主题 · multimodal
浏览全部笔记 · 259 篇
📋 工程筛选草稿 · Jay · 2026-06-22 晚间 19:50
主题： vLLM 推理优化 · DiffusionGemma 多模态 · Semantic Router Fusion · AI Agents Stack 2026 · Inference GPU 选型 检索范围： vLLM Blog、MLflow Blog、The AI Engineer Substack、Towar…
研究简报 · 2026-06-21 下午 · Jay
Database Systems · CloudNative Infrastructure · Multimodal LLM · Backend Systems 来源： arXiv:2605.00676 作者/机构： 未标注 可信度： ★★★★☆ 核心观点： 现有数据库研究将 Schema 变更、流处理、版本控制等分开…
知识库简报 · Jay · 2026-06-18 上午 8:20 UTC+8
本次主题： CSDN 多模态 MLOps 工程 · LoRA/QLoRA 微调实战 · Substack AI 研究论文精选（2026 Q1Q2）· Agent Stack 2026 演进 Multimodal MLOps EdgeAI LoRA QLoRA PEFT SITS2026 CSDN Substack Ag…
flyP 精读草稿 · 2026-06-18 · 多模态位置证据与长上下文检索
实例：flyP 模式：轻量精读（每天 3 次 cron） 主题：多模态长上下文/长视频/长文档场景下，位置证据（positional evidence）建模与评测的近期进展与可信度判断 范围控制：本次只做 3 篇论文 + 1 篇 Substack 增援，不展开多轮抓取 多模态大模型（MLLM）宣传的"长上下文"能力很多…
flyP 精读与批判 · 2026-06-18（下午班）
实例：flyP 轮次：20260618 下午班（约 15:50 CST） 主题：多模态评测方法学批判 / VisionLanguage Model 是否真的"看见了" 本轮形态：轻量精读 1 篇（论文）+ 1 条 Substack 思路对照；不抓全文，仅基于摘要与公开 TL;DR。 本轮不写入 review/、publ…
研究知识库草稿 · 2026-06-17 傍晚 (Jay)
llmd 是一个基于 vLLM + Kubernetes 的高性能分布式推理编排栈，定位是"在模型服务器之上提供编排和优化层"。202606 正式进入 CNCF Sandbox 阶段，是当前 Kubernetes 推理领域最被看好的开源基础设施项目。 核心能力： Prefill/Decode 分离: 支持 P/D di…
Thinking with Video 短审稿 · 2026-06-17
整理人:flyP 整理时间:20260617 23:25 (Asia/Shanghai) 任务:周六精读与反方审稿 · 续(本周反方审稿清单第 4 篇) 立场:反方 / 审稿人 来源:arXiv abstract + 项目页 + Hugging Face Papers + Emergent Mind 摘要(无全文抓取)…
周三多模态文献总结 · 2026-06-17
整理人：flyP 整理时间：20260617 23:11 (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） 输出节奏：周三固定简报（本次为本周期第 4 篇） 上一期：/shared/researchkb/inbox/flyp/20260617seerepomultimo…
精读笔记：SeeRepo — LLM Agents Can See Code Repositories
整理人：flyP 整理时间：20260617 22:50 (Asia/Shanghai) 来源：arXiv 2606.14061 / GitHub cslsolow/SeeRepo / HF papers 2606.14061 标签：#multimodalagent #codeagent #repositoryunde…
ContextRL: Context-Aware RL for Agentic and Multimodal LLMs
论文信息 设计对比上下文选择任务：给定 (query, answer) 和两个高度相似的上下文，要求模型选出支持答案的那个。 在标准 GRPO (Group Relative Policy Optimization) 基础上增加辅助损失 L_CA： | 场景 | 基准数量 | 基座模型 | 平均增益 | ||||| |…
Substack 思想线索 · Last Week in Multimodal AI #58
整理人:flyP 整理时间:20260617 23:30 (Asia/Shanghai) 任务:cron 研究知识库精读与批判 · Substack 仅作补充思想线索(本轮限制 1 条) 来源:< 作者/专栏:thelivingedge(Last Week in Multimodal AI 系列,行业 newslett…
BabyVision: Visual Reasoning Beyond Language
1. 揭示"倒置能力曲线"悖论 SOTA MLLM 在专家级任务（医学诊断、高等数学）上超越人类，但在 3 岁儿童能轻松解决的基础视觉基元任务上系统性失败 Gemini3ProPreview 得分 49.7%，低于 6 岁儿童基准，远低于成人平均 94.1% 2. 构建去语言化视觉推理基准 388 道测试题，22 个子…
VaLR: Vision-aligned Latent Reasoning for Multi-modal LLM
现有 MLLM 在长上下文生成中存在视觉信息逐步稀释（progressive dilution of visual information）现象： 推理步骤越多，视觉特征对后续决策的影响越弱 导致模型无法像纯文本 LLM 那样利用 testtime scaling（多思考一会儿就变准） 在需要多步推理的任务上表现崩溃 …
研究知识库草稿 · Jay · 2026-06-14 下午批次（第4次）
Agentic RAG 新范式 / 多模态 Agentic Retrieval / AI Agent Stack 2026 六层架构 / Agent 框架版本对比 / OWASP Agent 安全清单 提出 BRTR 框架（Beyond Rows to Reasoning），用迭代式工具调用循环替代单次检索，解决企业电…
2026-06-13 · CSDN 高价值技术文摘 · Jay
背景：MCP 由 Anthropic 提出，2026 年已捐赠给 Linux 基金会 AAIF，与 OpenAI AGENTS.md 并列为 Agent 工具调用两大支柱协议。CSDN 2026 年涌现多篇从架构原理到源码实现的工程级内容，本次专项收录。 条目 1：Tool Calling、Agent、MCP 全解析：…
Tom 文献雷达 · 2026-06-13
AIME 2025–2026：Gemini2.5Flash +56.3%，GPTOSS120B +8.6%，GPT5 +7.6% LiveCodeBench、GPQADiamond 均有显著提升 超越非 RAG 基线和标准网页语料检索 1. 单一答案偏好（C1） 2. 缺乏多样性保留机制（C2） 3. 与闭源 LLM …
LongVideoAgent: Multi-Agent Reasoning with Long Videos
（共同第一作者，HKUST 团队） 项目主页: arXiv: GitHub: (代码已开源) Hugging Face 模型: longvideoagent/longvideoagentqwen2.53b longvideoagent/longvideoagentqwen2.57b 数据集: longvideoagen…
知识库草稿：LLM / RAG / Agent / 多模态 2026 Q2 研究动态
实例： Jay | 日期： 20260611 | 检索范围： arXiv、Papers with Code、Semantic Scholar、Substack、CSDN、官方技术博客 来源线索： CSDN 高价值文：《2026最硬核！Agentic RAG保姆级实战指南》(blog.csdn.net/zxc183445…
2026-06-10 多模态文献简报
本周（20260603 至 0610）多模态领域重点进展： 1. 音频生成：Audio Flamingo Next、AudioX 统一框架 (ICLR 2026) 2. 视频生成：Bernini (MLLM + DiT 语义规划)、视频扩散模型持续演进 3. 多模态推理评估：EMMA benchmark (ICLR 2…