Utonia 是一個統一的自監督點雲 Transformer 編碼器，目標是「一個編碼器適用於所有點雲域」，也就是在不同感測器與場景（遙感、戶外 LiDAR、室內 RGB‑D、物件級 CAD 模型、單目視頻轉 3D 點雲等）上共享同一個 backbone，讓預訓練特徵能跨域遷移。
Utonia 在大量異構點雲資料上 jointly 預訓練一個單一的 Point Transformer V3 編碼器，不依賴 domain‑specific 的頭或模組，只用一個 shared representation space。
跨域資料混合：
研究中混合了遙感（衛星/航拍）、自駕車用 LiDAR、室內 RGB‑D 掃描、CAD 物件模型、以及從 RGB 影片 lift 上來的點雲，一起放入 masked autoencoding 式的自監督訓練流程。
做管理後台最花時間的，往往唔係業務邏輯，而係側邊欄、搜尋、深色模式同手機版排版呢類反覆出現的介面細節。shadcn-admin 屬於後台 UI 項目，用 ShadcnUI、Vite 同 TanStack Router 組成一套可重用的 dashboard 介面集合，目的係幫團隊快啲整理出一致、可維護的管理界面。
呢個項目最有價值的地方，在於它刻意唔包裝成 starter template。你拎到手的是一套已經鋪好結構的介面樣板與元件組合，包括 sidebar、global search command、10+ pages、light/dark mode、responsive 同 accessible 設計，適合拿來拆件、重組，再接上自己嘅資料流、權限同 API。
它同一般只展示幾個畫面嘅 UI showcase 有分別，因為 README 已經講清楚部分元件為咗 RTL support 做過修改，唔建議無腦用 Shadcn CLI 覆蓋更新。換句話說，呢個項目換來的是較完整的多語系版面照顧同現成後台骨架，但代價係後續升級某些元件時，要自己處理 merge，唔係純粹一路跟官方元件版本推進。
部署同理解方式都算直接：安裝依賴後以 Vite 本地跑起介面，再按 src/components/ui/ 同路由頁面逐步替換成自己嘅資料與流程。它唔提供完整產品功能，也冇聲稱性能 benchmark；重點係把一個後台最難維持一致性的 UI 層先整理好，對經常做內部工具、SaaS 管理台、內容營運面板的前端團隊尤其實用。
由 4 個方向落手。根據 OpenClaw 文件，COMPACTED HISTORY 係因為 session 接近 model context window，系統就會自動將舊對話摘要化，保留最近訊息繼續跑。
就好容易觸發 compaction。
最有效減少出現的方法：
最簡單直接。
做法：
/new適合你：
文件講得好清楚，工具結果、讀檔內容、附件都會計入 context。
所以盡量：
即係：
/compact 主動壓縮，而唔係等佢爆文件建議可以手動做 compaction，而且可以加指示。
例如：
/compact Focus on API design decisions/compact 保留而家 debug 到嘅根因、已試過嘅方法同未解決問題咁好處係：
如果你知自己開始傾長咗，主動 compact 其實幾好用。
文件區分得好清：
即係話，重要但長期有效嘅嘢，唔好淨係留喺聊天紀錄。
你可以放去：
MEMORY.md咁之後就算 compact 咗，我都仲可以由檔案重新抓返重點，而唔使靠長對話尾巴硬撐。
OpenClaw 文件有提：
如果你個問題主要係工具輸出太大，pruning 會比單純 compaction 更對症。文件甚至直接講：如果 compact 得太頻密，試下開 session pruning。
文件講每次 run 都會注入：
AGENTS.mdSOUL.mdTOOLS.mdIDENTITY.mdUSER.mdHEARTBEAT.md如果其中某啲檔好大，會長期食 context。尤其 TOOLS.md、MEMORY.md 類型如果日積月累變肥，context 壓力會大。
你可以做：
文件提到 compaction 相關設定喺：agents.defaults.compaction
而且如果 compaction 太頻繁，文件明講可能係：
如果你想，我可以幫你再查你本機 config，睇下有冇：
我嘅實際建議排序係：
/compact，加明確 focusCode2World 本身不是一個「GUI 設計工具」，但它可以用在「優化 GUI 設計」的流程裡，特別是幫你 驗證設計是否好操作、是否容易出錯、是否符合使用者行為預期。Code2World 以靈活的方式顯著提升了下游導航的成功率，在 AndroidWorld 導航方面，其性能比 Gemini-2.5-Flash 提升了 9.5%。
它透過產生可渲染的程式碼來模擬下一個視覺狀態。實驗表明，Code2World-8B 在下一界面 UI 預測方面表現卓越，足以媲美 GPT-5 和 Gemini-3-Pro-Image 等競爭對手。(Huggingface 模型及數據集出現 404)(圖為預測介面的結果)
PaperBanana 是一個開源的自動化學術圖表生成框架，由 Google Research 開發。這個工具專為 AI 研究人員設計，能夠自動生成符合出版標準的方法論圖表、代理架構和統計圖 。
PaperBanana 還擁有強大的潤色功能。您可以輸入手繪草圖或示意圖，系統會將它們精修成專業的向量圖。Google 聲稱兩星期後會提供開源實作版本，亦有第三方的版本可在 GitHub 下載使用。
InteractAvatar 能從一張靜態參考圖生成「人與物體互動」的視頻，同時保持音畫同步（lip‑sync + co‑speech gestures）。同時能夠執行基於場景的人機互動 (GHOI)。與以往僅限於簡單手勢的方法不同，我們的模型可以從靜態參考圖像中感知環境，並產生複雜的、文本引導的與物體的交互，同時保持高保真度的唇部同步。
雙流 Diffusion Transformer（DiT）架構：一個分支做「感知與互動規劃」（Perception and Interaction Module, PIM），負責理解圖片裡的物體位置與關係，並生成對齊文字指令的動作序列。另一個分支做「音訊‑互動感知生成」（Audio‑Interaction Aware Generation Module, AIM），把動作與語音融合成高品質視頻。
