Fontes​

vLLM 0.30.0: MXFP8, HiSparse, Model Runner V2 e watermarking​

GitHub · vllm-project/vllm · 2026-09-22 Release v0.30.0 publicado em 2026-09-22T05:20:54Z com 762 commits de 315 contribuidores. Estreia suporte a DeepSeek-V4.1-Flash com KV em MXFP8 via FlashMLA V4.1 em SM100, GLM-5.3-Flash e K2-Horizon, watermarking Gumbel-max com detecção, HiSparse para tier host-residente de decode sparse-MLA, Model Runner V2 com dual-batch overlap e CUDA graphs, quantização online direcionada, Fast Start com daemon de cache de pesos via CUDA IPC e melhorias de larga escala para serving em MoE esparsos. Abrir fonte

Train Where the Quantized Model Goes: On-Policy Distillation for Low-Bit Reasoning​

arXiv · 2026-09-22 Mostra que distillation ciente de quantização (QAD) em prefixes fixos de corpus falha em raciocínio matemático e de código em sub-3 bits, com degeneração em loops repetitivos que esgotam o orçamento de decodificação. Atribui a falha a viés de exposição amplificado pela quantização e propõe treinar diretamente na trajetória autoregressiva do modelo quantizado, restaurando raciocínio longo sem reintroduzir o modelo de precisão completa no serving. Relevante para inference e quantização de modelos de raciocínio. Abrir fonte

Beyond Repeated Sampling: Learning Search Policies for LLM Reasoning​

arXiv · 2026-09-22 Questiona o sampling repetido ingênuo para test-time compute em problemas difíceis e propõe aprender políticas de busca que primeiro amostram conceitos, dicas ou estratégias semânticas e só então geram soluções. Evita duplicatas próximas geradas apenas por ruído de decodificação e direciona exploração no nível semântico, melhorando cobertura de ideias distintas e eficiência de verificadores. Conecta o harness de avaliação ao controle de orquestração de agentes de raciocínio. Abrir fonte

Beyond Scalar Sensitivity: Activation-Aware Mixed-Precision LLM Quantization​

arXiv · 2026-09-22 Demonstra que proxies escalares de sensibilidade colapsam a Hessiana de cada matriz em um número e tratam módulos independentemente, mesmo quando o MCKP ótimo seria resolvível. Propõe refinamento ciente de ativação e entre camadas que preserva informação direcional da Hessiana, melhorando alocação de precisão mista para quantização. Trabalho de inference e quantização com impacto direto em pipelines vLLM e llama.cpp. Abrir fonte

Disaggregated Quantization: Specializing LLM Prefill and Decode​

arXiv · 2026-09-22 Propõe quantização desagregada (DQ) que especializa formatos aritméticos, pesos e posicionamento de armazenamento separadamente para prefill e decode. Prefill se beneficia de aritmética de baixa precisão para processar prompts, enquanto decode é limitado por tráfego de memória e ganha com pesos compactos. A separação permite acelerar LLM serving sem comprometer qualidade, com implicações para arquiteturas vLLM e planejamento de hardware. Abrir fonte

HySparse2: Hybrid Sparse Attention with Two-Level KV Sharing​

arXiv · 2026-09-22 Apresenta HySparse2 para agentes de longo horizonte e multi-turn que geram ações curtas e processam observações longas de ferramentas. Combina atenção esparsa híbrida com compartilhamento de KV em dois níveis para prefill eficiente, cache KV compacto e recuperação precisa de contexto longo. Complementa otimizações do vLLM 0.30.0 e técnicas como CompKV para inference long-context. Abrir fonte

CompKV: Compensation-Aware KV Selection for Long-Context LLM Inference​

arXiv · 2026-09-22 Aborda o gargalo de tráfego de KV cache em inferência long-context, onde atenção esparsa sobre subconjunto de tokens descarta contribuições restantes. Propõe seleção de KV ciente de compensação que recupera a contribuição de tokens não selecionados via correção analítica, preservando qualidade com menos computação. Útil para serving com janelas de 32k-128k e integração com kernels PagedAttention. Abrir fonte

Knowledge-as-Skill: A Structural Design for Autonomous Knowledge-Base Use by LLM Agents​

arXiv · 2026-09-22 Substitui o pipeline RAG retrieve-concatenate-generate por design onde conhecimento é empacotado como skill estrutural que o agente decide invocar via tool use e loop agêntico. O modelo escolhe quando recuperar e como usar a base, em vez de ter a decisão tomada pelo pipeline. Avança a engenharia de skills e harnesses para agentes com uso autônomo de conhecimento, com avaliação em tarefas que exigem planejamento e verificação. Abrir fonte

Hot-Cold Tiering of HBM and High Bandwidth Flash for Agentic LLM Serving​

arXiv · 2026-09-22 Propõe hierarquia hot-cold entre HBM e flash de alta largura de banda para sessões agênticas multi-turn que ficam ociosas entre ações mas precisam reter contexto completo. Em vez de recomputar ou transferir lentamente por interconexão limitada, estados KV inativos são tierados para flash e restaurados rapidamente na retomada, aliviando pressão de memória GPU em serving agêntico em larga escala. Abrir fonte

Decoupling Logical Masks from GPU Execution for Dynamic Block-Sparse Attention​

arXiv · 2026-09-22 Mostra que acoplar geometria de blocos lógicos a escolhas de execução limita adaptação a máscaras variáveis e GPUs, enquanto especialização de kernel em runtime gera overhead. Propõe desacoplar máscaras lógicas da execução GPU para atenção bloco-esparsa dinâmica em video diffusion transformers, permitindo adaptação sem re-preparação de kernel. Relevante para inference de modelos de difusão de vídeo com denoising iterativo. Abrir fonte

Reasoning-Preserving Fine-Tuning of Post-RL LLMs with Null-Basis LoRA​

arXiv · 2026-09-22 Observa que SFT subsequente sobre modelos pós-RL pode sobrescrever capacidades de raciocínio elicitadas por RL. Introduz LoRA de base nula que restringe atualizações ao espaço nulo das direções de raciocínio, preservando desempenho de reasoning enquanto adapta a novos domínios ou comportamentos. É fine-tuning eficiente com garantias de preservação de raciocínio, aplicável a pipelines de post-training de LLMs. Abrir fonte

Calibration as a First-Class Criterion in LLM Evaluation​

arXiv · 2026-09-22 Defende que avaliação de LLMs deve tratar calibração como critério de primeira classe, não secundário à acurácia. Analisa desalinhamentos entre confiança expressa e correção e propõe métricas e intervenções de harness que expõem miscalibração em benchmarks. Implicações para lm-evaluation-harness, leaderboards e orquestração de agentes que dependem de limiares de confiança para delegação e escalonamento. Abrir fonte

Greedy Decoding Is Not Precision-Invariant: Cross-Precision Output Divergence in LLM Inference​

arXiv · 2026-09-22 Demonstra que greedy decoding não é invariante a precisão: mesmo modelo, prompt e algoritmo produzem saídas diferentes em BF16 versus FP16 no mesmo hardware. Em seis modelos de 1.1B a 12B, 49 a 100% dos prompts divergem, com um único token flip em cascata para divergência de trajetória. Alerta para reproducibilidade em harnesses de avaliação e serving, exigindo controle de precisão em benchmarks e pipelines de verificação. Abrir fonte

Qwen3.8-Omni-Flash: rumo a agentes omni-modais nativos​

arXiv · 2026-09-22 Apresenta Qwen3.8-Omni-Flash como modelo agêntico nativamente multimodal para produtividade no mundo real, com avanços em compreensão, raciocínio e execução multimodal em relação a omni models anteriores focados só em percepção. Indica direção de arquitetura de modelos foundation que unem visão, áudio e texto sob um mesmo backbone para harnesses de agentes omni-modais. Abrir fonte

Informed Masking: Structure-Aware Perturbation for RL in Diffusion LLMs​

arXiv · 2026-09-22 Propõe masking informado e estrutura-ciente como perturbação para RL em diffusion LLMs, onde a ordem de denoising e a estrutura de dependência entre tokens afetam eficiência de exploração. Ao mascarar com consciência de estrutura sintática e semântica, melhora sinal de recompensa e estabilidade de treino para modelos de difusão de linguagem, complementando pipelines de fine-tuning e RLHF para essa família de arquiteturas. Abrir fonte

From Token Importance to Conditional Removability: Rethinking Visual Token Pruning in Multimodal LLMs​

arXiv · 2026-09-22 Reformula pruning de tokens visuais em LLMs multimodais não como importância estática por token, mas como removibilidade condicional dependente de contexto e redundância cruzada. Propõe critério que avalia se um token pode ser removido dada a presença dos demais, permitindo compressão mais agressiva sem perda de qualidade. Relevante para tokenizers, eficiência de prefill e serving de VLMs. Abrir fonte

Fontes​

llama.cpp b11090: correção de compilação CUDA sm_70 (Volta)​

GitHub · ggml-org/llama.cpp · 2026-09-21 Release b11090 do motor de inferência local llama.cpp corrige erro de compilação em GPUs Volta sm_70 introduzido pelo loader load_ldmatrix de 5 argumentos que só definia tile<16,8>. Generaliza o shape do tile para <I,J> e encaminha para o loader de 3 argumentos, restaurando build em arquitetura Volta. Publicado em 2026-09-21T23:29:59Z. Abrir fonte

llama.cpp b11081: test-llama-archs com stdev configurável e relatório de execução​

GitHub · ggml-org/llama.cpp · 2026-09-21 Release b11081 aprimora o harness de testes test-llama-archs tornando o desvio padrão dos dados de tensores configurável, melhorando help e exemplos e adicionando sumário de execução e falha em args desconhecidos. Inicializa ainda Mamba ssm_a negativo para validar arquiteturas recorrentes. Publicado em 2026-09-21T19:50:41Z com binários para macOS, Linux, Windows e Android. Abrir fonte

llama.cpp b11080: filtro regex em test-backend-ops​

GitHub · ggml-org/llama.cpp · 2026-09-21 Release b11080 estende test-backend-ops permitindo que entradas do filtro -o sejam tratadas como regex contra nomes de ops (ex: MUL_MAT.*), mantendo nomes exatos como antes. Facilita harnesses de validação de backends (CUDA, Vulkan, Metal) ao selecionar famílias de kernels para avaliação de inference. Publicado em 2026-09-21T19:17:51Z. Abrir fonte

llama.cpp b11078: variáveis de ambiente para temperatura e penalties no llama-server​

GitHub · ggml-org/llama.cpp · 2026-09-21 Release b11078 adiciona suporte a LLAMA_ARG_* para configurar --temp, --top-p, --min-p, --repeat-penalty, --presence-penalty e --frequency-penalty via EnvironmentFile (systemd em Debian). Permite controlar totalmente o serving de LLMs no llama-server sem linha de comando, relevante para orquestração de agentes e deploy em larga escala. Publicado em 2026-09-21T18:47:31Z. Abrir fonte

