面端、Web UI 同編輯器接入使用
• /plan、權限控制同 workspace sandbox 一齊限制工具呼叫，取向偏向可控
• 適合經常改碼、反覆驗證、又在意推理成本嘅個人或團隊

項目主頁 · GitHub

Categories: 開源, DeepSeek, Agentic, MCP, Linux, Mac, Vibe Coding, 編程

---

OmegaUse-OfficeVal 量度 Office 代理能力

2026 年 8 月 1 日 Share to X Copy link

想比較 LLM agents 做 Office 工作交付得好唔好，單靠主觀打分唔夠。OmegaUse-OfficeVal 用可執行驗證器同經濟訊號，將評測流程整理成可重跑的框架。

做 Office-suite 長流程任務，最難唔係叫模型產生文件，而係點樣穩定判斷交付物到底合格未。OmegaUse-OfficeVal 把這件事做成一個 Python 框架，同時連接 benchmark 思路與驗證流程：它收 ZIP 提交、先做安全檢查，再逐個執行 100 個 Office document evaluators，最後輸出 JSON 同 CSV 報告，適合用來評測 LLM agents 在 Office 任務中的完成度。

呢個項目的取向幾鮮明：重點唔放喺即場互動，而係放喺可重複、可審核、可批量執行的驗證。網站資料亦交代，OmegaUse-OfficeVal 對應的是一組有經濟 grounding 的長時程 Office-suite tasks，100 個任務平均要 2.32 小時人手完成，並附有人力時間與 task price proxy，方便把模型推理成本同人類成本放埋一齊看。相比只做最終分數排行，這種設計更接近團隊挑選 agent、比較交付價值時會遇到的問題。

它不是把資料集、提交內容同工作目錄全部包在倉庫內，而是把評測框架與 verifier source code 分開提供，benchmark data 另外發佈。Python 3.10 以上可跑，Windows、macOS、Linux 都支援 normal mode；其中 91 個 verifiers 可跨平台執行，另有 9 個 verifiers 依賴 Windows 上的 Office COM，相關環境未齊時會被跳過或只限指定平台處理。

• 以 evaluate(directory: str) -> dict 統一 100 個驗證器介面，方便批量評測與整合
• 收件前先檢查 ZIP traversal、加密、大小、檔案數量與壓縮比，安全性考慮算完整
• 每個 verifier 在隔離 subprocess 執行，可設定 concurrency 同 timeout，減少互相干擾
• 輸出採用 machine-readable JSON、CSV，而且每個 verifier 各有結果，後續分析較方便

這個倉庫裡主要體現在覆蓋範圍與流程穩定性，而唔係模型速度本身：可見進度、目前 verifier ID、執行 channel 同耗時，對跑大批提交會實用。它更像一個面向 Agentic 評測、研究復現同內部驗收的基建項目；想測 Office 類代理，尤其想把安全收件、隔離執行、可讀報告放進同一條流水線，這個項目的完成度相當高。

項目主頁 · GitHub

Categories: 開源, Agentic, Linux, Mac, Python, 多模態模型, 百度, Dataset 數據集, 框架

---

Google 開源 GNM Head：更完整的人頭 3D 模型

2026 年 7 月 28 日 Share to X Copy link

做人頭 3D 建模時，最麻煩往往唔係外形，而係眼球、牙齒同舌頭呢類細節。GNM Head 把呢些結構一併納入，定位明顯唔止係傳統面部 3DMM。

只做臉部外殼，很多時已經唔夠用；去到動畫、重建同生成式影像控制，眼球、口腔同頭部姿態一旦分離得唔好，效果就會即刻穿崩。google/GNM 目前先開放的 GNM Head，屬於3D parametric statistical human model 項目，焦點是用更完整的人頭幾何表示，處理傳統 3D Morphable Models (3DMMs) 對內部 anatomy 覆蓋不足的問題。

這個項目的取向很鮮明：不只是追求一個可調參的人臉網格，而是把 head、face、neck、eyeballs、teeth、tongue 放進同一個生成式人體測量框架。作者在技術報告指出，現有公開模型多數只覆蓋外部幾何，亦容易受限於低保真掃描資料；GNM 則結合高解析 3D scans 與 anatomy-specific artist-made samples，並加入 ocular 同 intra-oral specialized sub-models，目的就是改善幾何品質同可控性之間的取捨。

