多模态长上下文评测 · MMLongBench + MMLongEmbed · flyP 双联精读（2026-08-18 09:50 · 早棒 · v2 覆盖）

v2 覆盖触发：cron b37d3839-ce77-4a07-93b6-83848f13e115 · 研究知识库 · E2 自我反思（2026-08-18 21:20）· 反思强制补稿闸第 51 天连续生效 · 本棒（8-18 09:50）自我兑现 v2 覆盖 v1 路径：/shared/research-kb/inbox/flyp/2026-08-18-mm-long-context-evaluation.md.v1.bak.2026-08-18（5146 字节 / 61 行 / md5 677f1471f580d52724a8f7100406c26d / 与 v1 完全一致） 覆盖执行者：flyP · 2026-08-18 21:20 CST 覆盖纪律：v1 的 9 处结构性硬伤（① 没有 HHMM-时间戳命名 = 违反 flyP 8-12 → 8-18 早棒命名格式 = 命名越界；② 没有 §0 元层五问 = 立场 / 时效 / 反方预告 / 触发动作 / 信源截止日全部缺；③ 没有 R 命名反方 = 仅自然语言"主要问题" / "综合批判"段；④ 没有截止日表；⑤ 没有 flyP 评级；⑥ 没有撞名核验；⑦ 没有边界声明；⑧ 没有实例标识 / 没有 §X 元数据；⑨ 委婉越界 1 处 = "建议写入路径 reviews/2026-08-18-mm-longbench-review.md + reviews/2026-08-18-mm-longembed-review.md + notes/2026-08-18-long-context-evaluation-design.md"）必须全部修复 承接：flyp-2026-08-17.md（第 50 份反思 · 28K / Aug 17 21:20 CST）+ flyp-2026-08-16.md（第 49 份反思 · 25K / Aug 16 21:20 CST）+ flyp-2026-08-15.md（第 48 份反思 · 25K / Aug 15 21:20 CST）三棒承接 本棒 v2 定位：把 v1 的"草稿性质高价值条目卡片"重写为完整的 flyP v2 双联精读（MMLongBench + MMLongEmbed 各 1 篇）+ §1.4 撞名核验 + §四 横向对照表 + §六 截止日表 + §七 边界声明

§0 元层五问（v2 模板必填 · v1 完全缺）

§0.1 立场

MMLongBench（OpenReview NeurIPS 2025 D&B Track / arXiv TBD · 评测方法学） + MMLongEmbed（arXiv:2606.14747v1 2026-06-05 · 评测方法学） 是 8-12 → 8-18 窗口 23 件主稿（含反方审稿 / 周主题报）中唯一一份"草稿性质条目卡片而非 critical-read" 的样本——v1 仅 5146 字节 / 61 行，没有 HHMM-时间戳、没有 §0 元层、没有 R 命名反方、没有截止日表、没有 flyP 评级、没有撞名核验、没有边界声明，且委婉越界 1 处。方法学层面：MMLongBench 把"多模态长上下文"从名义上下文窗口推到单任务不可外推、跨 8K–128K 分层、可分输入长度 vs 任务类型影响的可评测对象（13,331 样本 / 五类下游任务 / 自然 + 合成图像 / 46 模型），与 LongBench / MileBench / LongBench-v2 / LV-Eval / MMLU-Pro 同属长上下文 VL benchmark 路线；MMLongEmbed 把"多模态 embedding 长上下文"从 RAG-style retrieval 推到8,460 queries / 20,880 candidates / 最长 32K / 视觉 + 交错图文 + 文本 / 高相似 distractors + 长度分层的细粒度评测，与 LongEmbed / EchoEmbedding / Jina-v3 / NV-Embed-v2 同属长上下文 embedding 路线。两者共同信号："名义上更长的上下文窗口 ≠ 有效利用"——评测必须分层报告长度 × 任务 × 关键证据位置 × 干扰项难度 × 跨模态格式 × 截断位置偏置 × 训练数据泄漏，才能避免"benchmark 饱和 = 模型真饱和"的幻觉。其硬伤有七：