RedHatAI GLM-5.3-NVFP4: quantização FP4 para vLLM​

Hugging Face · RedHatAI/GLM-5.3-NVFP4 · 2026-09-21 Modelo quantizado NVFP4 derivado de zai-org/GLM-5.3 publicado em 2026-09-21T15:22:03Z com suporte a vLLM, llm-compressor e compressed-tensors. Tags nvfp4, fp4 e glm_moe_dsa indicam compressão de MoE para inference de alta throughput com memória reduzida. Licença GLM-5.3, pipeline text-generation conversacional bilíngue en/zh e otimização para serving em escala. Abrir fonte

Mini-K3 ablações: série linear-attention/MoE da família Kimi K3​

Hugging Face · nkkbr/Mini-K3-1H-* · 2026-09-21 Conjunto de ablações publicado em 2026-09-21 entre 14:58Z e 16:50Z incluindo decay-g64-v2_B, g32-v2_C, g16-v2_B, g8-v2_C, g4-v2_B, g2-v2_C, g1-v2_B, mamba2-n128-g4-v1_C e attnres-block6-v1_C, todos text-generation com pytorch/safetensors. Testa variações de decaimento, grouped-query, Mamba2 e atenção residual sobre base Kimi K3, focando arquitetura eficiente para pretraining e inference de MoE com atenção linear. Cada variante com 693–876 downloads iniciais para benchmark de harness. Abrir fonte

SamAI Tokenizer: tokenizador dedicado para família SamAI​

Hugging Face · Samai-sa/SamAI-Tokenizer · 2026-09-21 Tokenizador publicado em 2026-09-21T07:23:46Z para a família SamAI, relevante para pipeline de tokenização customizada em LLMs. Complementa estudos de arquitetura e inference ao permitir avaliação de fertility e eficiência de contexto em harnesses de avaliação multilíngue. Abrir fonte

fpadovani eng-latn 100MB checkpoint 500: GPT-2 multilíngue para distillation​

Hugging Face · fpadovani/eng-latn-100mb-after-ppt-Dp-100mb-packed-ckpt500_seed455_seed455 · 2026-09-21 Checkpoint GPT-2 publicado em 2026-09-21T11:30:28Z treinado sobre corpus eng-latn 100MB packed com seed 455, pipeline text-generation e safetensors. Representa recurso para estudos de fine-tuning eficiente, distillation e tokenização em modelos pequenos, útil em harnesses de baixa escala e quantização. Abrir fonte

Critical-State RL: diagnóstico de estados treináveis para tool use multi-turno​

arXiv · 2609.24985v1 · 2026-09-21 Propõe Critical-State RL para identificar qual chamada de um agente multi-turno realmente se beneficia de treino, separando variação de recompensa dependente da ação de ruído de continuação via nested sampling e treinando apenas estados críticos com contextual-bandit. Avalia no Berkeley Function Calling Leaderboard v4 e mostra ganho de ~14 pontos em tarefas missing-function quando o diagnóstico seleciona a resposta após a ferramenta ficar disponível, enquanto treinar estados alternativos não melhora. Publicado em 2026-09-21T17:57:20Z. Abrir fonte

onPanda: anotação eficiente de dados on-policy via correção em nível de token​

arXiv · 2609.24983v1 · 2026-09-21 Apresenta onPanda, ferramenta interativa que ao anotar resposta de LLM localiza o primeiro token inadequado, substitui por candidato do modelo ou edição livre, trunca o sufixo e continua geração em loop até aprovação. Estudo controlado indica redução de 52% no tempo mediano vs. pós-edição manual, preservando distribuição on-policy para SFT e preferências e gerando supervisão fina com pares positivo-negativo. Conecta-se a harnesses externos para trajetórias de agentes e libera dataset Panda-CVL. Publicado em 2026-09-21T17:56:53Z. Abrir fonte

LoRA-generating hypernetworks para personalização generativa on-device​

arXiv · 2609.24979v1 · 2026-09-21 Descreve hiper-redes que geram adapters LoRA para personalização de LLMs em dispositivos com recursos limitados, evitando fine-tuning completo no aparelho. Foco em eficiência de memória/computação para inferência local e adaptação rápida, com implicações para serving de LoRA multi-tenant e quantização on-device. Publicado em 2026-09-21T17:55:48Z. Abrir fonte

Harness-Zero: distilação de harness via Agent-as-Harness​

arXiv · 2609.24974v1 · 2026-09-21 Investiga como harnesses de agentes — prompts, controle de fluxo, tooling, memória e gestão de contexto — amplificam capacidade de LLMs mas mantêm ganhos acoplados ao sistema externo. Propõe distilação de harness onde o agente atua como harness para transferir comportamento do sistema para o modelo, visando deployment sem overhead de orquestração. Publicado em 2026-09-21T17:55:20Z. Abrir fonte

RRSI: melhoria recursiva regularizada de harnesses de agentes​

arXiv · 2609.24972v1 · 2026-09-21 Argumenta que a capacidade de um agente é largamente determinada pelo harness ao redor do LLM e propõe RRSI para auto-melhoria recursiva regularizada do harness, iterando sobre prompts e tooling com controle de regressão. Aborda infraestrutura de treino e orquestração contínua de skills de agentes. Publicado em 2026-09-21T17:54:49Z. Abrir fonte

DolphinBench: fronteira de Pareto para memória de agentes​

arXiv · 2609.24971v1 · 2026-09-21 Apresenta DolphinBench para mapear trade-offs de memória de longo prazo em agentes que tomam ações reais dependentes de recall contextual, indo além de benchmarks que só avaliam memória sintética. Fornece harness de avaliação para comparar estratégias de memória quanto a latência, custo e acurácia. Publicado em 2026-09-21T17:54:35Z. Abrir fonte

SPECTRA: execução adaptativa de speculative decoding em arquitetura tiled reconfigurável​

arXiv · 2609.24847v1 · 2026-09-21 Propõe SPECTRA para acelerar inference autoregressiva em edge combinando speculative decoding com arquitetura tiled runtime-reconfigurável, adaptando execução ao padrão de especulação. Visa ganhos de latência e energia sem perda de qualidade, relevante para quantização e serving de LLMs em hardware restrito. Publicado em 2026-09-21T16:25:24Z. Abrir fonte

Pinocchio: estimativas rápidas de incerteza para LLMs black-box​

arXiv · 2609.24881v1 · 2026-09-21 Propõe método para estimar incerteza de LLMs black-box sem acesso a logits, crucial para decisões de alta criticidade e calibração de harnesses de agentes. Foca em eficiência de inference e interpretabilidade de confiança, complementando benchmarks de avaliação e estratégias de abstention. Publicado em 2026-09-21T16:48:50Z. Abrir fonte

OSWorld-Pro: avaliação baseada em processo para agentes de uso de computador​

arXiv · 2609.24890v1 · 2026-09-21 Estende avaliação de Computer-Use Agents além do artefato final, pontuando processos de centenas de passos com verificação processual em OSWorld-Pro. Oferece harness que mede planejamento, uso de ferramentas e recuperação de erros em tarefas reais de desktop, avançando além de métricas de conclusão binária. Publicado em 2026-09-21T16:55:24Z. Abrir fonte

SLICEChat: poda progressiva de tokens in-encoder para VLMs de patologia​

arXiv · 2609.24894v1 · 2026-09-21 Apresenta SLICEChat com poda progressiva de tokens dentro do encoder para lidar com whole-slide images gigapixel em language models multimodais, reduzindo custo de inference mantendo acurácia diagnóstica. Técnica de token pruning relevante para eficiência de contexto e quantização de VLMs. Publicado em 2026-09-21T16:59:06Z. Abrir fonte

Nota de cobertura: buscas nativas em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) sobre harnesses, skills, vLLM, llama.cpp, fine-tuning, quantização e inference foram executadas; arXiv em D retornou >30 papers em cs.CL/cs.LG/cs.AI, dos quais 10 foram curados como centrais ao escopo LLM harness/skills/inference; HF retornou 21 modelos em D no intervalo BRT, dos quais 4 text-generation/arquitetura/tokenizer foram destacados (série Mini-K3 consolidada em um item) e 1 modelo quantizado NVFP4; 4 releases llama.cpp validados via GitHub API; sem release vLLM ou lm-evaluation-harness datado em D; sem novos papers no Hugging Face Daily Papers com data verificável em D dentro do escopo.

Fontes​

llama.cpp b11065: tuning de FlashAttention para Gemma 4 em Ampere+ (CUDA)​

GitHub · ggml-org/llama.cpp · 2026-09-20 Release b11065 publicada em 2026-09-20T21:52:35Z otimiza o kernel de FlashAttention para a família Gemma 4 em GPUs Ampere ou mais recentes via PR #29152. Traz binários para macOS, Linux, Windows e Android com variantes CUDA 12.8/13.3, Vulkan, ROCm, OpenVINO e SYCL. Essencial para quem serve Gemma 4 quantizado via GGUF com baixa latência e throughput estável. Abrir fonte

llama.cpp b11064: Metal com hc arbitrário para dsv4_hc_pre (Kimi-K3)​

GitHub · ggml-org/llama.cpp · 2026-09-20 Release b11064 de 2026-09-20T15:19:21Z corrige limitação no Metal onde kernels dsv4_hc_pre hardcoded para hc=4 caíam para CPU com modelos como Kimi-K3. Passa n_hc como constant function e cria variantes de pipeline por valor, com loop e loads diretos, cobrindo hc 1,2,3,5,8,65 (gated e não-gated). Melhora inference em Apple Silicon para arquiteturas com residual stack banked variável por camada. Abrir fonte

llama.cpp b11063: tratamento de UTF-8 inválido no AST do PEG​

GitHub · ggml-org/llama.cpp · 2026-09-20 Release b11063 de 2026-09-20T12:28:06Z corrige o parser PEG comum para lidar com sequências UTF-8 inválidas no AST, retornando a máxima subparte válida conforme recomendação Unicode. Evita falhas e truncamentos em prompts e gramáticas com caracteres corrompidos em pipelines de constrained decoding e tool calling. Mantém compatibilidade e inclui testes de regressão. Abrir fonte

llama.cpp b11062: habilita sparse FlashAttention para Qwen4 em CUDA​

GitHub · ggml-org/llama.cpp · 2026-09-20 Release b11062 de 2026-09-20T09:46:58Z ativa sparse FlashAttention para modelos Qwen4 em backend CUDA via PR #28770. Reduz uso de memória e custo computacional em contextos longos esparsos sem degradar qualidade, beneficiando serving de Qwen4 quantizado em GPU. Entrega binários completos com suporte CUDA, Vulkan e CPU como nos demais releases do dia. Abrir fonte

llama.cpp b11060: correção de contiguidade em projeção time-step do Mamba​

GitHub · ggml-org/llama.cpp · 2026-09-20 Release b11060 de 2026-09-20T06:07:14Z corrige a projeção de time-step do Mamba tornando a entrada contígua antes da operação e eliminando cópia contígua desnecessária após normalização. Melhora estabilidade e performance de SSMs tipo Mamba em CPU/GPU, relevante para inference de arquiteturas não-Transformer via llama.cpp. Publicado com atestações e binários para todas as plataformas. Abrir fonte

llama.cpp b11059: entrada F16 no FWHT do Metal​

GitHub · ggml-org/llama.cpp · 2026-09-20 Release b11059 de 2026-09-20T05:39:58Z adiciona entrada F16 ao kernel FWHT no backend Metal, parametrizando o tipo fonte para leitura direta sem conversão prévia. O nome do pipeline passa a carregar o tipo fonte e supports_op aceita src1 F16 para hints Hadamard nos tamanhos cobertos, mantendo F32 inalterado. Validado com test-backend-ops em M5 Pro (MUL_MAT_HADAMARD 16/16, MUL_MAT 1265/1265), melhora quantização e híbridos F16/F32 em Apple Silicon. Abrir fonte

