Monarch🦋：Meta 推出的 PyTorch 分布式编程框架，基于可扩展的 actor 消息机制，重新定义多进程分布式计算。

• 远程 Actors 和 Meshes：支持将 Actors 组织为 Mesh 集合，消息可广播至所有成员，简化大规模分布式通信。
• 容错设计：内建监督树结构，故障自动向上传递，实现细粒度错误恢复和默认鲁棒行为。
• 高效 RDMA 传输：支持基于 libibverbs 的点对点一侧传输，显著降低 GPU/CPU 内存通信开销。
• 分布式张量支持：Actors 可操作跨进程分片张量，天然适配大规模训练任务。
• 简洁 Python API：代码风格直观，轻松创建进程与 Actors，快速构建分布式训练流水线。
• 支持多平台（Fedora、Ubuntu、MacOS），搭配 Rust nightly 工具链，灵活安装，满足不同硬件环境。
• 当前处于实验阶段，功能和 API 仍在迭代，欢迎社区贡献，适合前沿研发和定制化分布式系统构建。

Monarch 不仅提升分布式训练效率，更通过架构创新降低系统复杂度，助力长远可维护的深度学习基础设施建设。

Mediabunny：纯 TypeScript 实现的高性能浏览器端音视频处理工具，零依赖、极致轻量，专为现代 Web 应用设计。| #工具

• 支持 MP4、MOV、WebM、MKV、WAVE、MP3、Ogg、ADTS 等多种容器格式的读写与转换
• 内置 25+ 视频、音频及字幕编解码器，利用 WebCodecs API 硬件加速，性能媲美 FFmpeg
• 精度微秒级，支持转码、转封装、裁剪、旋转、重采样、尺寸调整等多样化转换操作
• 流式读写大文件，内存占用极低，适合处理任意大小的媒体数据
• 极致树摇优化，只打包所需功能，压缩后可小至 5KB，提升加载速度和性能
• 支持浏览器和 Node.js 跨平台环境，覆盖更多使用场景
• 完全开源，MPL-2.0 许可，允许商业闭源使用，且要求修改公开，推动社区共建

Mediabunny 从底层多路复用与解复用模块重构，结合 WebCodecs，打造了极具竞争力的浏览器端媒体框架，适合开发者打造下一代轻量且高效的音视频应用。

线性代数的核心理论被传统教材繁复矩阵计算掩盖，却本质简单且极具力量。

《The Little Book of Linear Algebra》是一部精炼、易懂且系统的入门指南，涵盖从向量、矩阵基础到特征值、正交分解、PCA 等核心内容，适合初学者及进阶者长期参考。

• 内容结构清晰：从标量、向量定义，到矩阵运算、线性变换，再到正交性、特征值与特征向量，逐步深入，配合丰富例题与练习，理论与实操兼备。
• 直观几何诠释：每个抽象概念均辅以几何意义，如向量的空间位置、矩阵的线性变换、特征向量对应变换不变方向，帮助构建直觉认知。
• 涵盖现代应用：详解PCA、最小二乘法、Markov链、图论、机器学习中的线性代数，理论与现实问题紧密结合。
• 多种格式支持：提供PDF打印版、EPUB电子书、LaTeX源码，方便不同使用场景。
• 开源项目，活跃社区：GitHub上有超过1200星标，持续更新维护，适合自主学习和深入研究。

真正理解线性代数，远不仅是掌握公式，更是洞察其如何统一代数与几何、如何支撑现代科学计算与数据科学。这本书以简驭繁，帮助你构建坚实基础和长远视野。

ManiUniCon：一站式机器人操作控制框架，针对多机器人臂与多传感器环境设计，实现高频实时控制与灵活算法部署。

• 模块化架构，支持即插即用，轻松集成UR5、XArm6及更多机械臂
• 多进程共享内存实现毫秒级控制响应，满足实时操作需求
• 一键切换数据采集与策略执行，提升开发效率
• 兼容Intel RealSense摄像头、多种遥控设备（Meta Quest、SpaceMouse、键盘）
• 基于Hydra的配置管理，快速调整机器人、传感器及策略参数
• 支持PyTorch模型定制，方便集成最新学习算法，算法无关设计开放扩展
• 提供紧急停止、错误处理、安全复位等完备安全机制
• 内置3D Meshcat可视化，便于状态监控与调试
• 完善工具链涵盖演示数据录制、处理、回放及摄像头标定
• 开源MIT协议，鼓励社区贡献与快速迭代

ManiUniCon不仅简化了复杂机器人系统的操作流程，更通过统一接口打破设备和算法壁垒，助力科研与工业应用高效协同发展。适合多机器人多任务场景，兼顾实时性与灵活性，是实现智能操控的关键枢纽。

Open-dLLM：首个全开源扩散式大语言模型全栈项目，覆盖预训练、评测、推理与权重发布，刷新了扩散 LLM 的开放透明度标准。

• 集成 Open-dCoder 代码生成模型，参数仅0.5B，却在代码补全和填充任务上超越多款7-8B级别扩散模型。
• 全流程开源：从原始数据、训练代码、评测脚本到推理代码及模型权重一应俱全，确保结果可复现。
• 评测覆盖 HumanEval、MBPP、Infilling 等多维度代码生成与填充指标，Open-dCoder代码填充准确率高达77.4%。
• 采用 Masked Diffusion Model (MDM) 训练目标，创新地通过不同比例掩码实现代码片段重建，提升模型生成质量。
• 预训练基于 Hugging Face 发布的 FineCode 高质量代码数据集，且继承 Qwen2.5-Coder 转扩散架构，兼顾效率与性能。
• 配套详尽安装与推理示例，支持 CUDA 12.3、FlashAttention 等最新硬件加速技术，方便快速上手。
• 对比目前主流扩散 LLM（LLaDA、Dream等）仅开放推理+权重，Open-dLLM全面开放训练与评估，真正做到透明与可控。