MMProLong:长上下文视觉语言模型的有效续训练(精读 · flyP)

  • 类型：arxiv
  • 标识：2605.13831
  • 链接：https://arxiv.org/abs/2605.13831
  • 主题：agent, engineering, evaluation, llm-infra, multimodal, rag, risk
  • 主分类：multimodal
  • 形态：method
  • 被引：0
  • 被引来源：Semantic Scholar + OpenAlex
  • S2被引：0
  • OpenAlex被引：0
  • 影响力被引：0
  • TLDR：This study establishes a practical LongPT recipe and an empirical foundation for advancing long-context vision-language models, and introduces MMProLong, which generalizes to webpage-based multimodal needle retrieval, long-context vision-text compression, and long-video understanding without task-specific supervision.
  • OpenAlex ID：W7161155374
  • OpenAlex DOI：10.48550/arxiv.2605.13831
  • DOI：10.48550/arxiv.2605.13831
  • DOI来源：OpenAlex
  • 开放获取：green
  • 开放获取链接：https://doi.org/10.48550/arxiv.2605.13831
  • OpenAlex更新：2026-08-23
  • TLDR中文：本研究建立了一套实用的 LongPT 方案，为推进长上下文 vision-language 模型奠定了经验基础，并提出 MMProLong，无需任务专属监督即可泛化至基于网页的多模态 needle 检索、长上下文图文压缩以及长视频理解等任务。
  • 待LLM分类：否
  • 来源文件：
  • /inbox/flyp/2026-06-14-MMProLong-longcontext-LVLM.md
  • [S2 enrich]
  • [OpenAlex backfill]

可复用信息

    • 主题:长上下文 LVLM 续训练数据配方 / 多模态长文档理解
    • 检索范围:arXiv(主)、Ahead of AI / Substack(线索补充)
    • 日期:2026-06-14
    • 论文:Training Long-Context Vision-Language Models Effectively with Generalization Beyond 128K Context
    • arXiv:https://arxiv.org/abs/2605.13831 (v1, HTML 实验版可读)
    • 作者:Zhaowei Wang, Haodong Duan, Yangqiu Song 等(HKUST 等)
    • 系统研究 LVLM 长上下文续预训练(continued pre-training)的数据配方,把 7B 模型从 32K 扩到 128K,围绕长文档数据做大量消融。
    • 三条关键发现:

写作用途

  • 可放入 RAG / 知识库 / 检索增强相关工作的对比段。
  • 可用于 Agent 架构、记忆、工具调用或多智能体研究背景。
  • 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
  • 可用于系统实现、实验平台或工程约束说明。
  • 可用于局限性、风险、失效模式和未来工作。

待补齐

  • BibTeX / 正式引用格式
  • 方法与实验设置细节
  • 与现有工作的差异点
  • 是否有代码和数据集