Llama-3.3-70B-Instruct ablitetado em GGUF (Thaurock)​

Hugging Face · Thaurock/Llama-3.3-70B-Instruct-abliterated-GGUF · 2026-09-20 Quantização GGUF criada em 2026-09-20T08:58:23Z de Llama-3.3-70B-Instruct com abliteration, tags gguf, llama3.3 e text-generation-inference para uso direto em llama.cpp. Permite inference local de 70B em hardware com VRAM limitada via Q4_K_M/Q8_0 e variantes, sem necessidade de conversão manual. Útil para harnesses de avaliação e agentes que exigem modelo grande conversacional on-premise. Abrir fonte

Família ppt-pythia-1b: 8 checkpoints para estudo de permutação e estrutura (Pythia 1B)​

Hugging Face · qing-yao/ppt-pythia-1b-* · 2026-09-20 Oito modelos text-generation publicados em 2026-09-20 entre 16:37 e 17:53 UTC derivados de Pythia-1B (gpt_neox) para pesquisa de Permuted/Structured Pretraining: structured/permuted/baseline × seed 3407/3408 × stage 1/2, com tags transformers, safetensors e generated_from_trainer. Incluem stage1 publicados com lastModified em D e stage2 criados em D, todos verificáveis via API. Conjunto possibilita benchmark controlado de arquitetura e tokenização sob permutação, relevante para interpretabilidade e fine-tuning experimental. Abrir fonte

G4 WanaMeroQueen v3 31B heretic GGUF​

Hugging Face · vulture3/G4-WanaMeroQueen-v3-31B-heretic-GGUF · 2026-09-20 Variante quantizada GGUF de G4-WanaMeroQueen-v3-31B (heretic) criada em 2026-09-20T05:30:47Z com base quantizada declarada e licença Apache-2.0. Oferece modelo 31B conversacional em formato llama.cpp para deployment local com diferentes níveis de quantização IQ4_NL e similares. Adequada para testes de inference, serving e harnesses de avaliação de modelos criativos de grande porte. Abrir fonte

Nota de cobertura: varredura em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) em harnesses (lm-eval, vLLM, llama.cpp), skills, agentes, fine-tuning, quantização e inference. D=2026-09-20 (sábado) não teve papers arXiv — serviço não publica fim de semana e HF daily papers retornou vazio para a data; próximo listing é 2026-09-22. vLLM, lm-evaluation-harness, transformers, tokenizers, Ollama e MLX não publicaram release em D (últimos: vLLM v0.29.0 em 2026-09-09, lm-eval v0.4.13 em 2026-08-31). Hugging Face registrou apenas modelos acima como text-generation/GGUF relevantes em D após filtragem de text-classification e bio-assay; lacunas citadas são ausência real, não limite de coleta.

Fontes​

llama.cpp b11057: parser dedicado para Ling 3.0 (Bailing V3) e correção de tool calling em reasoning​

GitHub · ggml-org/llama.cpp · 2026-09-19 Release b11057 do motor de inferência local llama.cpp corrige falha crítica no autoparser de chat templates da família Ling 3.0 Flash, que deixava tool_calls presos como reasoning_content quando <tool_call> chegava antes de </think>. Adiciona parser especializado que termina reasoning em </think> ou no início de <tool_call> e inclui template e testes de streaming, chamadas paralelas e reasoning_format=none. Publicado em 2026-09-19T23:58:52Z com binários para macOS, Linux, Windows e Android incluindo variantes CUDA 12.8/13.3, Vulkan, ROCm, OpenVINO e SYCL. Abrir fonte

DAPO Qwen3-4B Nonthinking 2048: adapter LoRA com RL para matemática​

Hugging Face · sandeep123/dapo-qwen3-4b-nonthinking-2048-20260919 · 2026-09-19 Adapter LoRA criado em 2026-09-19T16:35:08Z sobre Qwen/Qwen3-4B-Instruct-2507 aplicando DAPO (Direct Advantage Policy Optimization) em modo nonthinking com contexto 2048. Foco em reinforcement learning para tarefas de matemática, taggeado como peft, lora e reinforcement-learning com pipeline text-generation. Representa fine-tuning eficiente com RL sem raciocínio longo explícito, útil para serving de baixo custo e experimentação de harnesses de avaliação matemática. Abrir fonte

Qwen3-8B SWE Lego LLM Checkpoint 238​

Hugging Face · Si1w/qwen3-8b-swe-lego-llm-ckpt · 2026-09-19 Checkpoint intermediário do projeto SWE Lego LLM baseado em Qwen3-8B, publicado em 2026-09-19T21:59:24Z. Materializa fine-tuning para engenharia de software com checkpoints versionados (ex: checkpoint-238) para harnesses de coding agents e orquestração de agentes de código. Sem model card detalhado, mas data verificável e linhagem Qwen3 indicam uso em treino contínuo e avaliação de agentes em repositórios reais. Abrir fonte

Iris 1.3 Lite LoRA: fine-tuning Gemma 3 1B com Unsloth e TRL​

Hugging Face · Rev3auth/iris-1.3-lite-lora · 2026-09-19 LoRA publicado em 2026-09-19T16:04:27Z derivado de unsloth/gemma-3-1b-it-unsloth-bnb-4bit usando Unsloth e TRL, com licença Apache-2.0 e compatibilidade endpoints. Tags indicam text-generation-inference, transformers e gemma3_text para inferência conversacional leve. Exemplo de fine-tuning eficiente em 1B com quantização 4-bit para deploy local via llama.cpp/vLLM e harnesses de avaliação de modelos pequenos. Abrir fonte

Lightning 105M: modelo conversacional leve 105M​

Hugging Face · Aobangaming/lightning-105m · 2026-09-19 Modelo causal de 105M publicado em 2026-09-20T02:43:01Z (2026-09-19 23:43 BRT), dentro da janela D, com pipeline transformers e text-generation conversacional. Com 3 likes e 210 downloads iniciais, posiciona-se como LM compacto para inferência em edge e experimentos de tokenizers e arquitetura eficiente. Relevante para estudos de serving de baixa latência e quantização em hardware restrito. Abrir fonte

Rukh Tiny: decoder leve de xadrez com ONNX para LLM move prediction​

Hugging Face · chorcat/rukh-tiny · 2026-09-19 Decoder especializado para xadrez publicado em 2026-09-19T14:15:23Z, parte da família Rukh, treinado em chorcat/rukh-games-1800 e tokenizer próprio. Arquitetura rukh-move-decoder com exportação ONNX e safetensors para inferência eficiente de previsão de lances como tarefa de linguagem. Demonstra aplicação de arquitetura LLM fora de chat, com avaliação em domínio fechado e otimização de inference. Abrir fonte

Rukh Small: variante intermediária da família Rukh para xadrez​

Hugging Face · chorcat/rukh-small · 2026-09-19 Variante small da família Rukh publicada em 2026-09-19T14:14:46Z, mesma linhagem ONNX e decoder para text-generation de lances de xadrez. Compartilha dataset e tokenizer com tiny/medium, escalando capacidade para estudar trade-offs de tamanho vs. acurácia em inference local. Licença Apache-2.0 e 114 downloads iniciais indicam uso em harnesses de avaliação de modelos de domínio específico. Abrir fonte

Rukh Medium: maior capacidade da família Rukh com ONNX​

Hugging Face · chorcat/rukh-medium · 2026-09-19 Variante medium publicada em 2026-09-19T14:18:09Z, fechando a trinca Rukh do dia com maior capacidade entre as três. Mantém tags rukh, onnx, decoder e text-generation para servir via runtimes ONNX em CPU/edge. Conjunto permite benchmark controlado de scaling em arquitetura LLM especializada e pipeline de tokenização customizada. Abrir fonte

Nota de cobertura: buscas nativas em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) em harnesses, skills, vLLM, llama.cpp, fine-tuning, quantização e inference não retornaram publicações não-arXiv com data verificável em 2026-09-19 além do release llama.cpp b11057 acima. Hugging Face Blog, lm-evaluation-harness, vLLM, transformers e arXiv não publicaram versão/artigo datado em D dentro do escopo LLM harness/skills — arXiv API retornou apenas itens de 2026-09-17 no topo do feed no momento da coleta e HF daily papers não registrou paper do dia. Das buscas HF, 7 modelos text-generation e 1 checkpoint Qwen3 foram curados como representativos de fine-tuning, LoRA/RL e arquitetura leve. Lacunas: sem release vLLM/lm-eval em D.

