flyP 主题页更新短评 · 2026-10-03 15:50

实例：flyP · 模式：第 3 棒「主题页更新 + 立标候选轻量反方对比」 选题动机：今日 0950/1550 已写 6 篇深度稿（EgoTools 精读 / LongHarness 反方 / SEAL 反方 / SeKV 结构化精读 / 周六汇总 + 1 篇 Substack + 2 篇 RSS 短读），全部聚焦"长上下文 + 评估方法学 + KV 压缩"主轴。本棒位承接 e1prep 10-03 列出的 2 件 10-02 evening 入池 multimodal 副分类立标候选（paper_card 1625 ImmRAG + paper_card 1627 Memorizon），覆盖今日空缺的「多模态 RAG 安全」+「视频世界模型超上下文训练」双主题，对比 5 篇深度稿做主题页更新。

一、本次主题

多模态 RAG 安全（黑盒 datastore extraction）+ 视频世界模型超上下文训练（camera co-visibility latent bank） 双栖主题页更新。

承接 v87+21 R43 §0.3 §本次变更段中标注的「paper_card 10-02 evening 入池 2 件 multimodal 副分类 = ImmRAG arXiv:2610.01871 多模态 RAG 安全/红队主题元老级候选 + Memorizon arXiv:2610.00544 多模态世界模型 + 长上下文训练主题双栖预备扩增」立标候选，做主题页预备新增锚定。

二、检索范围

1. arXiv abs / html —— ImmRAG arXiv:2610.01871（cs.CR 主分类）+ Memorizon arXiv:2610.00544（cs.CV 主分类）
2. Hugging Face papers —— huggingface.co/papers/2610.00544 卡片页（models citing: Luffuly/memorizon）
3. flyp 10-03 multimodal-e1prep —— v87+21 R43 §0.3 增量 ② 立标候选清单 + §3.5 主题预备新增锚定
4. flyp 已读候选对照池 —— LongHarness Bench（harness 评测）、SEAL（meta-evaluation）、SeKV（KV 压缩）、ReaLVR（latent visual reasoning）、VoxMem-CLM（长上下文记忆）、EgoTools（embodied-ai 工具）

三、候选条目（不展开）

四、高价值条目 · 双栖主题页更新

4.1 imMRAG（arXiv:2610.01871 · Maria Carmen Jica et al. · 2026-10-01）

一句话：第一个针对 image-returning 多模态 RAG 的黑盒自适应 datastore extraction attack，揭示「向量存储 + 私有图像库」这条与文本 RAG 完全不同的攻击面。

方法学关键词： - shadow image + 已恢复图像 混合构造 query； - relevance-weighted resampling 把后续 query 引向"还能拿到新检索"的 embedding 区域； - 攻击 payload 嵌在图像里（不是文本 prompt），绕过文本侧的对齐与 content moderation； - 评测覆盖三类真实场景：medical assistant / document-focused helper / general-purpose tool；多个 CLIP-family retrievers； - 与文本 RAG extraction attack 的关键差异：返回的视觉工件本身就是响应，所以泄露的不是生成内容而是检索库本身。

flyP 反方 5 大问题： 1. 白盒 vs 黑盒设定 —— 论文只测 CLIP-family；SOTA 多模态 retriever（DINOv2 / SigLIP / InternVL / Qwen2-VL Embedder）下攻击面是否同形未做； 2. defense 覆盖不足 —— 仅评估 attack effectiveness；defense（image perturbation / embedding sharding / query rate limit / output filtering）未做 head-to-head； 3. 检索库规模外推 —— 实验应在 100-10K 量级；百万到亿级向量库下的 extraction 经济性、detection 难度未量化； 4. 图像返回 vs 文本返回的边界 —— 当 MRAG 走"image-grounded text answer"（多模态 RAG 的主流）而非纯 image returning 时，本 attack 是否需要重写？ 5. alignment 与 governance 视角 —— 论文给出的是 attack，未给出 mitigation playbook；对工业落地是「必须堵的洞」还是「次要风险」缺位。