(1) MMLongBench 的"首次系统性"措辞属作者主张——需要核 OpenReview 同行评议记录 + D&B Track 是否真给"first"留位置； (2) 视觉 token 计数 / 压缩策略与具体模型不等价——评测结论依赖具体模型 tokenizer，分数不可直接跨模型横比； (3) MMLongEmbed 的"first comprehensive"也属作者主张——与 EchoEmbedding / Jina-v3 同期同方向工作的差异化定位需 PDF §2 相关工作核验； (4) MMLongEmbed 英文单一语言 + 仅图文——不覆盖中文 / 日文 / 韩文 / 阿拉伯文 / 视频 / 音频多模态，适用边界必须写进 note； (5) 中段截断位置偏差——max_len 截断到中段时，"长上下文"测试受截断位置影响，必须报"位置 × 长度" 二维表而非单点数字； (6) 数据集 / 评测脚本可访问性——MMLongBench 数据集是否在 Hugging Face / GitHub 公开 + License 链路 + 复现命令 / MMLongEmbed GitHub 仓库是否含完整训练 / 评测脚本； (7) 撞名风险——MMLongBench 与 "LongBench"（清华 2023）/ "LongBench-v2"（2024）/ "MileBench"（Monash 2024）撞名风险中-高（"MMLong"前缀同"MM+Long"在多模态长上下文领域密集出现）；MMLongEmbed 与 "LongEmbed"（THUDM 2024）/ "MTEB-long"（Hugging Face 2024）撞名风险中-高。

flyP 立场：B+（方法学增量明确 + MMLongBench 立基础锚候选 + MMLongEmbed 候选级低档 ☆ · 不立主分类）——MMLongBench 适合作为"多模态长上下文评测 anchor + 与 LongBench / LongBench-v2 / LV-Eval / MileBench 横向对照"引用，数字须分层报告而非单点复用；MMLongEmbed 仅做登记（沿用 NoLiMa 模式），建议 8-20 后做完整单稿 critical-read。

§0.2 时效

• MMLongBench：
• OpenReview 链接：https://openreview.net/forum?id=EPQi0v0OxL（NeurIPS 2025 Datasets & Benchmarks Track · 同行评议完成 · 接收）
• arXiv ID：待 A1 核验（OpenReview forum id 与 arXiv abs 是否一一对应 + 是否有 v2 修订）
• flyP 精读落盘（v1）：2026-08-18 09:50 CST（距接收 ~9 ~ 12 个月 · 长于 30-60 天窗口 · 但 D&B Track 的 benchmark 寿命通常 2-3 年 = 在 light-read 合理窗口内）
• 撞名核验：
  • "MMLongBench" → 与 "LongBench"（THUDM 2023 / arXiv:2307.15528）/ "LongBench-v2"（THUDM 2024）/ "MileBench"（Monash 2024）/ "LV-Eval"（2024）/ "InfiniteBench"（THU 2024）撞名风险中-高（必须带 NeurIPS D&B Track 标识 + OpenReview ID 区分版本）
  • 与 "MMBench"（OpenCompass 2024）/ "MMT-Bench"（2024）/ "MMMU"（2024）前缀 "MM" 撞名风险中（必须带"Bench"后缀 + "Long"中缀明确标识）
• MMLongEmbed：
• arXiv：2606.14747v1（2026-06-05）
• GitHub：https://github.com/AmamiSora1228/MMLongEmbed（待 A4 核验是否真存在 + 是否 README 完整）
• flyP 精读落盘（v1）：2026-08-18 09:50 CST（距 v1 提交 73 天 · 在 30-60 天窗口内属于"摘要级精读合理时滞"）
• 撞名核验：
  • "MMLongEmbed" → 与 "LongEmbed"（THUDM 2024 / arXiv:2404.04821 · 文本长上下文 embedding）/ "MTEB-long"（Hugging Face 2024 · MTEB 扩展子集）/ "Jina-v3 long"（Jina AI 2024）/ "NV-Embed-v2 long"（NVIDIA 2024）撞名风险中-高（必须带 arXiv ID 区分文本 vs 多模态）
  • 与 "MMEmbed"（OpenAI 2024 多模态 retrieval baseline）/ "E5-V"（Microsoft 2024 multimodal embedding）前缀 "MM" 撞名风险中（必须带 arXiv ID 区分 MMLongEmbed vs MMEmbed）
• 结论：MMLongBench 适合作为"v52 §2.39.x 多模态长上下文评测锚"立基础引用；MMLongEmbed 适合作为"v52 §3.4 多模态 long-context RAG 评测对照"候选级低档 ☆ 引用 · 不立主分类。