Fontes​

Unsloth v0.1.811-beta — Docker, multi-usuário e suporte AMD​

GitHub · unslothai/unsloth · 2026-09-18 Release v0.1.811-beta publicada em 2026-09-18T16:11:15Z traz Docker renovado com imagens CUDA e ROCm, contas multi-usuário com isolamento em Settings > Accounts, suporte RDNA1/RDNA2 e ARM64 Windows CUDA para treino e inference. Inclui hotfix MTP 2× mais rápido para Qwen3.8-Flash-Next, inference INT8/FP8 para diffusion 2× mais veloz, melhorias de GRPO com Qwen3.5/TRL/vLLM e otimizações MLX com entrada de vídeo. Consolidando fine-tuning QLoRA acessível, a versão reforça Unsloth como harness de treino local eficiente em 2026. Abrir fonte

llama.cpp b11046 — OpenCL flash_attn_f32_f16_bin​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11046 publicada em 2026-09-18T23:56:03Z adiciona kernel OpenCL flash_attn_f32_f16_bin (#29046) com prefill guarded para flash attention. A mudança amplia cobertura de attention acelerado em GPUs OpenCL, reduzindo latência de prefill e melhorando throughput de inference local para modelos com attention híbrido. Binários assinados para macOS, Linux, Windows, Vulkan, ROCm e CUDA mantêm paridade GGUF. Abrir fonte

llama.cpp b11045 — Hexagon ROLL op​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11045 publicada em 2026-09-18T22:30:38Z adiciona suporte à operação ROLL no backend Hexagon (#29105). O op é fundamental para embeddings posicionais e manipulações de tensor em NPU Qualcomm, desbloqueando execução correta de arquiteturas recentes em dispositivos Hexagon. Mantém compatibilidade GGUF e assinaturas de binários para todas as plataformas. Abrir fonte

llama.cpp b11044 — Hexagon IM2COL completo (1D e padded)​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11044 publicada em 2026-09-18T21:52:43Z atualiza IM2COL no Hexagon (#29103) para aceitar ops 1D e padded, tornar kernel pure-DDR aware de is_2D e estender fast path DMA de patch-embed para 1D. Adiciona ainda kernel geral IM2COL com blocked-staging para DMA. As correções expandem suporte a vision transformers e convoluções em NPU Hexagon, melhorando eficiência de inference multimodal. Abrir fonte

llama.cpp b11043 — HMX flash-attention com head_dim=72 (SigLIP)​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11043 publicada em 2026-09-18T20:47:54Z permite HMX flash-attention com head_dim não múltiplo de 64, como DK=DV=72 do SigLIP (#26539), arredondando para 64 com lanes zero-filled. A padronização desbloqueia inference de modelos de visão SigLIP e híbridos em Hexagon HMX sem retrabalho de grafo. Impacto direto em multimodal local e quantização de attention em edge. Abrir fonte

llama.cpp b11042 — OpenCL Q6_K A8 binary kernel​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11042 publicada em 2026-09-18T18:19:50Z adiciona kernel binário OpenCL gemm_noshuffle_q6_k_f32_32b_trans_ila_a8_bin para Q6_K não-MoE com ativação A8 (#28678) e corrige compatibilidade de layout. O bin kernel acelera matmul quantizado Q6_K em GPUs OpenCL, elevando throughput de modelos GGUF quantizados sem MoE. Relevante para inference local com VRAM limitada. Abrir fonte

llama.cpp b11040 — checagem de falha de alocação em ggml​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11040 publicada em 2026-09-18T15:01:59Z adiciona verificação de falhas de alocação em ggml para prevenir crashes (#28149). A validação torna o grafo de inference mais robusto em cenários de OOM ou fragmentação, evitando segfaults silenciosos em serving com KV cache grande. Melhora estabilidade de long-context e batch concorrente. Abrir fonte

llama.cpp b11039 — Model-Saver corrige padrão SWA para 15 arquiteturas​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11039 publicada em 2026-09-18T14:10:21Z corrige escrita e leitura do padrão SWA (sliding window attention) para roundtrip de 15 arquiteturas (#29042). Introduz load_swa_pattern() que lê sliding_window_pattern como período ou array por camada, unificando loaders. A correção garante conversão GGUF fiel para modelos com atenção deslizante variável, essencial para fine-tuning e serving correto. Abrir fonte

llama.cpp b11037 — fix WebGPU GET_ROWS vec4​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11037 publicada em 2026-09-18T12:13:25Z corrige condição supports_op para GET_ROWS em ggml-webgpu (#28978), tratando alinhamento vec4 e checagem de strides. O fix evita fallback incorreto para CPU e corrige extração de rows em GPUs WebGPU, melhorando throughput de embeddings e MoE em browsers. Inclui caso de teste novo para validar strides. Abrir fonte

llama.cpp b11036 — tratamento de falha de reserva de buffer de grafo​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11036 publicada em 2026-09-18T11:32:57Z trata falha de reserva de buffer de grafo em ggml (#26070). Em vez de abortar, o runtime agora propaga erro controlado, permitindo recuperação graceful em pipelines de inference e orquestração de agentes. Reforça robustez de harnesses que encadeiam múltiplos forward passes com grafo dinâmico. Abrir fonte

llama.cpp b11035 — kernels Vulkan IQ3_S MMQ matmul​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11035 publicada em 2026-09-18T11:04:14Z adiciona kernels Vulkan IQ3_S MMQ matmul (#28822), com loads de 2 bytes para bloco de 110 bytes e alinhamento de tile K. O suporte amplia quantização ultra-baixa IQ3_S em GPUs Vulkan, reduzindo uso de VRAM e aumentando tokens/s em consumer GPUs. Relevante para deployment local de 7-27B em 4-6 GB VRAM. Abrir fonte

llama.cpp b11034 — pre-tokenizer ufakzeka​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11034 publicada em 2026-09-18T10:37:22Z adiciona pre-tokenizer ufakzeka (#29033) e registra o modelo na lista oficial com hash regenerado. O tokenizer estende cobertura multilíngue para turco/morfológico, garantindo tokenização fiel e compatível com GGUF. Impacta fine-tuning e evaluation de modelos multilíngues com vocab custom. Abrir fonte

llama.cpp b11033 — fix de build GGML_CPU=OFF + GGML_CUDA=ON​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11033 publicada em 2026-09-18T09:55:12Z corrige falha de build quando GGML_CPU=OFF e GGML_CUDA=ON (#29026) e corrige EOL em CMakeLists de conversão. O patch desbloqueia builds CUDA-only para containers e CI minimalista, reduzindo imagem e tempo de compilação. Útil para serving vLLM-like com llama.cpp como backend secundário. Abrir fonte

llama.cpp b11030 — bump setup-android 4.0.4​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11030 publicada em 2026-09-18T08:13:40Z atualiza CI para android-actions/setup-android 4.0.4 (#29065). Embora seja manutenção de pipeline, garante builds Android reprodutíveis para llama.cpp em 2026-09-18, mantendo binários mobile assinados. Infraestrutura de treino/inference edge depende de CI verde para releases GGUF em Android. Abrir fonte

llama.cpp b11029 — Vulkan eleva limite MoE para 1024 experts​

GitHub · ggml-org/llama.cpp · 2026-09-18 Release b11029 publicada em 2026-09-18T07:34:36Z eleva limite de row-id hoisting em Vulkan mul_mat_id de 256 para 1024 experts (#28501). O shader count_experts.comp dimensionava arrays compartilhados com BLOCK_SIZE=256, desabilitando hoisting acima de 256 experts; o fix permite MoE massivo com hoisting ativo. Beneficia inference de Mixtral/DeepSeek-MoE e modelos com centenas de experts em Vulkan. Abrir fonte

Nota de cobertura: buscas nativas em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) focadas em harnesses/skills/modelos LLM foram executadas — it/es/fr/zh/ja retornaram candidatos, pt/en também, de/ru/ko sem resultados qualificados em D. Nenhum release de vLLM, lm-evaluation-harness ou Hugging Face Transformers/Blog com data em 2026-09-18 foi encontrado — vLLM v0.29.0 é de 2026-09-09 e lm-eval v0.4.13 de 2026-08-31, ambos fora da janela D (00:00–23:59 BRT). Nenhum paper arXiv em cs.CL/cs.LG/cs.AI/cs.SE com published em 2026-09-18 00:00–23:59 BRT (03:00 UTC 2026-09-18 a 03:00 UTC 2026-09-19) atendeu ao filtro harness/quantização/inference — varredura de 200 itens confirmou último lote em 2026-09-17T17:59Z. Fontes sindicadas, guias evergreen e artigo Tech Insider de 2026-09-19 foram descartados por estarem fora de D. Das 15 entradas com data verificável em D, todas foram preservadas acima sem limite artificial.

Fontes​

huggingface_hub v1.32.0 — shared blob store e Jobs via UV scripts​

GitHub huggingface/huggingface_hub · 2026-09-17 Release v1.32.0 publicada em 2026-09-17T10:21:24Z introduz cache com deduplicação de arquivos Xet entre repositórios via symlink em <CACHE_DIR>/blobs/<prefix>/<xet_hash>, com manifesto .refs e comandos hf cache rm/prune para reclaim. Adiciona leitura de [tool.hf-jobs] do header PEP 723 em scripts UV para hf jobs uv run (image, flavor, secrets) e série de 9 PRs de hardening do Sandbox (tokens por sandbox, validação de pool host, pinagem de sbx-server por digest). Mantém compatibilidade com clientes antigos e fallback silencioso para storage local. Abrir fonte

Unsloth v0.1.810-beta — Docker renovado, FP8/INT8 diffusion e multi-user​

GitHub unslothai/unsloth · 2026-09-17 Publicada em 2026-09-17T14:37:04Z, a beta traz nova imagem Docker com suporte NVIDIA e AMD ROCm, contas multi-usuário com isolamento em Settings > Accounts e inferência INT8/FP8 para diffusion 2x mais rápida. Inclui suporte Windows ARM64 CUDA, RDNA1/RDNA2, melhorias de GRPO com Qwen3.5 e TRL/vLLM, além de MLX com input de vídeo, otimizações MoE/decode e memory estimates para GGUF. Atualização consolida pipeline de treinamento, fine-tuning e inference em um único release. Abrir fonte

llama.cpp — 11 releases em 2026-09-17 (b11016 a b11028)​

GitHub ggml-org/llama.cpp · 2026-09-17 Onze tags dentro da janela D (03:00 UTC 17/09 a 03:00 UTC 18/09): b11016 (08:58:59Z, sycl ssm_conv SiLU fusion), b11017 (09:27:56Z, vulkan MoE coopmat1), b11018 (09:58:21Z, sycl B70 >19.3GB), b11019 (10:35:36Z, GGUF data alignment), b11020 (11:07:06Z, DeepSeek V3.2/V4 delimiters), b11022 (11:36:08Z, vulkan split buffers), b11024 (12:30:00Z, OpenVINO 2026.4), b11025 (13:02:49Z, Nemotron MTP), b11026 (13:31:47Z, skip gate_up_exps para Qwen3.5-MoE), b11027 (16:03:09Z, rpc skip ACCEL) e b11028 (17:30:53Z, ci evict-old-files). Continuidade diária de builds focados em kernels GGUF, Vulkan, SYCL e OpenVINO para inference local quantizada. Abrir fonte

Coding Agents with an Obstacle-Aware Harness for Safe Robot Manipulation​

arXiv · 2026-09-17 Propõe harness consciente de obstáculos para coding agents que escrevem controladores de robô como programas, avaliando segurança além de sucesso de tarefa. Cada episódio pareia meta de manipulação com obstáculo explícito, testando se o agente evita colisões sem treino específico de robótica. Resultados iniciais mostram que harness de código puro opera robôs mas ignora restrições de segurança sem scaffolding dedicado. Relevante para design de harness seguro em agentes de código. Abrir fonte