現有儲存庫較像一個生態系入口，而唔係即開即用的單一應用程式。README 清楚列出 GNM Head 已提供 NumPy、JAX、PyTorch、TensorFlow 多後端支援，亦有 Linux、macOS、Windows 的 CI；但目前公開資訊以模型與技術報告為主，未見到很完整的產品化操作流程說明，所以較適合研究、角色生成、數碼人、3D 視覺或生成式影像控制團隊按其子目錄文件逐步接入。

• 補足傳統 3DMM 常見缺口：不只外形，連眼球、牙齒、舌頭都可控
• GNM Head 強調 identity、expressions、head pose 的 disentangled control
• 同時支援 NumPy、JAX、PyTorch、TensorFlow，方便接去不同研究流程
• 技術報告聲稱在 fitting target 3D face scans 達到 SotA 表現，但具體指標仍要回看原報告

它最吸引人的地方，在於把「可生成、可擬合、可作條件控制」三條路線拉到同一個模型家族內。現階段公開內容仍以 GNM Ecosystem 的起步版本為主，想拿來做完整 production pipeline，仍要自己判斷與現有重建、動畫或生成系統的整合成本；但作為高保真人頭 3DMM 的新基礎，這個項目的研究價值同延展空間都相當高。

GitHub · Paper

Categories: 開源, Google, TensorFlow, 3D, Linux, Mac, Python, 多模態模型, 模型, 語音, Dataset 數據集

---

Ollama 3.25 把開源模型帶回你部機

2026 年 7 月 27 日 Share to X Copy link

想喺自己電腦跑開源大模型，又唔想先砌一大堆環境，Ollama 正正係針對呢個卡位。它將模型執行、管理同串接應用壓縮成一條較順手的路。

想將開源模型放返本地處理，又要兼顧聊天、程式整合同 agent 工作流，Ollama 幾乎係目前最直接的一條路。它屬於模型執行與管理工具，核心作用係將本地大語言模型的下載、啟動、呼叫同整合收斂到同一套介面，令 Mac、Windows、Linux 甚至 Docker 部署都比較一致。

它吸引人的地方不只是可以對話，而係可以直接接去 Claude Code、OpenClaw、Codex、Copilot 等現有工具鏈。換句話說，Ollama 唔係只提供一個聊天殼，而係充當本地模型服務層；你可以用 CLI 跑模型、經 REST API 調用，亦可以配合 ollama-python、ollama-js，或者再接 Open WebUI、LibreChat、Lobe Chat、NextChat、Perplexica 呢類前端與應用。

同類做法入面，Ollama 的取向好清楚：它唔著重花巧介面，而係先處理「點樣穩定喺本地把模型跑起來，再供其他程式使用」呢件事。背後支援 llama.cpp，意味住它承接咗本地推理生態的成熟基礎；代價亦存在，本地效能仍然受你部機的記憶體、GPU 與模型大小限制，追求大型模型或高併發時，就未必有雲端服務咁輕鬆。

• 安裝路徑完整，覆蓋 macOS、Windows、Linux 同 Docker，理解上可以當成一個本地 AI 服務。
• 既可直接 run 模型聊天，亦可透過 REST API、Python、JavaScript 接入現有項目。
• 跟 Claude Code、OpenClaw、Codex、Copilot 等整合，適合做本地 agent 與開發工作流。
• 配合 Open WebUI、LibreChat、Lobe Chat、NextChat 等，可快速補上可視化操作層。

較受惠的一群，會係想保留資料喺本地的開發者、需要快速測試開源模型的團隊，以及想把 AI 能力嵌入內部工具的人。就產品定位而言，Ollama 最有價值的地方，係將「本地跑模型」由零散步驟變成可重用的基礎設施。

項目主頁 · GitHub

Categories: 開源, Agentic, API, Linux, Mac, Ollama, Python

---

Voicebox 本地語音克隆完整工作台

2026 年 7 月 21 日 Share to X Copy link

想喺自己部機完成語音克隆、朗讀同聽寫，Voicebox 幾乎把整條語音 I/O 流程收進同一個桌面項目。它吸引人的地方，不只係多模型，仲有本地私隱同跨平台部署。

把語音克隆、TTS、聽寫同 agent 語音互動放埋一個桌面介面，正正擊中不少內容創作、無障礙輸入同 AI 工作流嘅痛點。Voicebox 屬於本地優先嘅開源語音工具項目，重點唔係單做一種聲音生成，而係將完整 voice I/O stack 放到 Mac、Windows 同 Linux 上運行，令模型、錄音同聲音資料都留喺自己部機內。

