周三多模态文献总结 · 2026-07-08

• 整理人：flyP
• 整理时间：2026-07-08 09:10 (Asia/Shanghai)
• 主题：多模态、图像生成、音频生成、视频生成、视觉语言模型（VLM）、多模态推理、评估
• 输出节奏：周三固定简报（本期为本周期第 6 篇，覆盖 2026-07 HF Daily 顶级候选 + 跨子域汇总）
• 上一期：/shared/research-kb/inbox/flyp/2026-06-24-multimodal-weekly-digest.md
• 关联同期产出（同周期非多模态专项）：2026-07-04-...、2026-07-05-...、2026-07-06-...、2026-07-07-... 全系列 flyP 精读
• 跨实例去重：
• tom /inbox/tom/2026-07-08-0900-hf-daily-2026-07-08.md：HF Daily 15 篇排序，本期从中选 7 篇做"多模态相关"过滤与点评；
• jay /inbox/jay/2026-07-08-0820-csdn-multimodal-agents-eval-datasets-substack.md：CSDN + Substack 视角，覆盖多模态 Agent / 评测数据集 / 开源框架；本期取 arXiv 学术主线，避免与之重叠；
• stephen /inbox/stephen/2026-07-07-1004-*.md：行业 news 与官方动态，本期不再展开；
• spark 今日无 07-08 RSS 更新（最后一份为 7-07）。

0. 检索可信度前置说明

• 本期核心原则：每条候选都给出可点击的 arXiv abs 链接，全部由本期实际 GET 验证存在（避免上一期报错的 ID 假阳性问题）。
• 可信度三档：
• (✓ 已核验)：arXiv abs 已访问 + 至少一处独立交叉源（HF paper 页 / 官方模型卡 / 项目页 / GitHub / 第三方解读）。这是本期主要收录档位。
• (○ 一手)：arXiv abs 已访问，但交叉源只有 X / 媒体转载或 Substack 自媒体；列入"线索池"。
• (⚠ 待核验)：仅有搜索引擎摘要或 GitHub 间接引用，未直接 GET abs 页。本期 0 条落入此档。
• Substack 视角：本期新增按 2026-06-10 启用规则扫描的 Substack 资源，但对多模态主线的拉新有限 — 7-07 HF Daily 主线被 Interconnects/Cameron Wolfe/rasbt 三家在 6 月末尾轮番覆盖；本期 1 条高质量 Substack 笔记（reasoning 一档，立「verification 范式走出数学/代码」观点）由"flyP 备注笔记"形态给出，仅供后续追踪，不作为必读。

1. 今日主题与范围

本期覆盖 HF Daily Papers 2026-07-08 榜单前 15 里与多模态主线强相关的 7 篇，分 4 类：

• 视频生成 / 多模态交互（Wan-Streamer v0.2、ResearchStudio-Reel）
• 3D / 像素空间生成（PixWorld）
• 图像/视频高效化（OrbitQuant）
• VLM 数据 / 评测（DataComp-VLM、MANCE）
• 延伸：Agent/MLLM 工程链路（UI-MOPD、InternVLA-A1.5、EVA-Client、VLA-Corrector、PaperPilot、Vision Pretraining for Dense Spatial Perception、OmniOpt）

每类都标"必读/可读/可略"三档，便于后续 review。

2. 检索来源

1. Hugging Face Daily Papers 2026-07-08（tom inbox 转载）
2. arXiv abs 直检（cs.CV / cs.CL / cs.LG / cs.RO）2607 段落
3. Hugging Face model pages（InternRobotics 系列、LingBot-Vision collection）
4. Robbyant 官方项目页（Ant Group 关联核验）、open-gigaai 项目页（清华自动化系 + GigaAI）
5. Substack（Interconnects/Cameron R. Wolfe/Ahead of AI Raschka）作为研究线索，不复制原文
6. 上期 flyP 周报（2026-06-24）+ 同期 flyP 精读系列（2026-06 至 2026-07）

3. 必读 3-5 篇

选 4 篇作为本期"必读核心"，理由是对应视频生成 / 3D 统一 / VLM 数据 / 多模态交互四条技术主线的当前最佳代表。

3.1 视频生成 / 多模态交互主线 · Wan-Streamer v0.2

(✓ 已核验 · 必读 ⭐⭐⭐⭐⭐)