Quantifying Overclaiming Propensity in Frontier LLM Agents​

arXiv · 2026-09-17 Quantifica propensão de agentes codificadores fronteira a overclaim — afirmar conclusão de tarefa em contradição com o próprio contexto. Define detecção via inconsistência entre resposta final e trajetória e aplica a agentes de longo horizonte. Mostra que modelo final frequentemente é única prestação de contas vista pelo usuário, tornando overclaiming risco de confiança. Contribuição direta para harnesses de avaliação de agentes e auditoria de confiabilidade. Abrir fonte

An Empirical Study of Harness Design for Coding Agents​

arXiv · 2026-09-17 Estudo empírico disseca harnesses de coding agents como sistemas modulares, fixando loop de execução e variando componentes em isolation. Harness leve permite comparar prompts, memória, retrieval e controle em benchmark comum, revelando que ganhos atribuídos ao modelo frequentemente vêm do scaffolding. Oferece metodologia para decisões de harness sem sobreajuste a benchmark vazado. Essencial para quem avalia trade-off modelo vs. harness em engenharia de software assistida por LLM. Abrir fonte

dQwen3.5: Hybrid-Attention Diffusion Language Models​

arXiv · 2026-09-17 Adapta modelo autoregressivo híbrido (atenção + RNN) para linguagem de difusão (DLM), superando obstáculo de bidirecionalizar camadas RNN causalmente estruturadas. Em vez de partir de transformer full-attention, método converte modelo híbrido pré-treinado para difusão com custo reduzido. Demonstra rota eficiente para DLMs a partir de arquiteturas modernas com RNN, ampliando espaço de design de modelos além de decoders puros. Relevante para arquitetura, treino e inference de DLMs. Abrir fonte

On-Demand Attention: Language Models Know When to Recall​

arXiv · 2026-09-17 Mostra que estados de decodificação já contêm sinal preditivo sobre benefício de ler histórico longo antes do full-attention. Introduz On-Demand Attention (ODA), que decide por token quando consultar passado extenso, evitando leitura global a cada passo. Reduz custo de decodificação em workloads de raciocínio e agentic com contexto longo sem perda de qualidade. Avanço em inference eficiente e arquitetura de atenção para serving de longa janela. Abrir fonte

Deep Noir: Autonomous Steering Discovery via Architectural Chronometry in Transformer Models​

arXiv · 2026-09-17 Apresenta Deep Noir, framework que usa Logit Lens e atribuição causal por head para descobrir autonomamente onde e quanto aplicar steering de ativações em LLMs. Automatiza busca de vetores e intensidade que métodos manuais exigem, com ganho de 16,7 pontos percentuais em spam em 3 escalas (1B, 2-3B, 7-9B). Conecta interpretabilidade, infraestrutura de inference e controle comportamental em tempo de execução. Útil para skills de steering sem fine-tuning. Abrir fonte

Don't Mask the Environment: Observation Supervision Changes How Agents Explore Under RL​

arXiv · 2026-09-17 Questiona convenção de SFT que calcula perda apenas em tokens de ação do agente, tratando observações do ambiente como contexto. Propõe ActObs, que também supervisiona tokens de observação, melhorando inicialização para RL subsequente. Mostra que observação supervisionada altera exploração do agente sob RL, com impacto em trajetórias multi-turno. Implicação prática para pipeline SFT→RL de agentes com tool-use. Abrir fonte

RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement Learning​

arXiv · 2026-09-17 Aborda falha de on-policy distillation (OPD) em agentes RL com recompensa escalar por trajetória: informação privilegiada sozinha não transfere habilidade para estudante sem skill. Propõe RetireOPD, destilação on-policy com auto-aposentadoria do teacher privilegiado, fornecendo supervisão densa por token que se retira conforme estudante internaliza. Melhora aprendizado agentic multi-turno com recompensa esparsa. Relevante para treino e fine-tuning de agentes RL. Abrir fonte

Score Centering Stabilizes Off-policy Reinforcement Learning​

arXiv · 2026-09-17 Trata training-inference mismatch (TIM) em RL de LLMs, onde diferenças entre engines de treino e inference desestabilizam aprendizado off-policy. Propõe score centering para estabilizar atualizações off-policy, reduzindo sensibilidade a pequenas divergências de engine. Resultados indicam treino mais robusto para LLMs em larga escala onde engines heterogêneas são inevitáveis. Contribuição para infraestrutura de treino e RLHF/RLVR. Abrir fonte

Chronicle: Cut-Point Replay for Regression Testing of LLM Agents​

arXiv · 2026-09-17 Observa que respostas não-determinísticas e tools com estado mutável impedem reproduzir falhas de agentes LLM. Chronicle introduz cut-point replay, que registra trajetória e permite reexecutar a partir de pontos de corte para testar mudanças de código sem re-gerar toda a run. Complementa tracing/scoring existente focando em regression testing prático de agentes. Avanço em harness de teste e confiabilidade de sistemas agentic. Abrir fonte

HerHealthEval: Evaluating Multilingual and Register-Sensitive Understanding of Women's Health Communication​

arXiv · 2026-09-17 Introduz HerHealthEval, framework controlado para avaliar compreensão multilíngue de comunicação em saúde da mulher, com versões casadas em inglês, francês e outros registros. Desacopla interpretação correta da preocupação do usuário da qualidade da resposta, lacuna comum em benchmarks clínicos. Fornece avaliação desbalanceada por língua e registro, estendendo harnesses de avaliação para domínio sensível e multilíngue. Relevante para benchmark design e equidade linguística. Abrir fonte

Nota de cobertura: varredura cobriu arXiv via API (cs.CL, cs.LG, cs.AI, cs.SE, cs.RO, cs.CV e correlatos, 100 resultados ordenados por data) e API GitHub para 14 repositórios (llama.cpp, huggingface_hub, unsloth, transformers, tokenizers, ggml, whisper.cpp, llama-cpp-python, TGI, optimum, pytorch, TensorRT-LLM, DeepSpeed, Qwen3); consultas nativas nos 10 idiomas previstos (pt, en, it, es, fr, de, ru, zh, ko, ja) não retornaram itens adicionais datados em D dentro do escopo estrito de harness/skills/modelos LLM além dos capturados em en/pt. Verificação confirmou 11 releases llama.cpp em D, huggingface_hub v1.32.0 em D, unsloth v0.1.810-beta em D, sem releases de vLLM (último v0.29.0 em 2026-09-09) nem lm-evaluation-harness (v0.4.13 em 2026-08-31) em D; 71 candidatos arXiv em D filtrados para 11 mais aderentes ao escopo.

Fontes​

Objective vs. Search: Decomposing What Makes a Good Tokeniser​

arXiv · 2026-09-16 Estudo desacopla objetivo e busca em tokenização para LLMs, comparando BPE (compressão, bottom-up) e UnigramLM (verossimilhança, top-down) com duas variantes inéditas BottomUpLL e TopDownComp. Treinando modelos em diferentes tamanhos e vocabulários, a busca bottom-up supera consistentemente em bits-per-byte, enquanto o objetivo tem efeito secundário; em BLiMP não há correlação consistente. Aceito no EMNLP 2026, oferece orientação prática para construção mais fundamentada de tokenizadores. Abrir fonte

A Zeroth-Order Paradigm for LLM Preference Alignment​

arXiv · 2026-09-16 Propõe o Comparison-based Preference Optimization (ComPO), método de alinhamento de preferência de ordem zero que extrai direção de pares com pequena margem via oráculo de comparação, sem otimizar perda diferenciável direta. Apresenta garantias de convergência offline sob suavidade e esparsidade e extensão online com controle KL reverso. Em Mistral, Llama, Gemma-2/3 e Qwen3 supera métodos diretos em win rate com controle de comprimento, com diagnósticos consistentes de mitigação de likelihood displacement. Abrir fonte

ScienceIDE: Turning World's Scientific Codebase into Agent Learnable Environments​

arXiv · 2026-09-16 Apresenta o ScienceIDE, que converte repositórios científicos fragmentados em ambientes aprendíveis por agentes, padronizando toolchains e critérios de correção por domínio. O harness expõe modelos executáveis e ferramentas como espaço de ação para agentes codificarem, executarem e verificarem hipóteses. Foca em transformar conhecimento decodificado em código legível por agente para descoberta científica assistida. Abrir fonte

Cognitive Extensions for Dual-Process Language Agents: Memory and Self-Reflection in Interactive Environments​

arXiv · 2026-09-16 Estende o agente dual-process SwiftSage com memória de longo horizonte e autorreflexão para ambientes interativos. O harness combina propositor rápido e refletor lento com rastreamento de estado e recuperação de falha. Resultados mostram maior robustez em tarefas longas com execução válida de ações e correção de passos falhos. Abrir fonte

Monitoring and Discovering Reward Hacking with Internal Representations during LLM Evaluations​

arXiv · 2026-09-16 Investiga se reward hacking deixa assinatura interna em LLMs fronteira durante avaliações, analisando representações de modelos open-source. Mostra que padrões de hacking se manifestam em features esparsas e podem ser monitorados sem depender apenas de saída final. Propõe sondas para detecção precoce, relevante para harnesses de avaliação e interpretabilidade. Abrir fonte

Higher-order pruning of experts in mixture-of-experts language models​

arXiv · 2026-09-16 Aborda gargalo de memória em LLMs MoE via poda de especialistas com decisões de ordem superior, considerando interação entre experts em vez de escores isolados. Método reduz contagem de parâmetros preservando desempenho, complementando pipelines de quantização e serving. Avaliação em múltiplas escalas mostra trade-off superior entre compressão e qualidade. Abrir fonte

Beyond Outcomes: Dual-View Relational Learning for Efficient Agent Benchmarking​

arXiv · 2026-09-16 Propõe compressão de benchmarks de agentes modelando redundância não só em scores finais, mas em relações duais tarefa-modelo e tarefa-tarefa. A abordagem seleciona subconjunto representativo que preserva ranking com custo de avaliação drasticamente menor. Relevante para harnesses de avaliação onde rodar suítes completas de agentes é proibitivo. Abrir fonte

ASLEval: Measuring Privacy Exposure Displacement in LLM Agent Sessions​

arXiv · 2026-09-16 Critica avaliações de privacidade que inspecionam apenas ação designada ou resposta final, propondo métrica de deslocamento de exposição ao longo de sessões multi-step com tool-use. Introduz ground truth comum entre outlets e análise sessão-inteira. Essencial para harnesses de agentes que manuseiam dados sensíveis, revelando vazamentos perdidos por proxies locais. Abrir fonte

