作者基于 Grok Bot 0.70.2 桌面客户端协议，开发并开源了一套非官方 Node.js SDK（grok-bot-sdk），用于在本地环境中与自己账号下的 Bot 通信。文章以 MacBook Touch Bar 集成为真实案例，介绍了 SDK 的设计动机、与现有方案的区别，以及登录、读取 Bot 名单、头像离线计算、发消息、接收 SSE 回复等技术细节。SDK 采用 MIT 协议开源，零外部依赖，要求 Node.js 22.13 以上，目前可通过 GitHub 直接安装。
MIT 三位教授 Torralba、Isola 和 Freeman 合著的《计算机视觉基础》开放免费在线阅读，全书 55 章历时 14 年写成，完整穿越深度学习革命。本书刻意不追踪 SOTA，而是强调当代方法深植于视觉与 AI 的历史脉络，从古希腊视觉理论一直讲到 NeRF。全书按问题背景、数学与信号处理、神经架构与统计建模、几何与运动、应用与研究素养五条主线编排，统一了经典视觉方法与深度学习，还包含研究方法论与社会伦理内容。作者认为它有望成为下一代 CV 标准入门教材，但不覆盖扩散模型与多模态大模型最新进展。
文章介绍 MIT 韩松（Song Han）实验室开设的高效机器学习旗舰课程 6.5940 TinyML and Efficient AI Computing。课程分四章递进：高效推理（剪枝、量化、蒸馏、NAS）、面向特定领域的优化（TinyML、LLM 量化部署、长上下文、扩散模型）、高效训练（分布式训练、设备端训练）及进阶专题。课程以动手为中心，无考试，由 5 个 Lab（从 GPU 编程到本地 LLM 部署）和 NeurIPS 模板期末项目构成评分。作者认为该课程知识体系完整、与研究前沿零距离、工程实践导向鲜明，是学习模型压缩、LLM 推理优化和 TinyML 的最佳公开课，所有视频和课件均已公开。
本文面向开源新手，用通俗语言系统讲解开源协议知识。首先澄清了开源的定义，指出代码公开不等于开源、免费/开源/源码可见是三件事。接着将常见协议分为三类：宽松型（MIT、BSD、Apache 2.0）、弱传染型（LGPL、MPL 2.0）、强传染型（GPL、AGPL），并逐一解析各协议的许可范围与义务，还介绍了 BSL、SSPL 等源码可见但非开源的协议。文章最后给出使用他人开源代码的五步检查法、为 GitHub 项目添加协议的方法、协议混用规则，以及文档、图片、数据集和 AI 模型的 CC 协议选择建议。
MIT 由 Paul Liang 主讲的《How to AI (Almost) Anything / Multimodal AI》2026 春季课程全套视频免费上线。课程涵盖多模态学习完整技术栈：异构数据表示与融合、跨模态对齐、多模态生成、推理（RLHF、DeepSeek-R1、DPO）、智能体、跨模态迁移，以及触觉、嗅觉等新模态与自进化 AI 等前沿方向。相比 2025 版，新增多模态推理、智能体、自进化 AI 模块及制造、城市、交通等应用课。适合有机器学习基础的学习者系统建立多模态 AI 知识框架，课程网站与 YouTube 播放列表均可免费访问。
介绍了一个名为 Win11 Debloat 的开源 PowerShell 脚本，GitHub 上拥有 51K+ stars。该脚本可一键清理 Windows 11 中难以删除的预装软件、广告、AI 功能和遥测追踪，将系统还原为纯净状态。
本文是一份2026年最新的量化金融免费学习资源指南。作者整理了来自MIT、Columbia、Stanford等顶尖名校的公开课资源，涵盖了数学基础、金融工程、风险管理和机器学习等核心领域。文章详细列出了完全免费的OpenCourseWare课程、免费旁听的MOOC、大数据资源以及WorldQuant University的免费硕士项目，并规划了从基础到进阶的实用学习路径，建议配合Python项目进行实战练习。
Koji 是一款由麻省理工和哈佛专家打造的 AI 私教应用，其核心理念是拒绝直接提供答案，而是通过引导逼学生思考。它具备屏幕感知与图形化交互能力，能实时高亮、批注屏幕内容，并通过反问、画图等方式（如在几何题中标点、在 Python 课中提示死循环）提供指导。Koji 旨在解决传统 AI 剥夺学习机会的问题，降低提问门槛，重点培养学生的理解与纠错能力。
文章探讨了在大语言模型时代，如何权衡使用单智能体与多智能体系统。引用斯坦福及Google/MIT的研究指出，多智能体系统并非总是更优，往往伴随着更高的计算成本、延迟和通信开销，且在“思考预算”相当的情况下，优化后的单智能体常能胜出。文章建议将单智能体作为默认起点，仅当任务涉及大量工具、上下文退化严重、存在自然解耦边界或需严格合规验证时，才考虑引入多智能体架构。
作者将MIT发布的12本研究生级AI教科书上传至Claude项目中，作为系统底层的永久上下文。这一改变使Claude从单纯的聊天机器人转变为基于第一性原理的推理系统。它不再仅进行模式匹配，而是运用概率理论和机器学习原理分析市场，甚至指出了凯利公式在加密货币肥尾分布下的不足。文章详细列出了涵盖ML基础、深度学习、强化学习等六部分的12本书单及其具体应用。
文章介绍了一种称为递归语言模型（RLMs）的新方案，旨在解决大语言模型在处理超长上下文时出现的“上下文腐烂”问题。RLMs 不再将上下文限制在单一 Prompt 中，而是将其视为外部数据，通过赋予模型窥探、正则匹配、分区和递归调用等工具，让模型自主决定如何分解和处理任务。这种方法不仅消除了上下文长度对推理能力的影响，还提高了准确性和成本效率。
MIT Technology Review 发布 2026 年 AI 趋势榜单，指出“低垂果实已摘完”，讨论重心从能力边界转向权力边界。榜单涵盖人形机器人数据、LLM+、世界模型等技术演进，也涉及 AI 诈骗、军事化、Deepfake 武器化等社会风险，以及中国开源、AI 科学家和反 AI 运动等地缘政治议题，强调 AI 发展面临的结构性变化。
