Hugging Face 发布 TRELLIS.2 的 LoRA 微调脚本与 Docker 容器，可在本地或 Hugging Face Jobs 上运行。作者用 GSO 中 188 个鞋类对象做实验，只对稀疏结构流 DiT 和形状流 DiT 注入 LoRA 适配器，共约 930 万可训练参数，冻结纹理流 DiT。
推荐理由：原文给出 TRELLIS.2 的 LoRA 微调脚本与容器，并说明冻结纹理阶段、只训练结构阶段的取舍依据。
AWS 团队介绍在 PyTorch DDP 训练循环中加入三项检查来检测静默数据损坏（SDC）：all-reduce 前后的 NaN/Inf 梯度检查、跨节点环形重放审计、优化器更新后的权重指纹比对，命中后把可疑 rank 映射到节点并交由 SageMaker HyperPod 替换。
推荐理由：AWS 团队给出三项可在训练循环内落地的静默数据损坏检测检查，并附实测开销与误报率数据。
AWS 团队发布开源引擎 semi-persistent，用 anti-unification 在 e-graph 上计算两份形式化策略的语义 diff，共享结构只出现一次，分歧以 Variants 节点保留。
推荐理由：作者给出语义 diff 引擎的完整用法与策略案例，读者可据此判断能否用于形式化策略的等价性审查。
作者在 Sentence Transformers 中实现 token pooling 感知训练，让编码器在文档向量被合并后仍保留检索所需信息。
推荐理由：原文给出可复现的训练脚本与 NanoBEIR 对比数据，读者能据此判断 token pooling 感知训练在自身检索场景中的收益。
Hugging Face 在博客中介绍决策模型（decision model）：输入 state 与若干问题，模型直接对预设答案输出概率分布而不生成文本，接口包含 choice、score、noul 三种原语。
推荐理由：Hugging Face 把决策模型统一成 state+questions 接口，读者可据此判断是否把分类路由任务从生成式 LLM 迁移过来。