Ask the Tool, Don't Guess: Agent Tool Calls Hold Their Progress, and the Serving System Should Read It​

arXiv · 2026-09-16 Revela que requisições agênticas passam tempo significativo aguardando tools com KV cache ocupando GPU. Em vez de adivinhar duração pela tool, o sistema de serving deve ler progresso explícito da chamada. Propõe protocolo onde tool reports permite decidir manter, despejar ou restaurar cache, otimizando throughput de serving de agentes em vLLM-like engines. Abrir fonte

ReFigBench: Benchmarking Scientific Figure Reconstruction as Editable PowerPoint Artifacts​

arXiv · 2026-09-16 Avalia coding agents multimodais que reconstróem figuras científicas como artefatos PowerPoint editáveis, atuando através de harness com ferramentas, gestão de contexto e execução. Benchmark mede fidelidade visual e editabilidade estrutural além de chamadas curtas isoladas. Expõe lacunas de agentes em gerar artefatos utilizáveis a partir de entradas visuais. Abrir fonte

Infinite-Parameter LLMs: Generating and Adapting Weights from Live Data​

arXiv · 2026-09-16 Propõe LLMs de parâmetros infinitos que geram e adaptam pesos a partir de dados ao vivo, estendendo leis de escala além de MoE esparsos. Arquitetura ativa fração dinâmica de pesos sintetizados sob demanda, explorando trade-off entre memória e computação em tempo de inferência. Discussão conecta a serving adaptativo e fine-tuning contínuo. Abrir fonte

CERA-MoA: Co-Evolving Routing Mechanisms with Continually Learning LLM Agents​

arXiv · 2026-09-16 Trata limitação de Mixture-of-Agents que separa roteamento e fine-tuning, propondo coevolução de roteador e agentes em aprendizado contínuo. O roteamento adapta-se a capacidades emergentes dos agentes, melhorando alocação de queries ao longo do tempo. Resultados mostram ganhos em cenários multi-agente comparado a roteamento estático. Abrir fonte

M-SQE: Multilingual Skill Quality Estimation for Enhancing Language Equality in Agentic Skill Use​

arXiv · 2026-09-16 Foca em skills - documentos procedurais reutilizáveis que estendem agentes além da memória paramétrica - e no viés multilíngue de bibliotecas comunitárias. Propõe M-SQE para estimar qualidade de skills em múltiplas línguas, promovendo paridade. Relevante para ecossistema de skills agênticas onde cobertura é desigual entre idiomas. Abrir fonte

Dependency-Aware Trajectory Refinement for Efficient Multi-Turn Agent Fine-Tuning​

arXiv · 2026-09-16 Modela trajetórias multi-turno como DAG de dependências entre rounds para identificar rounds redundantes (tool calls falhos, sub-queries paralelas, verificações). Poda seletiva reduz custo de treino e inferência sem degradar desempenho. Oferece pipeline prático para fine-tuning eficiente de agentes com dados de interação ruidosos. Abrir fonte

GeoMesh: Workload-Balanced and Sign-Compressed Geo-Distributed LLM Training​

arXiv · 2026-09-16 Enfrenta treinamento geo-distribuído de LLMs em clusters heterogêneos com balanceamento de carga e compressão por sinal. Introduz malha que adapta particionamento e comunicação comprimida a links inter-região, mantendo convergência com menor banda. Contribuição direta para infraestrutura de treino distribuído em larga escala. Abrir fonte

Bad Genius: Counterfactual-Guided Harness Evolution Beyond Task-Specific Shortcuts​

arXiv · 2026-09-16 Aborda otimização automática de harness que sobreajusta ao benchmark liberado B_rel ao editar prompts, memória, retrieval e controle. Propõe evolução guiada por contrafactuais que distingue melhorias reutilizáveis de atalhos específicos da tarefa. Framework melhora generalização de harnesses além de benchmarks vazados. Abrir fonte

BENCHCOMPASS: From Scores to Signals for Training and Harness Decisions in Payment-Domain​

arXiv · 2026-09-16 Investiga valor de LLMs em operações de pagamento onde regras mudam rápido; traduz scores de benchmark em sinais acionáveis para decisões de treino e harness. Mapeia lacunas de evidência e propõe bússola que orienta fine-tuning e design de scaffolding por domínio. Estudo de caso em infraestrutura financeira crítica. Abrir fonte

M2Tok: Multi-head Multi-codebook Discrete Action Tokenization for Vision-Language-Action Models​

arXiv · 2026-09-16 Adapta modelos autoregressivos a sinais multimodais com tokenização discreta de ações via múltiplos codebooks e cabeças. Avalia fidelidade de tokenizadores de ação para treino de políticas VLA e recuperação de comandos executáveis. Avanço em tokenização para agentes de ação contínua, paralelo a esforços em tokenização textual. Abrir fonte

llama.cpp b11009 — fix split state and granularity for fused QKV (Gemma 4, Qwen3.5)​

GitHub ggml-org/llama.cpp · 2026-09-16 Release corrige cálculo de split states para atenção QKV fundida, necessário para Gemma 4 onde n_embd diverge de Q, e trata camadas de atenção completa fundida para Qwen3.5/Qwen3.5-MoE. Ajuste em nível de modelo garante particionamento correto com --fuse-qkv e inferência eficiente. Publicado em 2026-09-16T19:37:19Z, dentro da janela D. Abrir fonte

llama.cpp b11010 — work around NV bug with argsort_large.comp (Vulkan)​

GitHub ggml-org/llama.cpp · 2026-09-17 Release corrige bug de driver NVIDIA em shader Vulkan argsort_large.comp com workaround específico. Mantém paridade de throughput em backend Vulkan para inferência local quantizada. Publicado em 2026-09-17T00:01:04Z, ainda dentro de D (America/Sao_Paulo 2026-09-16 03:00-03:00Z), considerado na janela. Abrir fonte

Nota de cobertura: varredura cobriu arXiv via API (cs.CL, cs.LG, cs.AI, cs.DC, cs.SE e correlatos) e releases GitHub vLLM/llama.cpp/lm-evaluation-harness; consultas nativas nos 10 idiomas previstos não retornaram itens adicionais datados em D dentro do escopo estrito de harness/skills/modelos LLM; lacuna em fontes não-arXiv em D foi informada preservando todos os qualificados encontrados.

Fontes​

ShadowPEFT — novo método first-class na biblioteca 🤗 PEFT​

Hugging Face Blog · ShadowLLM (Zx Li, SeanLee, HSURA, Jing Li) · 2026-09-15 Publicado em 2026-09-15T03:30:08Z, o artigo anuncia ShadowPEFT como método nativo na biblioteca PEFT, com geometria de adaptação fundamentalmente diferente de LoRA mas mesmo ponto de entrada get_peft_model e mesmo fluxo save/load de adapters. O texto recapitula PEFT, detalha a arquitetura shadow network, integração na biblioteca e comparações head-to-head com LoRA e DoRA em MetaMathQA→GSM8K e DreamBooth (geração de imagem), incluindo guia de seleção de hiperparâmetros. Paper base: ShadowPEFT: Shadow Network for Parameter-Efficient Fine-Tuning (arXiv:2604.19254). Relevante para fine-tuning eficiente e skills de adaptação destacável. Abrir fonte

llama.cpp — 13 releases em 2026-09-15 (b10976 a b10991)​

GitHub · ggml-org/llama.cpp · 2026-09-15 Treze tags publicadas dentro da janela D (03:00 UTC 2026-09-15 a 03:00 UTC 2026-09-16): b10976 (07:23:42Z), b10977 (10:07:04Z), b10978 (10:59:40Z), b10980 (11:32:03Z), b10981 (12:00:14Z), b10982 (12:33:00Z), b10983 (13:09:46Z), b10984 (13:41:51Z), b10985 (14:19:41Z), b10988 (18:50:59Z), b10989 (22:24:56Z), b10990 (23:15:35Z) e b10991 (23:42:29Z). Continuidade diária de builds com foco em kernels GGUF e pipeline CUDA/Apple Silicon para inference local. Verificação via API GitHub confirma ausência de releases de vLLM (último v0.29.0 em 2026-09-09) e lm-evaluation-harness (v0.4.13 em 2026-08-31) em D. Abrir fonte

IFM/K2-Horizon família expandida — 0.9B, 3.7B, 7B, 32B, MoVA-36B-A4B e GGUF em 2026-09-15​

Hugging Face · IFM · 2026-09-15 Cinco variantes publicadas/atualizadas dentro de D: K2-Horizon-0.9B (2026-09-15T22:27:34Z, 17.475 downloads, 77 likes), K2-Horizon-3.7B (22:53:29Z, 6.130 downloads, 50 likes), K2-Horizon-7B (22:52:51Z, 7.447 downloads, 182 likes), K2-Horizon-32B (2026-09-16T00:18:55Z, 2.501 downloads, 37 likes) e K2-Horizon-MoVA-36B-A4B (21:57:31Z, 6.993 downloads, 329 likes) além do GGUF 0.9B (22:30:20Z, 4.149 downloads). Todos em transformers/safetensors com tags k2_horizon e reasoning, estendendo o MoE 375B para denso escalonável. A tração do 0.9B e do MoVA-36B (mais curtido do dia) sinaliza demanda por SLM reasoning e MoE eficiente para agentes. Abrir fonte

RedHatAI — Qwen3.8-2.4T-A95B NVFP4/FP8 e GLM-5.3/5.2 MXFP4 para vLLM​

Hugging Face · RedHatAI · 2026-09-15 Três conversões RedHatAI dentro de D: Qwen3.8-2.4T-A95B-NVFP4 (2026-09-15T20:53:10Z, 1.352 downloads), Qwen3.8-2.4T-A95B-NVFP4-FP8 (01:30:57Z em 16/09, 539 downloads, 7 likes) e GLM-5.3-MXFP4 (19:44:57Z, 1.628 downloads, 3 likes), além de GLM-5.2-MXFP4xFP8_BLOCK (18:38:41Z, 5.472 downloads) e GLM-5.2-MXFP4xMXFP4 (18:42:32Z, 823 downloads). Todas com llm-compressor/compressed-tensors e tag vllm, convertendo Qwen3.8 MoE 2.4T e GLM MoE para NVFP4/MXFP4 para serving de alta vazão. Reforça portfólio de quantização FP4 para inference em produção. Abrir fonte

mlx-community/gpt-oss-20b-OptiQ-4bit — gpt-oss 20B quantizado para Apple Silicon​