它最有競爭力嘅地方，在於把雲端常見嘅兩段流程合併：一邊做語音輸出，一邊做全域聽寫，仲可以接到 MCP-aware AI agent。對比只做 TTS 或只做 dictation 嘅服務，Voicebox 提供嘅係一個較完整工作台；代價亦明顯，本地推理對硬件、模型管理同快取安排有一定要求，想追求最省心體驗，未必比純雲端方案輕鬆。

支援面向相當廣，內建 7 個 TTS engines，包括 Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA 同 Kokoro，亦提供 zero-shot cloning 同 50+ preset voices。23 種語言加上後製效果，例如 pitch shift、reverb、delay、chorus、compression 同 filters，令它唔止適合做旁白，對要快速試聲線、做角色語氣、整理語音筆記嘅小團隊同個人創作者都幾有用。

• 本地執行係核心價值，私隱敏感內容唔使上傳雲端
• 一個項目包辦 voice cloning、speech generation、dictation 同 agent 語音介面
• 支援多個 TTS engines，同一段內容可按聲線、語氣同語言需要切換
• Chatterbox Turbo 可處理 [laugh]、[sigh]、[gasp] 等 paralinguistic tags，Qwen CustomVoice 可用自然語言控制演繹方式

安裝方式以桌面應用為主，官方已提供下載、文件同 troubleshooting，理解上接近本地 AI studio，而唔係單一模型倉庫。現有資料未見統一基準分數或嚴格 benchmark，對聲音相似度、延遲同穩定性，仍要視乎你選用邊個 engine、樣本質素，同埋會唔會改用 local or remote inference；但作為把多語音模型、克隆流程同輸入輸出控制整合起來嘅開源項目，它已經比只提供單點功能嘅工具更接近可長期放入工作流。

項目主頁 · GitHub

Categories: 開源, Qwen, 文字轉語音, Agentic, MCP, Clone, Linux, Mac, 語音

---

KeyFrame-Compass：關鍵幀尺度評測

2026 年 7 月 17 日 Share to X Copy link

想知道影片生成有沒有跟住關鍵畫面，KeyFrame-Compass 就把這個矛盾拆開量度。它同時看畫面有沒有到位、順序有沒有跟足，還會檢查整體影片質感。

KeyFrame-Compass 是一個用來評測 keyframe-conditioned video generation 的基準項目，重點在於檢查模型能否同時跟住文字提示同一組按順序排列的 keyframes 生成影片。對做影片生成的人來說，這類測試最有價值的地方，是它不只看成片好不好看，還會追問畫面有沒有真係按要求出現、順序有沒有走樣。

這個項目把評測拆成兩層：一層看 keyframe execution，包括關鍵畫面存在、視覺還原、時間順序、定位、持續性同回應唯一性；另一層看 overall video quality，會用 evidence-grounded MLLM（Multimodal Large Language Model, MLLM）判斷，加上專門的感知模型去量度視覺質素、時間連貫性、指令遵從同音訊表現。這種分法比單純比對整體分數更清楚，因為它能分辨出模型係「畫得靚」定「跟得準」。

官方提供 386 個案例，涵蓋三個應用領域，亦分有 multi-shot 同 one-take 片段，配合四種 keyframe 密度。安裝上需要 Linux、Conda 或 Mamba、NVIDIA GPU，同埋可用的 VLM API；倉庫亦提供 envs、assets 同 all 三種設定模式，方便只建環境、只拉資產，或者一次過做完整驗證。

• 把影片生成的「跟畫面」同「成片質感」分開量度，結果較容易解讀
• 支援不同 keyframe 密度，較適合比較模型對控制力的穩定度
• 適合做影片生成模型、研究原型或產品 demo 的質量驗證
• 需要 GPU 同外部 VLM API，部署門檻唔算低
• 相關模型類別可歸到 Video、視覺模型、多模態模型、模型、工具

