VLAs 项目汇总了最新的视觉语言动作模型、数据集、基准测试代码与模拟器，帮助科研人员系统了解和评估前沿成果，覆盖导航、抓取、多机器人协作等多种任务。
核心内容包括：
- 多样化VLA模型和对应论文链接，追踪年度研究进展；
- 大规模、多模态数据集，支持训练与评估；
- 任务复杂度与模态丰富度的基准测试代码；
- 主流机器人仿真平台资源一览，助力数据生成和算法验证。
适合机器人、人工智能和多模态学习方向的开发者与研究者，助力打造更智能的机器人操作系统。
OpenPoke 是一个开源项目，灵感来源于 Interaction Company 的 Poke 助手，实现了多智能体协同的邮件管理和提醒功能，方便用户快速处理邮件和设置提醒，且支持本地快速部署。
主要特色：
- 多智能体 FastAPI 后端，分离交互和执行逻辑；
- 集成 Gmail 草稿、回复、转发功能，免离开聊天界面操作邮件；
- 支持提醒调度和重要邮件监控，自动推送消息；
- 基于 Next.js 的 Web 界面，一键配置 API，简单易用；
- 完全开源，可本地运行，自定义灵活。
适合需要高效邮箱管理和智能提醒的个人及团队使用。
简单的RAG（Retrieval-Augmented Generation）系统很少直接用在实际场景。现实中，我们通常会给RAG加上“智能代理”（Agentic）能力，且尽量保持简洁。
没有放之四海皆准的方案，RAG系统必须根据具体业务灵活调整。理解Agentic RAG的关键组成，有助你设计适合自己的方案：
1️⃣ 用户查询分析
- 由基于大模型（LLM）的智能代理分析原始查询，可能重写或拆分成多条查询。
- 判断是否需要额外数据源。
2️⃣ 触发检索
- 若需更多数据，智能代理负责确定应调用哪些数据源，如实时用户数据、内部文档、网络信息等。
3️⃣ 数据整合与重排序
- 用更强的模型对检索结果进行筛选和重排名，大幅缩小信息范围。
4️⃣ 无需额外数据时，直接由LLM生成答案或执行多步动作。
5️⃣ 答案评估与循环优化
- 智能代理评判答案的准确性和相关性。
- 不达标时重新改写查询，重复生成，循环次数有限制。
💡 经验分享：
- 尽量简化流程，很多场景不需全部环节即可满足需求。
- 数据预处理和重排序环节是关键，覆盖90%以上应用。
- Agentic系统远超传统RAG，不只是问答，更能自动执行后续动作，未来会有更多分享，敬请关注！
Agentic RAG的核心在于“智能代理”的灵活决策能力，真正实现从理解用户意图到智能调取数据，再到动态生成和校验答案的全流程闭环。相比传统RAG，Agentic RAG更适合复杂业务场景，尤其是需要自动化执行操作的企业应用。未来AI系统的发展趋势将是“理解+检索+行动”的深度融合，而不仅仅是回答问题。
DeepProve 是一个前沿的零知识机器学习推理框架，专注于用零知识证明技术快速验证神经网络推理结果，且无需暴露任何输入数据。无论是多层感知机（MLP）还是卷积神经网络（CNN），DeepProve都能做到高效且安全。| #框架
主要特点：
- 利用先进的加密算法如sumchecks和logup GKR，实现次线性证明时间；
- 在CIFAR-10数据集上的CNN模型推理速度提升158倍，4百万参数的密集模型提升54倍；
- 支持多层神经网络推理的零知识证明，验证过程快速且轻量；
- 适用于数据隐私要求高的场景，如医疗、金融和区块链中的AI模型可信计算；
- 开源且多许可协议（Apache-2.0 + MIT）保障自由使用。