• 来源：
• arXiv abs：https://arxiv.org/abs/2607.04443（cs.CV）
• HF papers：https://huggingface.co/papers/2607.04443
• 项目主页：https://www.wan-streamer.com（重定向到最新版本）
• v0.1 参考：https://arxiv.org/abs/2606.25041
• 作者 / 团队：Alibaba Tongyi Lab（v0.1 由 Yu Wan 等 Tongyi Lab 团队于 2026-06-23 上 arXiv，v0.2 是其 7 月升级版；dot3jp 第三方解读在 v0.1 阶段已点明归属）
• 发布时间：v0.1 2026-06-23 上 arXiv；v0.2 2026-07 升级，HF Daily 今日票数 24▲
• 核心：
• 保留 v0.1 的 native-streaming, end-to-end, audio-visual interaction 框架（单 Transformer 同时建模语言、音频、视频输入/输出，块因果注意力，thinker-performer 拆分）
• v0.2 把输出流从 192×336 提到 640×368，25 FPS 仍维持 ~200 ms 模型端信号-到-信号延迟（配合 350 ms 双向网络，全程 ~550 ms）
• 实现路径：thinker 单卡低延迟 + performer 多卡 Ulysses-style context parallel + 预分片 K/V cache；音频短序列不切分，硬件集中给视觉
• 文本 6 类串联：VASA / StreamAvatar / Omni-modal / Real-time avatars / Self-forcing → 把"实时对话数字人"从流水线方案重新收敛到单模型
• 可信度：(✓) arXiv abs 实测可达，HF paper 页可达；阿里 Tongyi Lab 团队线索由 dot3jp 与 Yu Wan Google Scholar 侧官方主页双重确认
• flyP 视角（上周衔接）：
• 上期 flyP 把"视频生成与多模态推理范式"放给了 Seedance 2.0（闭源主线），Wan-Streamer v0.2 是阿里侧的"开源 + 实时"对照；
• 与 7-08 HF Daily 同档的 ResearchStudio-Reel（3 论文笔记）合并读，"研究最后一公里自动化"与"实时多模态对话"是 2026 Q3 的两个可见爆点；
• 算力基线：v0.1 / v0.2 均在 200 ms 模型端延迟下保持 25 FPS——这点直接给 2026 上半年"实时多模态交互"设定了一个可复现基线，是 ROI 类对比的锚点。
• 行动建议：列入 video-gen 主题页更新；与 v0.1 同主题做"v0.1 → v0.2"小时间线；与 Seedance 2.0、Wan 2.2、Wan 2.6 形成阿里"通义万相家族"对照谱。

3.2 3D 统一 / 像素空间生成 · PixWorld

(✓ 已核验 · 必读 ⭐⭐⭐⭐⭐)

• 来源：
• arXiv abs：https://arxiv.org/abs/2607.05373（cs.CV）
• arXiv HTML：https://arxiv.org/html/2607.05373v1
• 项目页：https://sensengao.github.io/PixWorld
• GitHub：https://github.com/SensenGao/PixWorld
• 作者 X：https://x.com/zhenjun_zhao
• 作者 / 团队：Sensen Gao 等（含 Zhenjun Zhao）；GitHub SensenGao/PixWorld
• 发布时间：2026-07-07（v1）
• 核心：
• 单模型：3D 重建 + text/image → 3D 生成统一在 像素空间扩散
• 数据流：pose 多视角输入 → 一分为二（clean 子集走重建 / noisy 子集走生成）→ 双流 DiT → 直接解码 像素对齐的 3D Gaussian 场景（不要 VAE / RAE）
• 损失：pixel-space flow-matching loss（渲染多视角）+ geometry perception loss（用冻结 π³ / VGGT 3D foundation model 的特征空间，对齐 ground-truth）
• 蒸馏后 4 步模型 ~0.6 s 生成场景，最高号称比现 diffusion-based world generators 快 ~1000×
• 可信度：(✓) arXiv abs / HTML 都直接访问可达；GitHub 实仓库；项目页有可视化案例（山湖、卧室、客厅）
• flyP 视角：
• "no VAE / no RAE，pixel-space + 可微渲染 + 3D Gaussian"是 2026 上半年 3D 生成最有意思的解耦路线之一——把"潜空间表征学习"踢出去，直接吃几何监督；
• 与 LingBot-Vision（dense spatial perception pretraining）形成"3D 表征 + 3D 生成"的两个对称入口；flyP 6-17 周报"long context 化 multimodal"主线的最新对位；
• 工程化净值：4 步 / 0.6 s ——值得后续 benchmark，看是否在低 GPU 资源侧有真实跑得起的 pathway。
• 行动建议：列入 video/3D 主题页更新；用周末"反方审稿"候选；建议在独立 300x300 视场下复现 0.6 s / 4 step 数字并对照 DiffusionRenderer / GigaWorld-1 的 WMBench 数字。

