2026 Q2 開源精選：向量資料庫、終端機、推薦演算法、布料模擬

向量 DB 不需要獨立服務、終端機不需要買授權、推薦演算法不再是黑盒、布料模擬不再只是好萊塢的工具——這四個 2026 Q2 開源的專案，共同說明一件事：基礎設施平民化的速度比大部分人預期的快。

一、Zvec：向量資料庫嵌進你的應用，不需要獨立服務

大部分向量資料庫都是獨立服務——Pinecone、Weaviate、Milvus，你要架伺服器、管連線、擔心延遲。但如果你的應用只是個 notebook、CLI 工具、或邊緣裝置，這些都是過度設計。Zvec 走另一條路：把向量搜尋直接塞進你的 process 裡跑。

沒有網路跳躍，沒有序列化開銷，沒有服務要維護。Zvec 宣稱可以在毫秒內搜尋數十億向量，這在 in-process 場景裡是相當激進的數字。

v0.3.0（2026 年 4 月）加入 RabitQ 量化、C-API 和 MCP 整合，讓 Zvec 可以直接被 AI agent 當作記憶後端使用。這個方向特別值得注意：agent memory 的底層不一定要跑一台 Milvus，一個嵌進去的 in-process 索引就夠了。

適合使用的場景：本地 RAG 不想維護向量 DB 服務、Claude Code 或 Cursor 這類 IDE 內的記憶體儲存、邊緣裝置或離線應用、notebook 裡直接跑向量搜尋實驗。

Zvec 的定位很清楚：不是要取代 Pinecone，而是服務那些用不到 Pinecone 的場景。9.3k stars 說明社群認可這個方向。

二、Warp：百萬開發者用的 AI 終端機，現在可以 fork

2026-04-28，Warp 把終端機的源碼推上 GitHub。AGPL-3.0 加 MIT 雙授權、OpenAI 作為創始贊助商、上線第一天就累積 27.9k stars——這不是一個「回饋社群」的公關動作，是一個有近百萬活躍用戶的商業產品在競爭壓力下做出的戰略押注。

CEO Zach Lloyd 在公告裡說得直白：「開源的出發點是我們想做一門成功的生意。我們面對的是有充足資金的閉源競爭者，我們認為開放社群來改善 Warp 是加速產品發展的聰明方式。」

Warp 是用 Rust 寫的終端機，現在同時支援 macOS、Linux、Windows。它的核心定位已經從「更好的 terminal」演進成「Agentic Development Environment（ADE）」——你可以直接在裡面跑 Claude Code、OpenAI Codex、Gemini CLI，還有 Warp 自己的內建 agent。

開源後的變化不只是「源碼公開」，同步推出了三件事：

1. 更廣的開源模型支援：新增 Kimi、MiniMax、Qwen，加上一個「auto (open)」自動路由選項，系統根據任務自動選最適合的開源模型
2. 高度客製化：可以只用純終端機模式、也可以開到有 diff view + file tree 的完整 ADE 模式
3. 設定檔支援：終於有了 settings file，讓 agent 和用戶都能用程式方式控制設定、在設備間同步

貢獻模式這裡有一件事值得停下來想清楚。Warp 的開源貢獻模型和傳統 open source 不一樣：社群成員提出想法和驗證需求 → Oz（Warp 自家的雲端 agent 編排平台）負責實際寫程式 → Warp 團隊審核方向和品質 → 合併。換句話說，Warp 把社群的角色定義為「產品思考者和測試者」，而不是「碼農」。

關於隱私：Warp 是 cloud-first 的產品，免費方案必須開啟 telemetry 才能用 AI 功能，付費方案可以隨時關閉，Enterprise 有 Zero Data Retention 政策。純終端機功能（不用 AI）在所有方案永遠免費。