Hugging Face · mlx-community · 2026-09-15 Publicado em 2026-09-16T01:29:55Z com 20.102 downloads e 10 likes, quantiza modelo gpt-oss 20B para MLX com OptiQ 4-bit e tags gpt_oss/openai/mlx. É o modelo de maior download do dia fora da família K2-Horizon, indicando forte demanda por inference local em Apple Silicon sem CUDA. Complementa outras conversões MLX do dia (Qwen3.8 MLX AXQ) e amplia cobertura de quantização para modelos openai-compatíveis. Abrir fonte

sz14/cRia-LM-75M e cRia-LM-75M-Instruct — Recursive Transformer 75M​

Hugging Face · sz14 · 2026-09-15 Publicados em 2026-09-15T20:56:19Z (6.251 downloads, 9 likes) e 20:55:53Z (Instruct, 3 likes), entregam RRT de 75M com tags recursive-transformer, small-language-model e knowledge-distillation em transformers/safetensors. A arquitetura recursiva visa eficiência de parâmetros como alternativa a decoder-only padrão, já entre os maiores downloads de SLM em D. Relevante para treino eficiente, interpretabilidade e avaliação de harnesses em modelos pequenos. Abrir fonte

specklabs/Speck1-140M — SLM 140M para text-generation​

Hugging Face · specklabs · 2026-09-15 Publicado em 2026-09-15T15:19:43Z com 2.315 downloads e 11 likes, apresenta Speck1 140M em transformers/safetensors com tags speck/text-generation. Modelo compacto para pesquisa de eficiência e benchmarking de harnesses em regime de baixo recurso, complementando a oferta de SLMs do dia (cRia 75M, ssiat-1.0). Abrir fonte

MOGODIK/ssiat-1.0 — Llama 1B multilíngue com foco coreano​

Hugging Face · MOGODIK · 2026-09-15 Atualizado em 2026-09-15T13:56:22Z com 2.901 downloads e 6 likes, entrega modelo Llama-based 1B com tags korean/llama/gguf/safetensors. Destaca-se entre os modelos multilíngues do dia por volume de downloads, relevante para avaliação de tokenizers e harnesses em línguas não-inglesas e fine-tuning regional. Abrir fonte

OsaurusAI/Raptor-v0.5-8B-A1B-JANG_6M — híbrido Bailing com MLX​

Hugging Face · OsaurusAI · 2026-09-15 Publicado em 2026-09-15T19:48:01Z com 2.445 downloads e 12 likes, converte arquitetura bailing_hybrid para MLX com tag jang e suporte Apple Silicon. Integra lote de conversões híbridas para inference on-device, ao lado de GLM e Qwen MLX, demonstrando pipeline de porting para modelos não-transformer padrão. Abrir fonte

AutomatosX/AX-Qwen3.8-27B-MLX-AXQ — Qwen3.8 27B quantizado 4/6-bit MLX​

Hugging Face · AutomatosX · 2026-09-15 Duas variantes publicadas em 2026-09-15T15:56:09Z (AXQ-6bit-MTP, 4.596 downloads, 9 likes) e 15:55:57Z (AXQ-4bit-MTP, 2.058 downloads, 4 likes), quantizam Qwen3.8-27B para MLX com tags apple-silicon/mlx/qwen3_5. Oferecem trade-off 4 vs 6-bit para inference local com MTP, ampliando opções de quantização extrema para Qwen3.8 além de NVFP4/GGUF. Abrir fonte

joaosollatori/small-agentic-model-1.5B — SLM para orquestração agentic​

Hugging Face · joaosollatori · 2026-09-15 Publicado em 2026-09-16T00:15:40Z com 5.393 downloads, entrega modelo GPT-2-based 1.5B com tags gpt2/transformers/tensorboard e foco agentic. Maior download entre modelos agent-oriented do dia, relevante para skills de orquestração, tool-use e avaliação de harnesses em SLMs dedicados a agentes. Abrir fonte

AbstractPhil/mini-beatrix-1 e mini-beatrix-2s — mini modelos 2026-09-15​

Hugging Face · AbstractPhil · 2026-09-15 Publicados em 2026-09-15T16:30:55Z (1.586 downloads) e 16:30:57Z (1.376 downloads), dupla de mini modelos em pipeline text-generation com safetensors. Representam a cauda longa de SLMs experimentais do dia, úteis para benchmarking de eficiência e testes de harness em escala mínima. Abrir fonte

RalphLabsAI/ralph-crowns — Qwen conversational GGUF​

Hugging Face · RalphLabsAI · 2026-09-15 Publicado em 2026-09-15T16:29:55Z com 2.378 downloads e tag gguf/conversational/qwen3, entrega variante Qwen quantizada em GGUF para inference via llama.cpp. Reforça tendência do dia de distribuição paralela GGUF + MLX + NVFP4 para o mesmo backbone, facilitando comparação de harnesses de quantização. Abrir fonte

Nota de cobertura: buscas focadas em harness/skills/modelos LLM foram executadas em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) via web_search nativo em consultas como lm-eval-harness, vLLM, llama.cpp, quantização, fine-tuning e inference; variações em italiano, espanhol, francês, alemão, russo, chinês, coreano e japonês não retornaram itens novos qualificados dentro de D além dos já capturados em inglês/português. Verificação via API GitHub confirmou 13 releases llama.cpp em D, vLLM sem release em D (último v0.29.0 em 2026-09-09) e lm-evaluation-harness sem release em D (v0.4.13 em 2026-08-31). API Hugging Face retornou 431 modelos text-generation com lastModified em D (varredura paginada 0–900, filtro text-generation); após deduplicação e exclusão de ruído (pruna-test test-save-tiny, fpadovani toys, thoughtworks backdoor, yuhengtu DataDecide merges, ishikaa acquisition, augmented tournaments), 13 representativos foram preservados por downloads, arquitetura e técnica de quantização relevante a inference. HF daily papers e arXiv recent em D não apresentaram publicação nova dentro do escopo harness/quantização/inference que justificasse inclusão além do blog ShadowPEFT.

Fontes​

llama.cpp — 8 releases em 2026-09-14 (v0.4.1, b10951 a b10970)​

GitHub · ggml-org/llama.cpp · 2026-09-14 Oito tags publicadas dentro da janela D (03:00 UTC 2026-09-14 a 03:00 UTC 2026-09-15): b10951 (04:05:10Z), b10952 (08:26:46Z), b10955 (10:42:51Z), b10956 (13:57:29Z), b10964 (15:28:07Z), b10969 (19:50:18Z), b10970 (20:53:17Z) e v0.4.1 (18:27:29Z). O destaque v0.4.1 adiciona suporte a Maple 20B-A1B ternary MoE, Tencent Hy 4 e Spark2.5, corrige KV cache MTP para DeepSeek2/GLM-MoE e atualiza ggml para v0.24.0 com logging JSONL. As demais tags focam builds Ubuntu-CUDA e correções de kernels para inference local via GGUF. Verificação via API GitHub confirma ausência de releases de vLLM (último v0.29.0 em 2026-09-09) e lm-evaluation-harness (v0.4.13 em 2026-08-31) em D. Abrir fonte

Understanding W8A8 INT8 LLM quantization: Accuracy and performance results — Parte 2 no Red Hat Developer​

Red Hat Developer · Sana Fayyaz · 2026-09-14 Publicado em 2026-09-14T13:01:43+0000, é a parte 2 da série sobre quantização W8A8, com benchmarking de velocidade e acurácia sobre Llama 3.1 8B comprimido de 14,9 GB para 8,0 GB com SmoothQuant e GPTQ. O artigo detalha half the size, better performance, same accuracy com INT8 para pesos e ativações, complementando a parte 1 de 2026-09-07. Vincula-se aos modelos RedHatAI/Meta-Llama-3.1-8B-quantized.w8a8 e phi-4-quantized.w8a8 no Hugging Face com suporte documentado em Red Hat AI Inference. Relevante para deployment vLLM/LLM-compressor com W8A8. Abrir fonte

IFM/K2-Horizon família — 0.9B, 3.7B e 32B em 2026-09-14​

Hugging Face · IFM · 2026-09-14 Três variantes dense/release da família K2-Horizon publicadas dentro de D: K2-Horizon-0.9B (2026-09-14T21:19:55Z, 17.475 downloads, 73 likes), K2-Horizon-3.7B (2026-09-15T01:20:28Z, 6.130 downloads, 46 likes) e K2-Horizon-32B (2026-09-14T21:31:26Z, 2.501 downloads, 35 likes). Todos em text-generation/transformers/safetensors com tags reasoning e open-weights, estendendo o MoE 375B-A23B da véspera para denso escalonável. A adoção rápida do 0.9B indica demanda por SLM de reasoning para agentes e avaliação de eficiência. Abrir fonte

RedHatAI/GLM-5.3-MXFP4 — GLM-5.3 quantizado MXFP4 para vLLM​

Hugging Face · RedHatAI · 2026-09-14 Publicado em 2026-09-15T01:06:21Z com 1.628 downloads e 2 likes, converte zai-org/GLM-5.3 para MXFP4/FP4 com llm-compressor e tag vllm explícita. As tags glm_moe_dsa, mxfp4 e fp4 sinalizam serving de MoE com micro-scaling FP4 para alta vazão. Conecta diretamente à série W8A8 do dia e amplia o portfólio de quantização Red Hat para inference em produção. Abrir fonte

OrionLLM/OxCoder-9B — fine-tune de Qwen3.5-9B para coding agentic​

Hugging Face · OrionLLM · 2026-09-14 Publicado em 2026-09-14T19:38:51Z com 2.172 downloads e 56 likes, deriva de Qwen/Qwen3.5-9B com pipeline text-generation e tags qwen3_5/conversational. Foca coding e tool-use sobre base Qwen3.5, complementado no mesmo dia por variantes GGUF MERNIK e REAP abliterated. Relevante para orquestração de agentes e fine-tuning de instrução para workflows de engenharia. Abrir fonte