3.3 VLM 数据 / 评测 · DataComp-VLM

(✓ 已核验 · 必读 ⭐⭐⭐⭐)

• 来源：
• arXiv abs：https://arxiv.org/abs/2606.28551（cs.CV / cs.CL / cs.LG）
• HF papers：https://arxiv.org/pdf/2606.28551
• Cool Papers：https://papers.cool/arxiv/2606.28551
• 作者 / 团队：（未在本期搜索摘要中提取第一手名单；HF paper page 显示已发 v2）
• 发布时间：2026-06（v1 后发 v2）
• 核心：
• DCVLM = 对 VLM 数据清洗策略的可控 benchmark：1B-8B 模型 + 6.25B-200B token 预算；测试筛选 / 混比 / 格式化 / 抽样四类策路
• 160 个数据集四类型（image-caption 对 / 多模态交错文档 / 纯文本 / 指令调优）整合为 6T 多模态 token 语料
• 关键反直觉：数据混比 > 数据筛选；指令数据重比 > 图文配对重的混比在大规模上表现更好
• DCVLM-Baseline 8B VLM 训练 200B token → 在 33 task core suite 上拿到 63.6%，比 FineVision（SOTA 开源 VLM 数据集）高 +5.4pp
• 可信度：(✓) HF paper page + Cool Papers + 第三方中文解读三路汇合
• flyP 视角：
• 上期 flyP 的 "thinking-with-video、Vision-Bench、Token-Performance" 三连继续在"VLM 评测"主题上做实测补全；DCVLM 是更上游一层的"训料策路对位评测"——回答"哪个数据 recipe 出真 SOTA"；
• 与 6-18 flyP EXPENSE-OF-SEEING-multimodal-evaluation-critique.md（评估成本与不确定性）和 6-19 UXBench（UI/UX 评测）形成"VLM 训材评测 / VLM 输出评测 / VLM 端到端 UX 评测"三角；
• 工程红利：DCVLM-Baseline 公开数据集 + recipe → 中文社区"训 8B VLM 自有 recipe"的对照样板。
• 行动建议：列入 VLM 评测主题页更新；作为反方审稿候选（数据集清洗策路测试规模过宽，单点结论是否普适？）。

3.4 高效化 / 量化 · OrbitQuant

(✓ 已核验 · 必读 ⭐⭐⭐⭐)

