简单了解了下，lightning（即 PyTorch Lightning / Lightning AI 框架）在深度学习和 PyTorch 生态里非常流行… 所以，最近的投毒喜欢干玩 AI 工程的技术人员？🤦🏻‍♂️顺便干掉依赖这些的各大服务。

想学强化学习，看论文太硬核，看博客又太碎片，找一份系统又不劝退的入门资料不容易。 《The Little Book of Reinforcement Learning》这本开源书籍，篇幅不长，从基础概念讲到常用算法。 附带全套 PyTorch 代码，书里讲到的每个算法都有可运行的实现，边读边练。 GitHub： 还有一份动态规划的详细推导作为补充，想深入数学细节的可以对照看。 对强化学习感兴趣、想从零入门的朋友，这本小书适合当起点。

找回被开发工具缓存和 ML 模型占用的磁盘空间 一个免费开源桌面工具，帮开发者和 ML 工程师清理各种工具缓存——Hugging Face、Ollama、PyTorch、npm、pip、Cargo、Docker 等 25+ 类来源。 能识别"下载过但从未使用"的 ML 模型，量化不同 Python 环境间的重复包，每个项目都给出安全评分。所有清理都走回收站，不删文件，不收集数据，支持 macOS 和 Windows。

阿里平头哥把真武AI芯片的整套软件栈开源了。 开发者可以直接获取底层驱动，编译器，算子库和调试工具，不用只靠芯片厂商内部适配。 这套软件栈叫T-Head SAIL，已经适配PyTorch，TensorFlow，vLLM和SGLang等260多个训练与推理框架。平头哥称，主流推理框架的平均适配时间可以压到7天以内。 公司同时披露，真武AI芯片截至今年4月累计出货超过56万片，覆盖400多家客户。

如果现在重新学深度学习，我反而会更重视这种「能把经典论文拆开跑一遍」的资源。 有人把 Ilya Sutskever 推荐过的 30 篇经典论文，全部做成了可运行的教学实现，而且尽量只用 NumPy，不依赖 PyTorch / TensorFlow 这类框架。 这点很重要，因为框架太强以后，很多细节会被封装掉。你知道怎么调用 attention、怎么 import 一个 ResNet，但未必真的理解梯度怎么流、信息怎么传、记忆怎么写入、模型为什么会稳定训练。 这个仓库覆盖的范围也很完整：RNN、LSTM、AlexNet、ResNet、Attention、GNN、VAE、Neural Turing Machine、Scaling Laws、RAG、Lost in the Middle，基本是一条从早期深度学习到现代大模型的技术脉络。 它的价值在于，把「经典论文阅读清单」变成了「可以动手拆开的学习路径」。 读论文容易停在概念层面，跑一遍实现，才会真正知道每个模块在系统里承担什么角色。 AI 时代很多人直接从调用大模型开始学，但底层直觉依然很值钱。 知道模型为什么能工作，可能比只会用模型更抗周期。

极其良心：开箱即用 单个数据集 6.9GB 到 5.1TB 不等，全统一 HDF5 格式，支持 Hugging Face 流式读取。官方还给了一键安装的 PyTorch 接口： ```python from the_well.data import WellDataset # 一行代码加载数据 trainset = WellDataset("base_path", "active_matter")

一晃两年过去了，上次见到 Linus 还是在 2024 年的 KubeCon 上，不过他最近两年都没来中国了，最近好像是去了趟 KubeCon India。 这次活动是把 KubeCon + CloudNativeCon + OpenInfra Summit + PyTorch Conference 都联合到一起办了，还有不足三个月的时间，地点久违的回到了上海，欢迎大家来面基啊！

Avarok Cybersecurity 开源了 Atlas，一个用 Rust + CUDA 从零写的大模型推理引擎。它不依赖 Python 和 PyTorch，项目方称 Docker 镜像约 2.5GB，冷启动不到 2 分钟，目前主要面向 NVIDIA DGX Spark 的 GB10 平台优化。 官网模型矩阵显示，Atlas 在单台 DGX Spark 上跑 Qwen3.5-35B-A3B 可到约 130 tok/s，跑 Qwen3.6-35B-A3B 约 71 tok/s。Atlas 官网和 Hugging Face 页面称，在同硬件下，Qwen3.5-35B 平均约 111 tok/s、峰值 130 tok/s，vLLM 约 37 至 38 tok/s。 这组「3 倍 vLLM」数据来自项目方公开基准。GitHub README 写明，测试使用的是「法国首都是哪」这类短 prompt，生成上限不超过 30 个 token，temperature 为 0.1。这个口径更接近短请求、低并发、快速响应场景，也正好对应 Atlas 想打的卖点：用更小镜像、更少依赖和更快冷启动，把本地大模型服务变得更轻。 Atlas 现在仍是早期项目，真实生产场景还要看后续长文本、高并发和复杂工具调用测试。GitHub 上已有用户反馈输出质量和工具调用稳定性问题，相关 Issue 截至 2026 年 5 月 11 日仍处于 Open 状态。对开发者来说，它更像一个值得关注的新推理底座，而不是已经能全面替代 vLLM 的成熟方案。

这个项目基本把当下最值得关注的开源 AI 资源全部整理完毕 全部是行业标杆，从各种底层训练框架PyTorch、JAX，再到DeepSeek、Gemma前沿开放模型然后Ollama 这些本地部署工具，一路覆盖到 RAG 检索、Agent 框架、AI 安全、生产部署，每个方向都帮你选好了代表性项目，省去了自己大海捞针的时间。

🔊 又挖到一个好东西，能把 epub 电子书转成有声书 GitHub 上 8.3K stars 买了一堆电子书堆在硬盘里没时间看，通勤路上又只能刷手机。市面上的有声书要么没有你想听的那本，要么单本就要几十块。 Audiblez 用 Kokoro-82M 这个语音合成模型，把 EPUB 直接转成 M4B 有声书文件。语速能在 0.5 到 2.0 之间调，还能挑章节单独转。命令行和图形界面都给了，CPU 能跑，有 N 卡的话走 PyTorch CUDA 会快很多。 语言支持得挺全：美式英语、英式英语、西班牙语、法语、印地语、意大利语、日语、巴西葡萄牙语和普通话。 积灰的电子书，换个方式就能重新读起来。 GitHub：