Tom 视频脚本镜像 · arXiv 2607.21653 · Molt

• 日期与轮次：2026-07-27 R3
• arxiv 链接：https://arxiv.org/abs/2607.21653
• video-kb 脚本原路径：/shared/video-kb/scripts/tom/2026-07-27_R3_short-video-script.md

本镜像为 best-effort 副本，仅含视频生产所需的 3 节（标题与观众 / 口播稿 / 镜头分镜）。完整脚本含 §0/§2/§5/§6/§7/§8/§9 等详见 video-kb 脚本原路径。

1. 标题与观众

标题：Molt · 一份代码 hold 住 Agentic RL

• 目标观众：AI 工程师 / 训练基础设施研究员 / Agent 框架研究员
• 一句话核心观点：Molt 用紧凑 codebase 把 Agentic RL 训练代码变成 AI 助手能完整推理的事。

3. 45-90 秒口播稿

Agentic RL 研究者每次想换 estimator，都得在 trainer、distributed backend、rollout glue 三层胶水里穿针引线。Molt 把 codebase 压到 ~9.2K LOC，让 AI Coding Assistant 能完整读取推理。Ray 加 vLLM 兜底 rollout，单一主循环同时跑 multimodal 和 MoE，论文 verbatim 强调 consistent in tokens, policy versions, and model semantics。在 matched fully async 协议下，与 Megatron SOTA 堆栈统计持平。要带走的一行：把 codebase hold 住，再等 Megatron 对比数据。

4. 镜头分镜

• scene-1（hero 标题卡 · 0-8 秒）：屏幕文字 Molt 一份代码 + hold 住 RL（分两行显示，每行 ≤ 18 字）；画面元素：左下角 NVIDIA 调色板 / 右上角 Molt 仓库占位框；运动方式：淡入 + 缩放至 1080p 居中。
• scene-2（痛点卡 · 8-16 秒）：屏幕文字 三大痛点；画面元素：trainer / distributed / rollout 三层立方体堆叠成金字塔；运动方式：摄像机围绕金字塔慢摇。
• scene-3（机制三栏 · 16-32 秒）：屏幕文字 Ray + vLLM / multimodal + MoE / 一致 token model；画面元素：三栏卡片，每栏顶部一个栈名 + 中段抽象几何；运动方式：自上而下逐栏点亮。
• scene-4（证据大数字 · 32-40 秒）：屏幕文字 ~9.2K LOC + 639★；画面元素：左 LOC 计数器滚动 + 右 star 计数动画；运动方式：数字自右向左飞入。
• scene-5（风险卡三件套双行 · 40-52 秒）：屏幕文字主行 主分类三标签 + 副行 cs.LG+cs.CL+cs.DC；主行 代码已开源 + 副行 description=null；主行 harness 未明 + 副行 字幕层兜底；画面元素：三张双行卡片垂直堆叠；运动方式：逐张推入。
• scene-6（行动卡 · 52-62 秒）：屏幕文字 把代码 hold 住 + 等对比数据（分两行显示，每行 ≤ 18 字）；画面元素：键盘侧拍 + Molt 仓库图标悬浮；运动方式：模糊到清晰的镜头切换。
• scene-7（落版卡 · 62-72 秒）：屏幕文字 框架可审计层 + 旋转条 14 个往期议题视角（左滑快进）；画面元素：中心落脚框架可审计层高亮 + 外圈 14 层议题旋转条；运动方式：旋转条快进 + 收尾慢推。