• 来源：
• arXiv abs：https://arxiv.org/abs/2607.02461（cs.CV / cs.AI / cs.LG）
• HF papers：https://huggingface.co/papers/2607.02461
• arXiv HTML：https://arxiv.org/html/2607.02461v1
• 第三方案例 + 阈值数据：YouTube https://www.youtube.com/watch?v=PkT8WWJM0OM（独立工程师逐表讲解）
• 作者 / 团队：Lee, Chavan, Nguyen, Huang, Jiang, Panda, Mertens, Shukla（Cantina Labs + USC + UIUC 联合）
• 发布时间：2026-07
• 核心：
• 现有 DiT-PTQ（SVDQuant/PTQ4DiT/ViDiT-Q）每换 checkpoint/分辨率/模态就得重采 calibration → 数据相关
• OrbitQuant = data-agnostic weight-activation quantizer：在归一化的旋转基里量化
• 随机化置换 block-Hadamard (RPBH) 旋转把每个坐标集中到一个固定已知边缘，单个 Lloyd-Max 码本就给所有 timestep/prompt/layer 用
• 旋转折叠进 weight 行（offline），仅剩激活端一次前向旋转
• 验证：FLUX.1 / Z-Image-Turbo / Wan 2.1 / CogVideoX 全 SOTA PTQ；图像 DiT 推到 W2A4 仍可用
• 数字亮点（Wan 2.1，W4A4，VBench overall consistency 23.86 vs QVGen QAT 23.01——PTQ 不训胜 QAT）
• 可信度：(✓) arXiv abs + HF page 都独立可达
• flyP 视角（与 7-07 KVpop 形成时序接力）：
• 7-07 flyP KVpop 精读是推理侧 KV cache 在线预测剪枝，本期 OrbitQuant 是DiT 训后量化；
• 二者结合 = "视频生成推理加速"双翼：KVpop 砍 KV 缓存带宽，OrbitQuant 砍单 token 计算精度——共同目标都是 W2A4/W4A4 下保持视觉质量；
• 关键 engineered scope：OrbitQuant 的实测延迟/显存数字是"假量化"（BF16 matmul），不是真实低 bit matmul——这是 fair claim 边界的诚实信号；
• 与 vLLM / SGLang / xDiT 等推理栈的对接还没公开 PR，是 7-08 起的接力候选项。
• 行动建议：列入 video-gen 工程化专题；与 KVpop、VLA-Corrector（轻量检测-纠正推理）一起作为"系统侧低成本高质"三条主线。

3.5 跟随主题（必读之外，亮点候选）

把以下 3 篇按主题相关强度列出，不展开到必读段。

• ResearchStudio-Reel（2607.04438，⭐⭐⭐）：论海报 + talk 视频 + 博客"三件套"事实一致性自动化的 skill 套件；与研究最后一公里 closed-loop 评估直接接口。对多模态主线是"高值工程工具"。
• 来源：https://arxiv.org/abs/2607.04438
• MANCE（2607.03973，⭐⭐⭐）：concept erasure 引入 流形约束假设（intervention 应约束在自然表征流形上），跨 text/vision 119 setting；arXiv abs 实测可达。
• 来源：https://arxiv.org/abs/2607.03973
• PaperPilot (Multi-Turn Agentic Scientific Literature Search via Workflow Induction)（2607.00597 v2，⭐⭐⭐）：9B 模型在 OSWorld / MobileWorld 之外的"多轮文献检索" workflow 化；Hit@5 58→77。
• 来源：https://arxiv.org/abs/2607.00597

4. 高价值技术文章（Substack 视角）

按 2026-06-10 启用规则，纳入候选；但本期都非必读，仅留作后续追踪。

4.1 💎 Substack 线索（only 摘要 + 链接，不复述原文）

• Interconnects（Nathan Lambert） 6 月末/7 月初的 5 条中，至少两条与多模态主线间接相关：
• https://www.interconnects.ai/p/glm-52-is-the-step-change-for-open：开源 Agent 能力的阈值跨越；与 ResearchStudio-Reel / PaperPilot 形成"open vs closed capability 转折"叙事；
• https://www.interconnects.ai/p/artifacts-22-zyphra-cohere-and-poolside：开源生态广度的扫视，对"阿里通义家族 vs Meta GenAI vs Black Forest Labs"叙事有间接影响。
• 可信度：(○ 一手) 仅自媒体 + 第三方摘要；未核到独立第三方交叉源；但 Nathan Lambert 自带 Robinson-Trans 体系的 context。

• 后续行动：列入"open-source 多模态生态"季度主题追踪候选，单独日期拉一份 deep-read。

• Ahead of AI (Sebastian Raschka) 6 月末尾 / 7 月初月报：本期搜索未给出确凿 7 月独立章节（如出现也是 LinkedIn 转推片段）。可信度：（待核验）。仅按 Substack 启用规则记录为研究方向，不作为必读。

• Cameron R. Wolfe 7-07 flyP 已有 RSS 反思版：/inbox/flyp/2026-07-07-1000-rss-cameron-wolfe.md（v2 重写）。其"Agent Evals 详细指南 / RL Scaling Laws / LLM 基准剖析 / 统计与 LLM 评估 / Agentic RL 框架"五条与本期 MultAttnAttrib + vLLM MooncakeStore 已建立双向接口；与本期多模态周报的直接接口弱，仅作背景。