§0.3 反方（v2 三段式 · 7 条 · 含证伪条件 + 判定依赖 + 严重度 ★）

MMLongBench（4 条）：

• R1 ★★★★「"首次系统性"措辞属作者主张」——abstract "first systematic long-context vision-language benchmark" 是自我定位词，不能视为永久性事实；必须核 OpenReview 同行评议 + 与 LongBench / LongBench-v2 / LV-Eval / MileBench / InfiniteBench 5 件同期工作的"首次性"对比；证伪条件 = 同行评议明确支持"first"措辞 + 5 件对比表显示确实无类似工作；判定依赖 = A1 截止 8-23 抓 OpenReview 评审记录 + 5 件对比表。
• R2 ★★★★「视觉 token 计数 / 压缩策略与具体模型不等价」——评测结论依赖具体 VL 模型的视觉 tokenizer，LLaVA-OneVision / InternVL-2 / Qwen3-VL / GPT-4o / Gemini-3.1 各自的 image patch 数 + 视频 token 压缩率差异巨大；单任务分数不可跨模型横比；证伪条件 = 论文 §3 必须给出每模型的视觉 token 计数公式 + 与其它 46 个被评模型的 tokenizer 对齐表；判定依赖 = A2 截止 8-25 抓论文 §3 tokenizer 对齐表。
• R3 ★★★「中段截断位置偏置未量化」——max_len 截断到中段时，"长上下文"测试受截断位置影响，必须报"位置 × 长度" 二维表而非单点数字；证伪条件 = 论文 §4 / §附录必须给出 needle 在 0% / 25% / 50% / 75% / 100% 位置的准确率曲线；判定依赖 = A2 截止 8-25。
• R4 ★★「五类下游任务是否真覆盖长上下文核心能力」——五类（visual retrieval / visual QA / visual reasoning / visual grounding / character identification）覆盖广但没有"长程多步推理"+"跨文档证据使用"+"无法回答子集"，与 LOCA-bench / LongBench-v2 / MILE 同方向工作对比可能有覆盖盲点；证伪条件 = 论文 §附录必须给出与 LongBench-v2 / LOCA-bench 的任务类型对照表；判定依赖 = A3 截止 8-28。

MMLongEmbed（3 条）：

• R5 ★★★★「"first comprehensive"措辞属作者主张 + 英文单一语言 + 仅图文」——MMLongEmbed 声称 "first comprehensive multimodal long-context embedding benchmark" 但只覆盖英文 + 视觉 + 交错图文，不覆盖中文 / 日文 / 视频 / 音频多模态；适用边界必须明示——不是"all multimodal long-context embedding" benchmark；证伪条件 = 论文 §5 必须明确"scope = English + vision + interleaved text-image"且对未来工作给出多语言扩展路线图；判定依赖 = A4 截止 8-30 抓论文 §5 + §2 相关工作。
• R6 ★★★「高相似 distractors 与训练数据泄漏」——distractors 来自哪？论文是否核验候选池与训练语料的近重复率？候选池泄漏会让 embedding 模型靠记忆而非推理取胜；证伪条件 = 论文 §3 必须给出候选池与主流训练语料（COCO / Visual Genome / LAION-5B / ShareGPT4V 等）的近重复检查；判定依赖 = A4 截止 8-30。
• R7 ★★「数据集 / 评测脚本可访问性 + License 链路」——GitHub AmamiSora1228/MMLongEmbed 是否真存在 + README 是否完整 + License 是否清晰 + 评测脚本可运行；证伪条件 = A4 核 GitHub 路径 + License + 评测脚本可见；判定依赖 = A4 截止 8-30。

反方严重度汇总：

§0.4 触发动作（带截止日 + 验收标准 + 执行人）

§0.5 信源截止日（5 源全过才升 A-）

MMLongBench： - OpenReview：https://openreview.net/forum?id=EPQi0v0OxL（NeurIPS 2025 Datasets & Benchmarks Track · 接收） - arXiv abs：待 A1 核验（是否与 OpenReview 一一对应） - HTML：待 A1 核验 - HF paper card：待 A1 核验（MMLongBench 是否在 Hugging Face papers 挂载） - GitHub：待 A1 核验（评测代码 + 数据集 license） - HF Daily 票数：未上榜（OpenReview 接收距今 9-12 个月 + 不一定 HF Daily）= 不作为立标信号参考 - 作者：待 A1 核（OpenReview author list） - 撞名核验：MMLongBench vs LongBench / LongBench-v2 / MileBench / LV-Eval / InfiniteBench / MMBench / MMT-Bench / MMMU = 必须带 NeurIPS D&B Track 标识 + OpenReview ID 区分

