DuckDB v2.0 预览解析：Quack 服务器模式、VARIANT 转正与 40 倍递归查询提速
一条在笔记本上就能复现的微基准：百万边图的单源可达性查询，用递归 CTE 写成普通 SQL，DuckDB v1.5.4 运行 4.90 秒，v2.0 预览版 0.12 秒，差距约 40 倍。这组数字来自 DuckDB 团队 8 月 17 日发布的 v2.0 预览公告。版本代号 Cyanoptera，取自分布于美洲西部的肉桂水鸭（Anas cyanoptera…
标签: 开源
清除筛选
MoneyPrinterTurbo 深度解析：开源 AI 短视频生产线的完整架构与部署指南
一条流水线，五个阶段 MoneyPrinterTurbo 是一个用 Python 编写的开源短视频生成工具，输入一个主题或关键词，自动完成文案撰写、素材检索、配音、字幕和成片合成。项目 2024 年 3 月创建，采用 MIT 协议，目前累计 105,538 个 star、16,052 次 fork，过去一天新增 star 超过 1,200 个，贡献者 79…
Claude 水印攻防：watermarks-remover 六天攒到 12,574 星
8 月 11 日，Anthropic 发布文章《How Claude's text watermark works》，第一次完整解释了 Claude 文字水印的技术原理。六天后，GitHub 上一个专门清洗 AI 水印的开源工具 watermarks-remover 攒到 12,574 颗星。这个 8 月 11 日当天创建的仓库， Contributors…
从命令行到桌面应用：Unsloth 如何把本地 AI 推向开箱即用
从命令行到桌面应用：Unsloth 如何把本地 AI 推向"开箱即用" 2026 年 8 月 11 日，Unsloth 团队发布了 Unsloth Desktop，一个基于 Tauri 框架构建的原生桌面应用，声称是"第一款能运行和训练模型的桌面应用"。对于一直在用 Python 脚本和命令行折腾 Unsloth 核心库的开发者来说，这次发布标志着这个项目从…
DuckDB v2.0 异步 I/O 深度解读：S3 查询提速 20 倍的双线程池架构
80.89 GB 的 CSV 文件，对 S3 上的数据跑一遍 TPC-H Q6，DuckDB v1.5.5 需要 877.563 秒；换到 v2.0.0-dev 的异步 I/O 路径，同样的查询只要 45.264 秒，接近 20 倍的差距。这是 DuckDB 团队工程师 Pedro Holanda 在 2026 年 7 月 31 日发布的工程博客《Async…
Cordis：DeepSeek 插件内核的可回滚副作用设计
GitHub 上一个 TypeScript 仓库最近引来大量关注：cordiverse/cordis，4038 star、198 fork，MIT 协议，仓库描述只有一句话，Meta-Framework of Spatiotemporal Composability（时空可组合性元框架）。它的 README 指向一篇 88 页的配套论文，作者来自北京大学与…
Codex 自动研究实战：GPU Mode QR 分解竞赛 232 倍提速的三层方法
本文是对 sankalp 博客文章《Auto-research with codex: How I achieved a 232x Faster Kernel over baseline with Codex in GPU Mode's qrv2 problem》的技术解读，原文于 2026 年 7 月 8 日发布。 GPU Mode 与 Core Auto…
Modly 开源解读：本地 GPU 图生 3D，节点式工作流与扩展系统
Modly 是一个把图像转成 3D 网格的开源桌面应用，Windows、Linux 和 Apple Silicon macOS 三个平台都有安装包。它的差异点在运行位置：推理全部在本地 GPU 完成，输入图片不上传，生成次数不受额度限制。仓库 2026 年 3 月创建，五个多月积累近 6000 star，当前版本 v0.4.1 Beta。 Modly 应用界…
Google 开源 HEIR 编译器：让 AI 推理直接在密文上运行
8 月 14 日，Google 在其安全博客发文，介绍了 Private Computing Toolkit 中新增的开源编译器 HEIR，并把四个用 HEIR 编译的加密推理应用 demo 连同源代码一起放在了 GitHub 上。这套工具链的目标只有一个：让 AI 模型直接在密文上完成推理，服务端全程看不到明文数据。 google/fully-homomo…
GLM-5.3 技术解读：后训练Scaling与涌现攻防能力
Z.ai 发布 GLM-5.3。这个模型沿用 GLM-5.2 的基座，所有提升来自后训练阶段，官方的表述是「Scaling post-training is all we did」。提升集中在两个方向：复杂编码与长程 Agent 任务的大幅进步，以及一份超出团队预期的安全能力答卷。Terminal Bench 3.0 上 GLM-5.3 从 GLM-5.2…