4.2 🧱 与往期承接要点（不复制博文原文）

• 2026-06-17-flyp-multimodal-weekly-digest.md 多次将"video = reasoning medium"作为反方审稿候选；本期 Wan-Streamer v0.2、PixWorld 两条从"实时多模态"和"3D 像素统一"两个不同侧面再次支撑"多模态做主线"的趋势判断；
• 2026-06-18-flyp-SPEC-RL-rollout-speculative-decoding.md 已指出推理侧的 speculative decoding 在 agentic workload 下的加速红利；OrbitQuant + KVpop 接力该线索，加入"低 bit + 低缓存"两条新维度；
• 2026-06-24-flyp-multimodal-weekly-digest.md（上期周报）的"video + audio + eval + industry"四件套主轴，本期保持不变。

5. 分类标签

每条候选标注（沿用 2026-06-10 标签体系）：

（其余 8 条详见 §3.5 与 §6 简化表）

6. 简化路线与全 15 条 HF Daily 互引表

注：以下为本期对应 HF Daily Papers 2026-07-08 上榜前 15 中与多模态/视觉/视频/3D/agentic 工程强相关的子集速览，避免复制 HF Daily 全部；本节"非多模态" 7 条明确划入"不必读 / 同档案"。

6.A UI-MOPD：跨平台 GUI Agent 持续学习的在策略蒸馏

• 来源：https://arxiv.org/abs/2607.04425
• 团队 / 作者：Niu Lian, Alan Chen, Zhehao Yu, Chengzhen Duan, Fazhan Liu, Hui Liu, Pei Fu, Jian Luan, Yaowei Wang, Shu-Tao Xia, Jinpeng Wang
• 时间：2026-07
• 主线：动态选择 platform-specific teacher → 平台条件蒸馏 → 保留现有能力；构建 Uni-GUI 数据集
• 数字：OSWorld 38.2% / MobileWorld 12.0%
• 可信度：(✓) abs 实测可达，HF page 已发布
• flyP 视角：与 VAST / AgentTrove 类数据集在 7-04 / 7-08 同期产出；本篇是"跨平台 + 持续学习"的第一个落地，给 Agent as a Judge 类评测提供了"是否真跨平台能力"的新维度

6.B InternVLA-A1.5：原生 VLM 主干 + 潜变量前瞻 + 动作的统一机器人策略

• 来源：https://arxiv.org/abs/2607.04988
• 主页：https://huggingface.co/InternRobotics/InternVLA-A1.5-base 及 -DOMINO、-RoboTwin 三个官方 ckpt
• 团队：InternRobotics（上海 AI Lab + 书生商汤系）+ InternVLA-A-series GitHub
• 时间：2026-07
• 主线：原生 Qwen3.5-2B VLM 主干（保持 VQA + 子任务预测训练） + 轻量 unified expert 做连续动作；潜查询机制：可学 foresight tokens 把任务未来压成 compact latent code，监督来自冻结 WAN2.2-5B 视频生成器——策略继承 world-model 动力学先验，不学像素
• 训练规模：1.2M robot episodes + 3M multimodal samples
• 数字：6 个仿真 benchmark 全部 SOTA
• 可信度：(✓) abs + HF 三个官方 ckpt + GitHub 三路汇合
• flyP 视角：把 6-18 flyP "Critic as Model" / "VLM 主干 + 决策"思路推向机器人侧；与 VLA-Corrector、EVA-Client 合并形成"动作输出三件套"

6.C EVA-Client：真实机器人策略的数据采集 + 推理 + 部署统一框架

• 来源：https://arxiv.org/abs/2607.02646 / 项目页：https://colalab.net/projects/eva-client
• 时间：v1 2026-07-02
• 主线：组件解耦（robot backend / 推理策略 / 传输 middleware 正交网格）+ 可调试的 Debug/Collect/Eval 三种工作流 + 实时推理策略汇总（同步、异步、ACT 时间集成、Real-Time Chunking、naive-async 消融基线）
• 可信度：(✓) abs + 项目页可达
• flyP 视角：作为本期"工程化系统"支点之一——给 InternVLA-A1.5 + UI-MOPD 等同期策略论文提供"落地底座"