GitHub

Categories: 開源, Gemini, NVIDIA, API, Video, 工具, Linux, 多模態模型, 模型, 視覺模型, 視頻模型

---

PanoWorld 把 360 影片生成拉回真實場景

2026 年 7 月 14 日 Share to X Copy link

想做會記得路徑同方位的全景生成，PanoWorld比一般短片模型更有方向感。它瞄準長距離一致性，重點不只係畫面靚，仲要前後場景講得通。

做 360° 影片生成，最易穿崩的往往不是單幀畫質，而是鏡頭轉了一大圈之後，場景記憶是否仍然連貫。PanoWorld屬於世界模型兼影片生成模型，針對全景 world model 的 long-range memory 問題，目標是生成更符合空間幾何與物理一致性的 panoramic video。

這個項目的取向幾明確：不是單純追求更短時間出片，而是利用 omnidirectional representations 的 rotation-equivariant 特性，將旋轉視為隱含幾何變換，再把相機軌跡簡化成固定朝向下的平移。核心做法包括 Dense Panoramic Ray-Conditioning (DPRC) 與 Geometry-aware Memory Augmentation (GMA)，並建基於 Wan2.2 backbone 的 triple-stream DiT，處理當前動作建模與長程記憶。

現階段公開資訊較適合做推理測試與結果驗證，訓練代碼仍未釋出。環境要求也不算輕：Linux（已測 Ubuntu 22.04）、CUDA 12.8 以上、Python 3.10，並需要至少 20GB VRAM 的 CUDA GPU；README 亦提供 demo assets，可先用來跑 inference，觀察 81-frame 與 161-frame panoramic video 的生成表現。

• 重點放在 long-range memory，而非只提升單段片段觀感
• 可生成 81-frame、161-frame 的 panoramic video
• 評測依託 World360，涵蓋真實全景無人機片段與 AirSim360 模擬資料
• 官方表示在 World360 上明顯勝過其他方法，但目前公開細節以展示頁與推理資源為主

受益最明顯的，會是做 360 內容生成、沉浸式視覺、無人機視角模擬，或研究世界模型長時序一致性的團隊。它未必是最容易部署的項目，但定位很清楚：當一般 video model 在大範圍空間變化與光照變化下容易失憶，PanoWorld正面處理這個痛點，並且連同 World360 一起把評測場景拉近真實世界。

項目主頁 · GitHub

Categories: 開源, NVIDIA, Video, 3D, Linux, Python, 影像處理, 視頻模型, 世界模型, Dataset 數據集, 清華大學

---

ABot-World 把互動世界模型帶上桌面 GPU

2026 年 7 月 11 日 Share to X Copy link

ABot-World想解決的，不是再做一段更長影片，而是讓生成世界可以持續回應操作。你可以把它理解成一個開始接近可玩狀態的互動式世界模型示範。

影片生成做到流暢並不罕見，但能一邊接收操作、一邊把世界延伸落去，門檻就高得多。ABot-World定位屬於模型加示範工具，核心處理的是 action-conditioned world rollout：用戶輸入動作之後，系統持續生成可探索的世界，而唔係播完就停的被動片段。

呢個項目的取向相當鮮明：它唔係先追求超高畫質，而是把「可互動、可持續、可在單張桌面顯示卡跑起來」放到前面。官方公開的數字是單張 NVIDIA RTX 5090 可在 720P、16 FPS、1.2 秒延遲、19GB GPU 記憶體下運行，配合 LongForcing training 減少 scene lock-in，令 rollout 期間可以擴展新場景同動態，唔使靠 prompt switching 硬接續。

測試方式算直接：項目已提供本地 gradio demo，同時有線上版 ABot World Studio；想自己部署，它在 Ubuntu 22.04、CUDA 13.3、NVIDIA RTX 5090 環境驗證過，並要先下載 ABot-World-0-5B-LF checkpoint。換句話說，現階段較適合把它理解成高階桌面 GPU 上的研究型互動系統，而唔係一般消費級硬件都能順手跑的輕量工具。

幾個重點值得留意：
– ABot-World-0-5B-LF 已公開，屬於 causal student model
– 互動重點在連續探索，不是固定長度 video generation
– 本地推理與線上 playground 都已提供，驗證路徑清楚
– Bidirectional Teacher Model 仍未釋出，生態暫時未算完整

適合研究 world model、interactive video generation、Agentic 模擬環境，或者想為遊戲原型與具身智能測試場景找參考的團隊。現階段的吸引力在於它把「無限 rollout」和「單桌面 GPU 即時推理」放到同一個項目內。

項目主頁 · GitHub · 模型

Categories: 開源, 阿里巴巴, Google, NVIDIA, Agentic, Video, Linux, 模型訓練, 視頻模型, 世界模型, 蘋果

---