Ghostty 在 2025 年底竄起，Zed 在往 agent-first 的方向走。完全閉源的 Warp 對開發者來說本來就有一道心理門檻。開源把這道門撤掉，同時讓社群成為加速引擎。OpenAI 作為創始贊助商驅動 Oz 的貢獻工作流程——這是商業共生，不是中立的基礎設施。

資料來源：Warp 官方公告、GitHub warpdotdev/warp

三、X 演算法：你的「為你推薦」到底怎麼決定的，現在可以下載跑

2026 年 5 月 15 日，Elon Musk 宣布最新版 X 演算法已上傳 GitHub。Repo 名稱 xai-org/x-algorithm，18,900+ stars、3,300+ forks。

這不是第一次開源。今年 1 月就開過一次，Musk 承諾每四週更新一次。但這次的更新比前幾次都有料——最大的差別是附了一個可以直接跑的 pre-trained model。

新的 phoenix/run_pipeline.py 把 retrieval 和 ranking 整合成一個入口，附帶一個 pre-trained mini Phoenix 模型（256-dim embeddings、4 個 attention heads、2 個 transformer layers），打包成約 3GB 的 Git LFS archive。之前你下載 repo 只能看程式碼架構，這次你可以直接跑 inference。同步開源的還有廣告插入邏輯（home-mixer/ads/）和 Grox 內容理解服務（spam detection、貼文分類、PTOS 政策執法）。

For You feed 的生成流程分三層：

第一層：抓候選。 你的 feed 從兩個來源混合：Thunder（你追蹤的人的貼文，in-memory 儲存）和 Phoenix Retrieval（你沒追蹤的人，Two-Tower 模型）。

第二層：打分。 Phoenix Transformer 同時預測 15 種互動的機率——正向的（like、reply、repost 等）和負向的（not interested、block、mute、report）。最終分數公式：Final Score = Σ (weight × P(action))。你 block 或 report 某類內容，演算法會學到你不喜歡這種東西。

第三層：過濾。 打分前刪重複、已封鎖的帳號、已看過的內容，打分後刪違規內容和重複對話串。

README 裡有一段值得注意的話：「We have eliminated every single hand-engineered feature and most heuristics from the system. The Grok-based transformer does all the heavy lifting.」他們把原本靠人工調參的特徵工程全部砍掉了，讓模型自己從互動歷史去學。好的地方是系統更能捕捉複雜偏好，壞的地方是你更難從外部推斷演算法在想什麼。

另一個值得注意的設計叫 Candidate Isolation：ranking 的時候，每篇貼文只能「看」你的 user context，不能互相 attend——每篇貼文的分數是獨立打的，代表演算法不知道「這篇貼文旁邊的其他貼文是什麼」。

說實話，程式碼在那裡、架構看得到、這次甚至附了 pre-trained model——這比 2023 年第一次開源有料得多，當時被批評是「transparency theater」。但你還是看不到模型訓練資料、各個 action 的實際 weight、和完整的廣告系統邏輯。EU 在 2024 年 12 月以 DSA 透明度違規罰了 X 1.4 億美元，這個背景讓每次開源的動機不只是技術分享，也包含監管應對。

如果你在研究這套 repo 並想在本地跑 inference，桌面環境很重要。桌面 4 件套（鍵盤、USB-C Hub、螢幕掛燈、站立書架）不到三千塊——符合人因工程的配備對長時間研究和開發工作有實質幫助。

四、ZOZO ppf-contact-solver：SIGGRAPH 等級布料模擬，Apache 2.0

日本最大時尚電商 ZOZO 把自家研究團隊（st-tech）做的物理接觸求解器 ppf-contact-solver 開源了，Apache 2.0，可商用。核心賣點：布料、繩索、軟體的碰撞模擬保證完全無穿透，而且不會像很多遊戲引擎那樣把布拉成橡膠。

你預期會開源 SIGGRAPH 等級模擬器的公司，通常是 Pixar、Disney Research、Adobe、NVIDIA 這種。一家賣衣服的電商做到這件事，並不尋常。但你想一下 ZOZO 的核心業務：線上賣衣服，最痛的問題是退貨。準確的布料模擬 = 更準的虛擬試穿 = 更低的退貨率。對 ZOZO 來說，這條技術線是商業核心，不是 side project。