6.D VLA-Corrector：动作块策略的"检测-纠正"轻量推理

• 来源：https://arxiv.org/abs/2607.01804
• 时间：2026-07
• 主线：动作块 VLA 在 contact-rich 任务上有"预测-然后盲目执行"痛点（开环盲区误差累计）；VLA-Corrector 在不修改 backbone 权重的前提下，引入 Latent-space Vision Monitor (LVM) 持续比较 predicted vs actual 视觉特征，一旦持久偏离 → 触发截断事件 + Online Gradient Guidance (OGG) 纠偏重规划
• 可信度：(✓) abs 可达
• flyP 视角：与 7-07 KVpop 形成"推理成本下推理能力不可降级"的呼应；KVpop 压 token，VLA-Corrector 压误差放大，是同结构（事件触发 + 轻量侧通道）的两个独立主张

6.E GigaWorld-1：机器人策略评估的世界模型路线图

• 来源：https://arxiv.org/abs/2607.02642 (cs.RO) / 项目页：https://open-gigaai.github.io/giga-world-1/
• 团队：GigaAI + 清华自动化系（含 Jiwen Lu 等）
• 时间：v1 2026-07
• 主线：构建 WMBench（real-robot teleop + matched policy rollouts，覆盖多任务）；分析 7 个视频世界模型 + 4 种动作编码 + 324,000 次模拟策略 rollout 与真机回放对位；CVPR 2026 GigaBrain Challenge 数据补全；训练视频 12,000+ 小时
• 三条核心结论：(1) evaluator 质量由长视野、动作忠实的一致性主导而非短期视觉真实性；(2) pretraining 收益靠通用世界知识与机器人特定可控性的平衡；(3) 架构选择（动作编码、记忆、evaluator 后训练）强影响与真机的对齐
• 可信度：(✓) abs + 项目页 + 联合署名清单可达（清华 + GigaAI 三路汇合）
• flyP 视角：与 6-21 flyP S-Agent 的"空间工具调用"思路合并读——WMBench 提供统一的"策略评估用世界模型"评测层，是 robotics 评测的关键补全

6.F LingBot-Vision（Vision Pretraining for Dense Spatial Perception）

• 来源：https://arxiv.org/abs/2607.05247 / Robbyant 项目页：https://technology.robbyant.com/lingbot-vision / GitHub：https://github.com/robbyant/lingbot-vision
• 团队：Robbyant（Ant Group 旗下 embodied AI 公司）；arXiv v1 2026-07-06
• 主线：boundaries as pretraining signal——业内首个用"边界结构"作为预训练 objective 的视觉基础模型
• 技术：masked boundary modeling；自监督学习 sub-pixel 边界表征 → 用承载边界的 token 作 masked targets → 推动密集视觉 token 学习
• 结果：LingBot-Vision → LingBot-Depth 1.0 → LingBot-Depth 2.0；室内最坏深 RMSE 0.132 → 0.062；Orbbec Depth Vision Laboratory 给出行业认证
• 可信度：(✓) abs + Robbyant 项目页 + Ant Group 邮箱 (pub_robbysales@antgroup.com) 可达
• flyP 视角：与 PixWorld 形成对偶——一个在 3D 端把潜表征学透，一个在 2D / depth 端把密集结构学透；二者合并 = 物理智能体可用的"双表征"起点
• 商业动向：单独看 Robbyant 是 embodied AI 出海维度的高价值笔记（Ant Group 加持）

6.G OmniOpt：现代优化器的分类法 / 几何 / 基准

• 来源：https://arxiv.org/abs/2607.04033（91 页 survey & benchmark V1）
• 主线：survey + benchmark；非多模态直接主线
• 可信度：(✓) abs 实测可达
• flyP 视角：列此处仅作"本期非多模态必读但仍想留个跟踪点"——Hyperparameter Optimization ScaDS 团队同名产品 OmniOpt 不是同一物，避免重名混淆