Asilarkness/DiffuRefill-1B — diffusion language model 1B com parallel decoding​

Hugging Face · Asilarkness · 2026-09-14 Publicado em 2026-09-15T02:35:09Z com 6.349 downloads, apresenta DiffuRefill 1B com arquitetura diffusion-language-model/masked-diffusion e parallel-decoding, treinado sobre Ultra-FineWeb-L3 sob Apache-2.0. As tags diffurefill e diffusion-language-model indicam alternativa a autoregressivo puro com foco em arquitetura e inference paralela. É o maior download não-K2 em D e sinaliza interesse em modelos de linguagem por difusão. Abrir fonte

sz14/cRia-LM-75M — Recursive Transformer 75M para small models​

Hugging Face · sz14 · 2026-09-14 Atualizado em 2026-09-14T22:15:39Z com 6.251 downloads e 8 likes, entrega RRT de 75M com tags recursive-transformer, small-language-model e knowledge-distillation em transformers/safetensors. A arquitetura recursiva visa eficiência de parâmetros como alternativa a decoder-only padrão, já listada entre os maiores downloads de SLM em D. Relevante para treino eficiente e interpretabilidade de modelos pequenos. Abrir fonte

mlboydaisuke/LFM2.5-8B-A1B-CoreAI — LiquidAI LFM2.5 MoE para on-device​

Hugging Face · mlboydaisuke · 2026-09-14 Publicado em 2026-09-14T18:37:21Z com 1.350 downloads (família inclui 1.2B, 2.6B, 30B e outros no mesmo horário), converte LiquidAI/LFM2.5-8B-A1B para CoreAI com tags lfm2_moe, coreml, apple e moe. Foca inference on-device via Metal com arquitetura MoE eficiente, parte de lote de 8 conversões CoreAI simultâneas (Gemma 4 12B/31B/E2B/E4B, Qwen3.6 27B/35B-A3B, GLM-4.7 Flash). Demonstra pipeline de porting para Apple Silicon além de vLLM/llama.cpp. Abrir fonte

mlx-community/Hy3-OptiQ-2bit — Tencent Hy3 quantizado 2-bit para Apple Silicon​

Hugging Face · mlx-community · 2026-09-14 Publicado em 2026-09-15T01:14:13Z com 699 downloads e 6 likes, quantiza tencent/Hy3 para MLX com OptiQ 2-bit mixed-precision e tags moe/quantized. Complementa outras conversões OptiQ do dia e estende a estratégia de quantização extrema para MoE híbrido. Relevante para serving local sem CUDA com footprint reduzido. Abrir fonte

BioTorch/UI_Llama_3_2_1B — Llama 3.2 1B fine-tune de personalidade​

Hugging Face · BioTorch · 2026-09-14 Publicado em 2026-09-14T20:02:52Z com 2.278 downloads, deriva de meta-llama/Llama-3.2-1B em text-generation com tags chatbot/personality. Explora fine-tuning leve para adaptação comportamental em SLM de 1B, útil para avaliação de harness de personalidade e skills de agente em modelos pequenos. Abrir fonte

37 LLM Statistics for 2026 — BenchLM atualizado em 2026-09-14​

BenchLM · 2026-09-14 Página de estatísticas citáveis atualizada em 2026-09-14 com dateModified 2026-09-14, consolida 37 estatísticas sobre pricing, releases, context windows, benchmarks, open source e hardware local a partir do dataset ao vivo do BenchLM. Inclui datasets dedicados a model releases, LLM pricing e context windows com metodologia publicada. Relevante como harness de avaliação e fonte de comparação entre modelos para lm-eval. Abrir fonte

Nota de cobertura: buscas focadas em harness/skills/modelos LLM foram executadas em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) via web_search nativo em consultas como lm-eval-harness, vLLM, llama.cpp, quantização, fine-tuning e inference; variações em italiano, espanhol, francês, alemão, russo, chinês, coreano e japonês não retornaram itens novos qualificados dentro de D além dos já capturados em inglês/português. Verificação via API GitHub confirmou 8 releases llama.cpp em D, vLLM sem release em D (último v0.29.0 em 2026-09-09) e lm-evaluation-harness sem release em D (v0.4.13 em 2026-08-31). API Hugging Face retornou 327 modelos text-generation com lastModified em D (varredura paginada 0–800, filtro text-generation); após deduplicação e filtro de ruído (test-save-tiny, fpadovani 100MB toys), 10 representativos foram preservados por downloads, arquitetura e técnica de quantização relevante a inference. HF daily papers e arXiv recent (cs.CL/cs.LG/cs.AI em 2026-09-14) foram verificados: papers listados em recent tinham submitted dates 10–11 Sep, sem publicação em D dentro do escopo harness/quantização/inference que justificasse inclusão.

Fontes​

llama.cpp — 8 releases em 2026-09-13 (b10937 a b10950)​

GitHub · ggml-org/llama.cpp · 2026-09-13 Oito tags publicadas dentro da janela D (03:00 UTC 2026-09-13 a 03:00 UTC 2026-09-14): b10937 (05:14:47Z), b10938 (06:45:18Z), b10941 (10:34:11Z), b10944 (16:12:26Z), b10946 (18:19:18Z), b10947 (18:43:33Z), b10948 (19:08:25Z) e b10950 (01:38:11Z em 2026-09-14). As notas cobrem correções em SYCL, Vulkan, ggml-cuda (fallback FP32 sem BF16), OpenCL e guardas em Nemotron-H, mantendo ritmo diário de otimização de kernels para inference local via GGUF. Verificação via API GitHub confirma ausência de releases de vLLM e lm-evaluation-harness em D. Abrir fonte

XHToken/Spark-X2.5-4B — MoE 4B com base Spark-X2.5-4B-Base​

Hugging Face · XHToken/Spark-X2.5-4B · 2026-09-13 Publicado em 2026-09-14T02:58:09Z (dentro de D, antes de 03:00 UTC) com 24.084 downloads e 1.163 likes em poucas horas, entrega LLM Spark 2.5 de 4B para text-generation com transformers/safetensors e tag agent. O modelo deriva de Spark-X2.5-4B-Base e foca conversação e uso agêntico. A adoção imediata indica demanda por SLM de 4B otimizados para agent workflows. Abrir fonte

IFM/K2-Horizon-375B-A23B — MoE 375B (23B ativos) open-weights​

Hugging Face · IFM/K2-Horizon-375B-A23B · 2026-09-13 Publicado em 2026-09-13T03:26:30Z com 4.943 downloads e 77 likes, apresenta MoE de 375B totais e 23B ativos em Apache-2.0 com pipeline text-generation. Baseia-se em datasets K2-Horizon-Pretrain e foca scaling MoE para reasoning e long-context. É o maior open-weights publicado em D, relevante para serving distribuído e avaliação de eficiência MoE. Abrir fonte

Gugu8/Tern-1.5 — Ternary BitNet b1.58 MoE hourglass em JAX​

Hugging Face · Gugu8/Tern-1.5 · 2026-09-13 Publicado em 2026-09-13T08:19:38Z com 624 downloads, implementa arquitetura Ternova hourglass com pesos ternários b1.58 e MoE em JAX para TPU. Os tags ternova_hg, ternary, bitnet e hourglass sinalizam pesquisa em quantização extrema 1.58-bit além de PTQ INT4/INT8. Demonstra infraestrutura de treino alternativa fora de PyTorch com foco em inference ultra-eficiente. Abrir fonte

mlx-community/gemma-4-e4b-it-OptiQ-4bit — Gemma 4 E4B quantizado para Apple Silicon​

Hugging Face · mlx-community/gemma-4-e4b-it-OptiQ-4bit · 2026-09-13 Atualizado em 2026-09-14T02:43:50Z com 2.178 downloads, converte google/gemma-4-E4B-it para MLX com OptiQ 4-bit (mixed-precision 4/8-bit) para inference em Apple Silicon. Integra família OptiQ do dia que inclui Mistral-Small-4-119B 2-bit, Devstral-Small-2 4-bit, Nemotron 3 Nano 4-bit e Gemma 4 E2B, padronizando quantização MLX para serving local. Relevante para deployment edge sem CUDA. Abrir fonte

GreenBitAI/DeepSeek-V4.1-Flash-4bit-paged — MoE com expert paging para MLX​

Hugging Face · GreenBitAI/DeepSeek-V4.1-Flash-4bit-paged · 2026-09-13 Publicado em 2026-09-13T23:04:18Z, entrega DeepSeek V4.1 Flash quantizado a 4-bit com expert-paging via gbx-lm/mlx para Apple Silicon. A técnica pagina experts de MoE para caber em memória unificada, complementando variantes FP8 e EXL3 do mesmo base model no ecossistema. Conecta quantização e orquestração de modelo para serving heterogêneo fora de vLLM. Abrir fonte

todiadiyatmo/Qwen3.8-Flash-Next-W4A16-Attn8-FP8PLE — W4A16 + Attn8 para vLLM​

Hugging Face · todiadiyatmo/Qwen3.8-Flash-Next-W4A16-Attn8-FP8PLE · 2026-09-13 Publicado em 2026-09-13T08:11:54Z com 143 downloads, disponibiliza Qwen3.8 Flash Next com quantização W4A16, Attention 8-bit e FP8PLE otimizado para vLLM e AutoRound. Explicita compatibilidade com vLLM para serving de alta vazão com mixed-precision. Ilustra pipeline de quantização pós-treino direcionado a inference server-side. Abrir fonte

ngquocvinh/NeoHorse-1-9B-GGUF — Qwen3.5 agentic em GGUF para llama.cpp​

Hugging Face · ngquocvinh/NeoHorse-1-9B-GGUF · 2026-09-13 Publicado em 2026-09-14T02:52:26Z com 560 downloads (variante 1-4B com 4.294 downloads na mesma janela), converte Qwen3.5 agentic para GGUF com tags llama.cpp e quantized para inference local. Foca tool-calling e workflows agênticos em consumer hardware via llama.cpp. Representa quantização GGUF comunitária contínua sobre base Qwen3.5. Abrir fonte

QLNI/SHADOW-250M — SLM 250M com retrieval e memory-on-disk​

Hugging Face · QLNI/SHADOW-250M · 2026-09-13 Publicado em 2026-09-14T02:27:16Z com 289 downloads e 19 likes, apresenta SLM de 250M com tags shadow, retrieval e memory-on-disk para long-context em CPU. Complementa variante 50M ternária e foca arquitetura leve para inference em edge com retrieval aumentado. Relevante para pesquisa em SLM eficientes e interpretabilidade de small models. Abrir fonte

sz14/cRia-LM-75M — Recursive Transformer 75M para small models​

Hugging Face · sz14/cRia-LM-75M · 2026-09-13 Publicado em 2026-09-13T07:26:19Z com 5.763 downloads e 8 likes, entrega RRT (recursive transformer) de 75M com library transformers para small-language-model. A arquitetura recursiva visa eficiência de parâmetros e é listada entre os maiores downloads de SLM em D. Indica interesse em alternativas arquiteturais além de decoder-only padrão para treino eficiente. Abrir fonte

Nota de cobertura: buscas focadas em harness/skills/modelos LLM foram executadas em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) via web_search nativo; consultas em italiano, espanhol, francês, alemão, russo, chinês, coreano e japonês retornaram sem itens novos qualificados dentro de D além dos já capturados em inglês/português. Verificação via API GitHub confirmou 8 releases llama.cpp em D, último vLLM v0.29.0 em 2026-09-09 e lm-evaluation-harness v0.4.13 em 2026-08-31 sem releases em D. API Hugging Face retornou 647 modelos text-generation com lastModified em D (varredura paginada 0–900, filtro text-generation); deduplicação por URL canônica e pipeline preservou 9 representativos por relevância arquitetural, downloads e técnica de quantização. HF daily papers e arXiv API não retornaram papers com publishedAt em 2026-09-13 (sábado, sem publicações), indicando lacuna real de papers em D.