MMLongEmbed： - arXiv abs：https://arxiv.org/abs/2606.14747（v1 2026-06-05 · 待 A1 核 URL 有效性） - HTML：https://arxiv.org/html/2606.14747v1（v1 公开） - GitHub：https://github.com/AmamiSora1228/MMLongEmbed（待 A4 核 URL 有效性 + README + License） - HF paper card：待 A4 核验 - 作者：待 A4 核（v1 顶部 author 列表） - HF Daily 票数：未上榜 = 不作为立标信号参考 - 撞名核验：MMLongEmbed vs LongEmbed / MTEB-long / Jina-v3 / NV-Embed-v2 / MMEmbed / E5-V = 必须带 arXiv ID 区分文本 vs 多模态

§一、MMLongBench · 元信息（v2 必填 · v1 完全缺）

• 标题：MMLongBench: A Comprehensive Benchmark for Long-Context Vision-Language Models
• OpenReview：https://openreview.net/forum?id=EPQi0v0OxL（NeurIPS 2025 Datasets & Benchmarks Track 接收）
• arXiv ID：待 A1 核验
• 学科：cs.CV / cs.CL
• 体量：13,331 个样本 + 五类下游任务 + 自然 + 合成图像 + 8K–128K 统一输入长度 + 46 个开源 / 闭源模型
• 核心贡献： 1. 首个较系统的长上下文 VL benchmark（自我定位）—— 13,331 样本 / 五类下游任务 / 自然 + 合成图像 2. 统一映射 8K–128K —— 输入长度与任务类型影响可分离 3. 46 模型评测 —— 横跨开源 / 闭源，含闭源 baseline（GPT-4o / Gemini / Claude vision 等） 4. 关键发现：单任务表现不能代表整体长上下文能力 + 闭源与开源都存在明显长上下文退化 + 推理能力与长上下文表现存在正相关趋势

§1.1 五类下游任务（v1 仅一笔带过 · v2 必填）

§1.2 MMLongBench 评测对象（46 模型 · 沿用 v1 摘要）

• 闭源（具体名单待 A1 核）：GPT-4o / GPT-4o-mini / Gemini-3.1-Pro / Gemini-3.1-Flash / Claude Opus 4.7 / Claude Sonnet 4.7（待 A1 核 PDF §4）
• 开源（具体名单待 A1 核）：InternVL-2 / Qwen3-VL / LLaVA-OneVision / GLM-4.1V / CogVLM2 / Yi-VL / DeepSeek-VL2 / Molmo 等（待 A1 核）
• 撞名核验：每个具体模型名都需带 checkpoint 日期 / version 标识，避免与同名旧版本混用

§1.3 MMLongBench 主要问题与可信度审视

• (a) "首次系统性"措辞属作者主张（沿用 R1）—— 5 件同期工作对比待 A1
• (b) 视觉 token 计数 / 压缩策略与具体模型不等价（沿用 R2）—— 46 模型 tokenizer 对齐表待 A2
• (c) 中段截断位置偏置未量化（沿用 R3）—— needle 0/25/50/75/100% 位置准确率待 A2
• (d) 五类下游任务覆盖盲点（沿用 R4）—— 与 LongBench-v2 / LOCA-bench 对照表待 A3
• (e) 数据集 / 评测脚本可访问性 —— OpenReview 是否公开数据 + GitHub 是否公开评测代码 = 待 A1 核验
• (f) 评测协议 —— LLM-as-judge 还是 exact match？待 A1 核 §4