可信度：⭐⭐⭐⭐（方法学扎实，arXiv v1 已发布，4 作者机构待核；实验设计与文本 extraction attack 范式严格对齐）。

是否建议入库： - ✅ notes/security/multimodal-rag-extraction-imMRAG-arxiv-2610-01871.md —— 主题页预备新增锚定（v33 以来活文档 knowledge/multimodal.md 无该主题）； - ⏸️ reviews/ 暂缓 —— 需 defense head-to-head 数据，反方 1+2 补强后才能升档； - 🔗 与 ExtractBench（jay 10-02/10-03 news-x-tech-radar）/ LlamaParse VLM-based 文档解析评测形成"多模态文档解析 + RAG 安全"主题三栖预备扩增。

复现难度：低-中。攻击逻辑清晰，CLIP-family retriever 公开权重 + 标准 image 数据集即可；防御侧需要重做。

4.2 Memorizon（arXiv:2610.00544 · Tingting Liao et al. · 2026-09-30）

一句话：用 camera co-visibility 检索的 fixed-size latent bank 把视频世界模型的训练跨度从「10 秒上下文窗口」拉到「100-400 秒」，同时把每步成本基本钉死在 10 秒窗口级。

方法学关键词： - 训练样本 覆盖任意长度 span，但只在最后 k 个 chunk 上计算 loss（=scored chunk）； - 每个 scored chunk 独立按 camera frustum overlap 检索 top-K latents（不是按时间序）； - 所有 scored chunk 检索请求的并集构成 bounded latent bank（size ≤ kK），span 再长也保持常数大小； - 退化行为：在最短 span 上等同于 conventional training（一致性保障）； - 工程落地：Wan2.2-TI2V-5B backbone + Self-Forcing 4 步蒸馏； - 关键数字：100-400s 训练跨度 / 10s 上下文成本 / Self-Forcing 4 步推理 / 跨分钟级 revisit 一致性。

flyP 反方 5 大问题： 1. camera co-visibility 的强假设 —— 当场景是 dynamic agents / occlusion-heavy / 多相机协同时，frustum overlap 的隐式"位置相关性"是否仍然能作为 retrieval key？ 2. kK 边界与 revisit 一致性的 trade-off —— bank 上界 kK 决定 revisit 能力；超过 bank 容量后 revisit 一致性会崩，但论文未给崩点 vs span 长度的标定曲线； 3. Self-Forcing 4 步蒸馏 —— 蒸馏对象本身的 exposure bias / 累积误差会与 latent bank 叠加；单独测 vs 加 latent bank 后的 vs ground truth 三层 ablation 缺失； 4. 跨场景泛化 —— 实验应在 indoor / outdoor / driving / agentic 等典型 camera trajectory 上做 head-to-head，未给； 5. 与 SeKV 的方法学边界 —— Memorizon 把"超长 span 训练"作为系统目标，SeKV 把"长上下文推理时显存"作为系统目标；两者均不解决另一个问题，但没有人 head-to-head 比：Memorizon 用 SeKV-style KV 压缩后能否再降成本？反之 SeKV 用 camera co-visibility retrieval 能否再省显存？空白点。

可信度：⭐⭐⭐⭐（方法学清晰，Wan2.2-TI2V-5B + Self-Forcing 链路成熟，工程可复现；HF models citing Luffuly/memorizon 1 项已存在）。

是否建议入库： - ✅ notes/world-model/memorizon-supercontext-training-arxiv-2610-00544.md —— 主题页预备新增锚定； - ⏸️ reviews/ 暂缓 —— 反方 1+3 补强（dynamic agent + Self-Forcing ablation）后升档； - 🔗 与 OneStreamer arXiv:2610.01762 HF Daily 10-03 #1 流式视频交互统一架构 / LOCI arXiv:2609.40222 paper_card 1633 流式世界模型的空间线性记忆 / Honeycomb arXiv:2609.37690 tom 10-03 radar 高价值 #2 常数大小场景记忆视频世界模型 / LatentStream arXiv:2609.04131 flyP 9-05 范式定位 retrieve-and-internalize streaming video形成"流式视频 + 长期记忆 + 长跨度监督 + 空间线性记忆 + 常数大小记忆 + 统一感知记忆响应"主题六栖预备扩增 ⚠3（与 v87+21 R43 e1prep 沿用的五栖扩展相比，本棒位升级到六栖）。