作者 Ryoichi Ando 一開頭就坦白：「這不是現有工具的直接替代品。它很慢、UI 還有很多手動步驟、還有粗糙的地方。」這種坦白程度，企業 PR 部門看到應該會頭痛——但這也是這份 release 可信度的來源。

布料模擬最惡名昭彰的兩個問題：穿模（cloth 穿過身體或自己穿過自己）和橡膠拉伸（被拉的時候像彈力帶一樣無限伸長）。ppf-contact-solver 的承諾是完全無穿透 + 拉伸嚴格不越界。技術底層是 IPC（Incremental Potential Contact）類的 barrier method——把碰撞當成優化問題裡的不等式約束，從數學上保證解出來的軌跡不會穿模。

官方 README 直接列出來的 benchmark：

注意右邊那欄。一幀要 144 秒，不是 144 毫秒。Two Minute Papers 用了「The Worst Bug In Games Is Now Gone Forever」這個標題，但實測 46.4 秒一幀的東西完全不能直接放進遊戲引擎。這是 offline simulation，它的對手是 Houdini Vellum、Marvelous Designer、Style3D——不是 Bullet 或 PhysX。

README 裡有一條很多人會直接滑過去：「MCP-based tool exposure, allowing an LLM to set up simulations」。翻成白話：你可以接一個 LLM（透過 Model Context Protocol）去叫這個求解器幫你跑模擬。AI 設計師畫了個衣服，LLM 自動幫忙設定模擬參數、跑求解、回傳結果。一個 2026 年新開源的研究級工具，把 MCP 直接寫進架構，等於在說：未來的使用者可能是 AI agent，不一定是人類研究員。

對於想在本地跑這種重量級工作負載，硬體門檻並不低——這類離線模擬最吃 GPU 記憶體和算力，適合工作站等級的卡。

這種 Blackwell 工作站卡的記憶體頻寬和驅動穩定性是為長時間離線運算設計的，比消費級遊戲卡更合適。

兩個前端工作流可選：Blender add-on（在 Blender 裡建場景、設參數、跑模擬，結果回到 viewport，美術師最直觀）和 JupyterLab Python（腳本化整個流程，適合研究、批次跑、跟其他工具整合）。執行環境支援本地 Windows / Linux、macOS 透過 remote solver engine，Cloud GPU 工作流官方測過 vast.ai 跟 AWS（g6.2xlarge）。

對於想在本地跑、又不想花工作站卡全額預算的人，這類整合 GPU 的小型 mini PC 是過渡選擇——跑 184M 接觸點的場景還是會痛，但用來做日常較小規模的測試夠用。

最後一個值得停下來的點：作者刻意把貢獻政策寫得很嚴格——「請不要附程式碼補丁，任何你送來的東西都會被視為依 Apache 2.0 授權給我們和社群」。ZOZO 用 Apache 2.0（最寬鬆的授權之一）+ 收緊外部貢獻政策的組合，保留了把這套東西繼續整合進商業產品的彈性。學界跟業界都能拿去用、改、商用，但 ZOZO 不會因為 PR 政治而綁手綁腳。怎麼讓內部研究在開源後還能繼續餵養本業——這份策略本身比技術更值得創業者看一眼。

這四個專案的共同節奏：不只是把程式碼丟上 GitHub，而是放可以直接接進工作流的東西——附預訓練模型、附 Blender 插件、附 MCP 整合、附 Python 綁定。2026 年的開源，入場門檻正在快速拉低。

利益揭露：本文部分連結為聯盟連結，點擊購買我會獲得回饋，不影響你的價格。

參考來源：Zvec GitHub、Warp 官方公告、GitHub warpdotdev/warp、xai-org/x-algorithm、st-tech/ppf-contact-solver