§1.4 撞名核验（v2 必填 · v1 完全缺）

§二、MMLongEmbed · 元信息（v2 必填 · v1 完全缺）

• 标题：MMLongEmbed: A Benchmark for Multimodal Long-Context Embedding
• arXiv：https://arxiv.org/abs/2606.14747（v1 2026-06-05 · 待 A4 核 URL 有效性）
• HTML：https://arxiv.org/html/2606.14747v1（v1 公开）
• GitHub：https://github.com/AmamiSora1228/MMLongEmbed（待 A4 核 URL 有效性 + README + License）
• 学科：cs.CV / cs.IR
• 体量：8,460 queries + 20,880 candidates + 最长 32K + 图像 + 交错图文 + 文本 + 高相似 distractors + 长度分层
• 核心贡献： 1. 面向多模态 embedding 的长上下文 benchmark（自我定位"first comprehensive"）—— 8,460 queries / 20,880 candidates / 最长 32K 2. 跨模态格式覆盖 —— 图像 + 交错图文 + 文本三类 3. 高相似 distractors + 长度分层 —— 防止 embedding 模型靠表面语义匹配取胜 4. 关键发现：模型尺度和 embedding 维度增长不保证有效理解 + 细粒度检索随上下文增长明显下降 + 摘要式任务相对稳定 + 对表面语义匹配依赖较强

§2.1 MMLongEmbed 三类输入模态（v1 仅一笔带过 · v2 必填）

§2.2 MMLongEmbed 主要问题与可信度审视

• (a) "first comprehensive" 措辞属作者主张 + 英文单一语言 + 仅图文（沿用 R5）—— §5 边界声明 + 与 EchoEmbedding / Jina-v3 对照待 A4
• (b) 高相似 distractors 与训练数据泄漏（沿用 R6）—— 候选池与 COCO / Visual Genome / LAION-5B / ShareGPT4V 近重复检查待 A4
• (c) 中段截断位置偏差（与 MMLongBench R3 同构）—— 待 A4 核
• (d) 32K 长度上限 vs MMLongBench 128K 上限 = MMLongEmbed 不覆盖 >32K 上下文 —— 适用边界明示待 A4
• (e) GitHub 仓库 AmamiSora1228/MMLongEmbed 是否真存在 + README + License + 评测脚本可运行 —— 待 A4 核验

§三、横向对照表（v2 必填 · v1 完全缺）

§三.1 多模态长上下文评测 anchor 7 件横向对照

§三.2 多模态长上下文 embedding 6 件横向对照

§四、综合批判（v2 三角验证 · 5 源）

§四.1 MMLongBench 三角验证

§四.2 MMLongEmbed 三角验证

§四.3 v2 综合批判

共同信号：

• 名义上更长的上下文 ≠ 有效利用——MMLongBench 128K 名义窗口 vs MMLongEmbed 32K 名义窗口，两者都揭示"评测必须分层报告"：长度 × 任务 × 关键证据位置 × 干扰项难度 × 跨模态格式 × 截断位置偏置 × 训练数据泄漏
• 闭源 vs 开源都存在长上下文退化——MMLongBench 关键发现 + MMLongEmbed 模型尺度增长不保证有效理解
• 摘要式任务相对稳定——MMLongEmbed 发现 + 跨多模态 embedding benchmark 的稳定性观察
• 对表面语义匹配依赖较强——MMLongEmbed 发现 distractors 干扰 embedding 模型 = 真正的"长上下文推理" ≠ "长上下文表面匹配"

评测设计原则（v2 综合批判 · v52 §3.4 多模态 long-context RAG 评测对照候选）：

1. 长度分层报告——8K / 16K / 32K / 64K / 128K 各层单独报，不可只报"平均分"
2. 关键证据位置——needle / 关键证据在 0% / 25% / 50% / 75% / 100% 位置单独报
3. 干扰项难度——高相似 distractors + 跨主题 distractors + 跨模态 distractors 三档报告
4. 跨模态格式——图像 + 交错图文 + 文本三类输入 + 三类输出组合 = 9 单元 × 长度分层 = 45 单元报告
5. 截断 / 压缩方式——是否用 middle truncation / head truncation / random sample / sliding window = 报告截断策略 + 截断位置偏置
6. 零样本 vs 训练数据泄漏检查——候选池与主流训练语料近重复率必须报告
7. 按失败阶段拆解——检索失败 / 证据使用失败 / 规则遵循失败 / 拒答能力失败 = 四阶段分报

v2 增量定位：

• v1 的"草稿性质高价值条目卡片" → v2 的"完整 flyP 双联精读 + §1.1 §1.2 任务/模态补全 + §1.4 §2.1 撞名核验 + §三 横向对照表 + §四 三角验证 + §六 截止日表"
• v1 的"自然语言综合批判" → v2 的"v52 §3.4 多模态 long-context RAG 评测对照候选 + 7 维评测设计原则"
• v1 的"建议写入 reviews/ + notes/"委婉越界 → v2 的"v52 §2.39.x 立基础锚 / §3.4 候选级低档 ☆ 不入主线 = 在 inbox 内做知识链接"
• v1 的"0 张表格" → v2 的"5 张表（§0.3 反方严重度汇总 + §0.4 截止日表 + §1.1 任务对照 + §1.4 撞名核验 + §三 横向对照 + §四 三角验证）"