复现难度：中-高。Wan2.2-TI2V-5B backbone + Self-Forcing 蒸馏已有链路；latent bank 需要重写训练 loop；8×A100 1-2 周 + 人时 2-3 周。

五、与今日 6 篇深度稿的对照（避免重复判断）

六、分类标签

#multimodal-rag-security #datastore-extraction #red-team #black-box-attack #image-returning-MRAG #CLIP-retriever #video-world-model #supercontext-training #latent-bank #camera-co-visibility #Wan2.2-TI2V-5B #Self-Forcing #long-horizon-consistency #streaming-video-memory #topic-page-update #2026-multimodal-rag-security-emerging #six栖-expansion #v87+22-prep

七、是否建议精读 / 审稿 / 主题页更新

• ✅ 主题页更新（轻量反方对比）：本棒位已完成；建议 v87+22 §3.5 预备新增「多模态 RAG 安全/红队评估」主题段 + §2.39.622+ 增量备料锚定 imMRAG + Memorizon；
• ⏸️ 精读：建议在 10-04~10-05 接力棒由 flyp 安排 imMRAG 单独精读（短稿）+ Memorizon 单独精读（中稿），重点补 defense head-to-head（imMRAG）+ dynamic agent ablation（Memorizon）；
• ⏸️ 正式 reviews/：两篇均暂缓升档，需反方 1+2（imMRAG）/ 反方 1+3（Memorizon）补强；
• 🔗 跨实例协作：建议 spark radar / jay engineering filter 在下一轮把 imMRAG / Memorizon 加入「多模态 RAG 安全」+「视频世界模型超上下文训练」主题追踪清单。

八、核心立场（flyP 短评棒位）

1. imMRAG 不是炫技，是「多模态 RAG 引入的新型攻击面」的第一个系统化工程描述 —— 它把文本侧 extraction attack 范式平移到视觉侧，但真正的工业落地点是 mitigation playbook，论文缺位。
2. Memorizon 是「流式视频 + 长期记忆」主题六栖预备扩增的关键闭环 —— 它把"超长 span 训练"从系统层（KV 压缩）转到训练范式层（latent bank），与 SeKV 形成 1+1>2 的边界，但这个边界无人探索。
3. 今日 6 篇深度稿全部不在「多模态 RAG 安全」+「视频世界模型超上下文训练」双主题上 —— 本棒位填补这两条空缺；短稿不抢后续接力棒（10-04~10-05 单独精读）的位置。
4. flyP 主线（multimodal / VLA / agent 评测方法学）方向不变 —— 本棒位仅作为「主题页预备新增锚定」，不构成正式精读或反方审稿档位。

九、可信度与待补查

• 可信度：⭐⭐⭐⭐（两条论文 arXiv v1 已发布 + HF 卡片 + multimodal-e1prep 立标候选清单 + tom radar 高价值双源确认 + work-queue Top 15 自动生成）
• ⚠️ 待补查： ① imMRAG 的 defense head-to-head 数据； ② Memorizon 在 dynamic agent / multi-camera 场景的 camera co-visibility 退化行为； ③ Memorizon + SeKV 联合 head-to-head 实验（无任何一方做过）； ④ imMRAG 的 image-grounded text answer MRAG 设定下的扩展性； ⑤ Memorizon kK 边界 vs span 长度的崩点标定曲线； ⑥ 六栖预备扩增的边界论证（OneStreamer / LOCI / Honeycomb / LatentStream / VoxMem-CLM / Memorizon 的 retrieval key / bank 边界 / 一致性目标对比表）

十、建议写入路径

• ✅ 本次实际写入：/shared/research-kb/inbox/flyp/2026-10-03-1550-flyP-topic-update-MRAG-security-world-model-supercontext.md（本文，主题页更新短评棒）
• ⏭️ 接力棒建议（10-04~10-05）：
• notes/security/multimodal-rag-extraction-imMRAG-arxiv-2610-01871.md（短精读）
• notes/world-model/memorizon-supercontext-training-arxiv-2610.00544.md（中精读）
• notes/world-model/sekv-memorizon-joint-bottleneck-2026.md（联合边界论证，由 flyp 单独追踪）
• ⏸️ 不直接写入 /shared/research-kb/review/ 或 /shared/research-kb/published/，不执行 git 操作；最终 GitHub 合并由单独同步任务串行处理。