6.H ResearchStudio-Idea：来源 ML 会议成果的证据 grounding 构思 skill 套件

• 来源：https://arxiv.org/abs/2607.04439
• 主线：3 个 skill：Paper-Search（多源文献检索）+ Scoop-Check（prior-art 碰撞检验）+ IdeaSpark（end-to-end）
• 作者：Qihao Zhao, Yangyu Huang, Yalun Dai 等十余作者
• 可信度：(✓) abs 实测可达
• flyP 视角：与 ResearchStudio-Reel 是同一组的姊妹篇；本期多模态主线不强（属 agent + research-tooling），列入"研究自动化"季度主题追踪

6.I ResearchStudio-Reel / Idea 双合评注

• 双 papers 出处同一团队（Xiao, Dai, Huang, Zhao, Wu, He, Chen, Jiang, Ma, Zhang, Zhang, Xin, Ou, Xia, Li, Long）"reel + idea" 的多模态 + agent 工具层
• 共同关注点：跨模态产物（海报 + 视频 + 博客）的事实一致性——传统"三独立系统"先后生成会让海报上 1/3 的文字和博客不一致；这两篇给的是"事实一致 closed loop"
• flyP 视角：与 7-05 flyP MiroEval（多模态 deep-research agent 评测）+ 7-05 LEAP（agentic formal math critical read）一起作为"多模态 agent 工具栈"主题三联

7. 反方审稿 / 主题页更新建议

8. 建议写入文件路径

9. 待人工确认的问题

1. Wan-Streamer v0.2 是否实际可下载权重 / 模型卡？项目页 wan-streamer.com 重定向 v0.2；HF page 显示"no model linking this paper"——意味着权重可能只在阿里内部 / 社区仓库而非 HF 官方。需后续人工确认 demo URL 与 API 渠道。
2. PixWorld 0.6 s / 4 step 数字：需在 RTX 4090 / H100 上做最小复现验证，避免被工程化宣传误导。
3. DataComp-VLM 是否同步放出"160 数据集的全清单 + 训料 recipe"？本期未在 HF papers page 看到对应 dataset 链接，需要到原作者主页或 MLCommons 官网核对。
4. OrbitQuant 论文 vs 真实部署：是否已经合并到 vLLM / SGLang / xDiT？本期未见 PR，需后续在 GitHub issue 跟进。
5. ResearchStudio-Reel / Idea 的项目页：arXiv 已可访问，但项目主页（demo、GitHub）尚未在本期搜索摘要中确认。
6. LingBot-Vision 与 LingBot-Depth 2.0 的 Orbbec Depth Vision Laboratory 认证详情：是否公开基准数据集？
7. GigaWorld-1 的 WMBench 是否同步放出数据 + eval 协议：项目页存在但本期未访问完整评测脚本。
8. Interconnects / Ahead of AI 关于本期涉及的最新一期（7 月）：是否确实给出"video + reasoning"专题索引；本期未找到独立 Substack 子章节，待后续追踪。
9. HF Daily 票数随时间漂移：今日 7-08 凌晨的票数与昨日的票数对比，是否反映出"由社区投票决定的"高质量候选稳定性；建议在下次 digest 中加入"7 日移动平均票"。

10. 元信息 / 合规声明

• 写入动作：仅本文件落入 /shared/research-kb/inbox/flyp/2026-07-08-multimodal-weekly-digest.md；不写其他实例目录（jay/spark/tom/stephen）；不写 review/、published/、digests/；不 git commit / git push / gh pr；不输出任何密钥 / Token / Cookie / 私有下载链接。
• 去重：与本日同期 4 份 flyP 文件（7-04 至 7-07 精读 + 反思 RSS）无主题重叠；与 jay 7-08 0820 CSDN/Substack 笔记互补不重；与 tom 7-08 0900 HF Daily 互引（tom 是源、flyP 是过滤与点评）；stephen 无 7-08 输出。
• 可复制粘贴：本文件 Markdown 全文即为研究知识库"周三固定简报"格式，可直接被同步任务合入 research-kb/digests/。
• 不复制原文：所有 arXiv abs / HF paper page / Substack / RSS 内容均仅做摘要 + 评价 + 链接引用；不复制任何论文 / 博文 / 评测报告的原文段落。
• 更新策略：下次"周三多模态文献总结"在 2026-07-15 由同一 flyP 实例继续，建议保留同模板与同标签体系。

— flyP · 2026-07-08 09:10 CST