作者用 TRL 和 OpenEnv 复现了让编码模型写 JavaScript 绘制水彩画的训练流程，并公开了参考池数据集、RL 环境、训练脚本和训练模型。流程让模型通过 p5.brush 生成约 150 行 JavaScript，用 gate、长度、pairwise judge 和 HPSv3 组成奖励，其中参考池包含 178 幅由作者手工评级的模型生成画作。
推荐理由：文章把审美奖励训练拆成数据池、环境、评审模型和成本，适合作为复现同类实验的工程参考。
Gradio 的 gr.Workflow 将 AI 应用管线描述为类型化节点图，并提供拖拽画布，让每个节点可运行、中间结果可见。同一图也会成为 REST API，并可一条命令部署到 Hugging Face Spaces。
推荐理由：原文展示了 gr.Workflow 如何把多步 AI 管线做成可运行画布和 REST API，便于复用到 Gradio 应用。
Hugging Face 在 Diffusers 中加入 Nunchaku Lite 支持，预量化 Nunchaku checkpoint 可用 from_pretrained() 直接加载，无需自定义 pipeline、单独推理引擎或本地 CUDA 编译。
推荐理由：原文同时给出加载方式、硬件支持和基准数据，便于评估4-bit扩散推理在现有Diffusers流程中的接入成本。