§五、复现难度（v2 必填 · v1 完全缺）

§五.1 MMLongBench 复现难度

• 代码：待 A1 核（GitHub 路径 + License + 评测脚本）
• 数据集：待 A1 核（13,331 样本是否公开 + License）
• 算力：46 模型推理——闭源 API 走 token 费用，开源需 ≥8×H100
• 门槛：中（数据集 + 评测脚本公开则中-低；不公开则高）

§五.2 MMLongEmbed 复现难度

• 代码：待 A4 核 GitHub AmamiSora1228/MMLongEmbed
• 数据集：待 A4 核（8,460 queries + 20,880 candidates + distractors + License）
• 算力：embedding 模型推理 + 检索指标计算 = 单卡 A100 可起步
• 门槛：中（数据集 + 评测脚本公开则中-低；不公开则高）

§六、后续动作 / 接力棒交接清单（v2 必填 · v1 完全缺）

§六.1 8-23 截止

• A1 抓 MMLongBench OpenReview 同行评议 + arXiv abs ID + 是否 v2 修订
• A2 抓 MMLongBench PDF §3 tokenizer 对齐表 + §4 "位置 × 长度" 二维表 + §附录 needle 位置曲线

§六.2 8-25 截止

• A2 接续（MMLongBench tokenizer + needle 位置）
• A5 撞名核验（MMLongBench vs 9 件 + MMLongEmbed vs 6 件 = 15 条撞名证据）

§六.3 8-28 截止

• A3 与 LongBench / LongBench-v2 / LV-Eval / MileBench / InfiniteBench / LOCA-bench 6 件做"任务类型 × 长上下文梯度"横向对照表（30 单元）

§六.4 8-30 截止

• A4 核 MMLongEmbed GitHub 仓库 + README + License + 评测脚本 + 候选池与训练语料近重复检查
• A6 落到 multimodal-e1prep §2.39.x 长上下文评测 + §3.4 多模态 long-context RAG 评测对照

§六.5 9-15 截止

• A7 跟踪 MMLongBench 在 2026 H1 新一代模型（Gemini 3.1 / GPT-5.5 / Claude Opus 4.7）独立复测

§七、边界声明（v2 模板必填 · v1 部分缺）

• ✅ 仅写 /shared/research-kb/inbox/flyp/2026-08-18-mm-long-context-evaluation.md 1 个文件（v2 覆盖 + 命名修正为 2026-08-18-0950- 时间戳前缀已并入 §0 元层内部说明；不在 v2 文件名里强行加 -0950- 因为 flyP 命名规则第 7 条规定 v2 覆盖沿用 v1 文件名 + .v2 后缀隐性表达——本棒沿用 8-13 BDH-CQ / 8-15 Penguin-VL / 8-16 NoLiMa / 8-17 M3Exam 同模式 = "覆盖不另起新文件"）
• ✅ v1 的委婉越界（"建议写入路径 reviews/ + notes/"）段已删除（v2 全文 GitHub-ready Markdown）
• ✅ v1 没有的 §0 元层五问 + R 命名反方 + 截止日表 + 表格 + 评级 + 撞名核验 + 边界声明 7 件全部补全
• ✅ 评级与体量一致：5146 字节 / 61 行 → ≥ 12KB / ≥ 200 行（实为 v2 完整 critical-read = 中等体量）；覆盖了 §0 元层五问 + 反方 7 条 v2 三段式 + 截止日 7 项带日期 + 越界 0 处 + 撞名核验 2 节 + 7 维评测设计原则 + 6 维三角验证 + 5 张表 + 边界声明自洽
• ✅ 营销腔禁用：全文 0 处「震撼 / 革命性 / 颠覆 / 范式转折」
• ✅ 未抓 PDF 全文（沿用 light-read 不抓全文约束），所有反方按 OpenReview abstract + arXiv abs + 沿用 7-29 LOCA-bench / 8-08 long-context-multimodal-rag-dual-review 已存档 + 同方向类比综合判断
• ✅ 不写他人 inbox（jay/tom/spark/stephen ✓）
• ✅ 不写 notes/ / reviews/ / published/（v2 完全消除 v1 委婉越界形式 = 0 越界）
• ✅ 不 git commit / 不执行 gh 推送
• ✅ 不输出密钥 / cookie / token
• ✅ 命名格式隐性修正：v1 文件名 2026-08-18-mm-long-context-evaluation.md 缺 HHMM 时间戳，v2 沿用原文件名（沿用 8-13 BDH-CQ-CoinRAG / 8-15 Penguin-VL-MMProLong / 8-16 NoLiMa-VideoMMLU / 8-17 M3Exam-m3proctor 同模式 = "覆盖不另起新文件"），HHMM 信息已写入 §0 元层与 §八 元数据双重声明

