本期聚焦 Rust 在本機 AI、系統程式設計、資料處理、嵌入式開發與非同步併發等領域的實作經驗，並整理效能最佳化過程中幾個值得留意的反直覺案例。
Ferrum 0.8.4：單一執行檔的本機 LLM Runtime
Ferrum 是以 Rust 開發、採 MIT 授權的本機 LLM 推論 Runtime。0.8.4 版主打以單一執行檔提供模型執行與服務功能，不需安裝 Python、PyTorch 或 vLLM，並支援 Metal 與 CUDA 加速，適合希望簡化部署相依性的開發者。
在 Apple Silicon 建立私有 OpenAI 相容端點
另一篇 Ferrum 實作指南示範如何在 M 系列 Mac 上，透過單一 Rust 執行檔架設私有的 OpenAI 相容 LLM 端點。這條路徑省去 Python 環境與容器設定，適合需要在本機整合既有 OpenAI API 用戶端的情境。
以 Rust 打造常駐型 Agent Runtime
Brain 團隊分享輕量級 Agent Runtime 的設計經驗。當 Agent 從展示原型轉為常駐服務後，真正棘手的問題包含工作階段狀態、服務重啟、串流、取消操作與工具執行；其做法是以單一 Rust 執行檔統一管理工作階段及相關生命週期。
純本機漫畫翻譯管線整合 LLM 與 ONNX 視覺模型
這套以 Rust 開發的漫畫翻譯引擎可完全在本機執行，並串接 Ollama 或 LM Studio。系統透過滑動式對話上下文處理跨對話框語意，同時結合 ONNX 視覺模型，將 OCR、上下文整理與翻譯納入同一條 AI 管線。
Tabularis：以 Rust 與 Tauri 開發的桌面 SQL Client
Tabularis 是開源桌面 SQL Client，後端採用 Rust，桌面介面則以 Tauri 建構。專案原生支援 PostgreSQL、MySQL 與 SQLite，另可透過外掛擴充更多資料庫，開發重點放在啟動速度、資源占用與可維護性。
Csveee 以多核心平行處理加速 CSV 解析
Csveee 是面向高效能工作負載的 Rust CSV Parser，會將輸入切成多個區塊，交由多個核心並行解析，再合併各 Worker 的結果。作者同時強調對真實世界非理想 CSV 檔案的處理能力；文中標題提出最高每秒 192 GB 的解析表現，實際適用性仍需依資料內容、硬體與測試條件評估。
從 FMA 實作追查 Rust 與 musl libc 的細微錯誤
文章從實作融合乘加運算 FMA 出發，追查 Rust 與 musl libc 標準函式庫中的細微問題。FMA 能以一次捨入完成乘法與加法，是三角函數等數值運算的重要基礎；這個案例也凸顯浮點數正確性不能只靠一般測試，還需涵蓋邊界值與捨入行為。
https://shnatsel.github.io/implementing-fma-finding-bugs-in-std/
Rust 與 Go 的併發模型：Stackless 對上 Stackful Coroutine
這篇文章比較 Rust 與 Go 在併發設計上的核心差異：Rust 非同步機制通常採用 stackless coroutine，而 Go 的 goroutine 則屬於 stackful coroutine。兩種模型會影響排程方式、記憶體配置、函式呼叫邊界及 Runtime 責任，是評估系統架構與除錯體驗時的重要背景。
在 STM32 上比較 Embassy／Rust 與 FreeRTOS／C
嵌入式開發實測以 STM32F446 微控制器為平台，對照 Embassy 的非同步 Rust 模型與 FreeRTOS／C。比較焦點不只是語言本身，也包含非同步工作排程、RTOS 任務模型與嵌入式資源限制，適合正在評估 Rust 導入韌體專案的團隊參考。
將 mmap 換成 io_uring 後，查詢引擎反而變慢
某 Rust 查詢引擎原先以 mmap 延遲讀取大量 Arrow IPC 檔案，利用檔案格式適合零拷貝隨機存取的特性。團隊改採 io_uring 後，效能卻不如預期，提醒工程團隊：較新的 I/O 介面不必然適合每種存取模式，最佳化前後仍應以實際工作負載量測。