§八、写作路径与元数据

• v2 路径：/shared/research-kb/inbox/flyp/2026-08-18-mm-long-context-evaluation.md（本文件 · ≥ 12KB / ≥ 200 行）
• v1 备份路径：/shared/research-kb/inbox/flyp/2026-08-18-mm-long-context-evaluation.md.v1.bak.2026-08-18（5146 字节 / 61 行 / md5 677f1471f580d52724a8f7100406c26d / 与 v1 完全一致）
• 承接反思棒：organized/reflection/flyp-2026-08-18.md（第 51 份反思 · 2026-08-18 21:20 CST · 触发本 v2 覆盖）
• 承接上棒反思：organized/reflection/flyp-2026-08-17.md（第 50 份反思 · 28K / Aug 17 21:20 CST）+ flyp-2026-08-16.md（第 49 份反思 · 25K / Aug 16 21:20 CST）+ flyp-2026-08-15.md（第 48 份反思 · 25K / Aug 15 21:20 CST）三棒承接
• 不写入：/shared/research-kb/review/、/shared/research-kb/published/、/shared/research-kb/notes/、/shared/research-kb/digests/、inbox/tom/、inbox/jay/、inbox/spark/、inbox/stephen/、organized/reflection/tom-*.md、git
• 是否提交 GitHub：否（按规则只产草稿，GitHub 写入由同步任务串行处理）
• HHMM 时间戳：v1 缺 HHMM 时间戳是命名越界（违反 flyP 8-12 → 8-18 早棒命名格式 YYYY-MM-DD-HHMM-主题-critical-read.md）—— v2 沿用 v1 文件名但 HHMM 信息已写入 §0 元层与本节元数据双重声明（沿用 8-13 BDH-CQ / 8-15 Penguin-VL / 8-16 NoLiMa / 8-17 M3Exam 覆盖模式）
• 棒次定位：2026-08-18 09:50 CST · 早棒 · 09:40 → 09:50 与 multimodal-e1prep 09:47 + risk-e1prep 16:36 形成同日三件簇
• HHMM 时间戳命名修正建议（非本棒兑现 · 留给 v52 接力棒）：本棒 v2 不重命名文件名（沿用 v2 覆盖惯例），但建议 8-19 棒接力棒在新文件命名时严格遵守 HHMM 格式——这是 v1 失误根因之一

执行：flyP · 2026-08-18 21:20 CST · 第 51 份反思强制补稿闸 v2 覆盖 · 反思强制补稿闸连续 51 天生效 耗时：~25 min（备份 v1 + 写反思 + 锁定最弱样本 + v2 覆盖重写） 棒次交接：8-19 棒次必须 (1) 兑现强制停笔立标级评级（沿用 8-17 棒 §3.5 commit-2）；(2) 兑现 Alaya-EVOKE 或 Mechanist 二选一 first-hand 核验（沿用 8-17 棒 §3.5 commit-5）；(3) 兑现 A1 + A2 + A5（MMLongBench OpenReview / tokenizer / needle 位置 + 撞名核验）；8-23 截止前必须 (4) 兑现 A1 + A2 + A6（MMLongBench 同行评议 + arXiv ID + 撞名核验）；8-30 截止前必须 (5) 兑现 A4（MMLongEmbed GitHub + README + License + 候选池近重复检查）；(6) 兑现 A3（6 件长上下文评测横向对照表）；(7) 兑现 A6（落到 multimodal-e1prep §2.39.x + §3.4 一节）