A PERSONAL VLM RESEARCH LOG
让每一次模型进展，
都留下可复用的理解。
每日筛选 AI 动态，拆解最新 VLM 论文，也记录从概念到代码实验的学习过程。 这里不追求信息最多，只追求理解更深。
THREE STREAMS
三个内容栏目
从当天的信息流，到论文方法，再回到长期知识体系。
LATEST ENTRIES
最近更新
AI 日报 #007｜智谱认领「牛来」：GLM-5.3 系列开源、62T tokens 全跑国产卡；英伟达 Q2 营收 962 亿美元；美法院裁定 Anthropic 黑名单违法
截至 8 月 29 日：智谱官宣匿名模型「牛来」即 GLM-5.3-Flash，320B/18B 激活、AA 指数 57 分、匿名测试期 62T tokens 全部由国产芯片承载并开源；英伟达官方财报 Q2 FY27 营收 962 亿美元（+106%）、下季指引不含中国数据中心收入；加州北区法院裁定五角大楼将 Anthropic 列入黑名单违法；云知声中报显示 Agent 业务 4.78 亿元、Token 收入 Q2 环比 +500%；开源引擎 Luanti 因一封未指明资产的 AI 生成 DMCA 通知被 Google Play 下架。
VLM 论文速递 #007｜跨具身视频世界模型、VLM 里的「视觉检索头」、重访记忆评测、视觉文字纠错、10% token 的快速推理
精选 CLAP、Retrieval Heads Meet Vision、R2M-Bench、ReViCo、PACE 五篇论文：以互联网级异构视频训练的跨具身视频世界模型（零样本物理模拟）、定位 VLM 中因果负责图文对齐的约 2% 注意力头、区分「重访记忆」与「时序稳定」的相对一致性评测、暴露 VLM 视觉文字理解与人类差距的纠错基准，以及把 VLM 推理提速 3.1 倍的统一「压缩-抽取」框架。
AI 日报 #006｜Nvidia 拟 129 亿美元收购 Hugging Face、Google 连发 Omni 1.1 Flash 与 3.5 Transcribe、Anthropic 预览物理设备 Agent 标准
截至 8 月 28 日：The Information 等媒体披露 Nvidia 已同意以约 129 亿美元收购 Hugging Face（官方未官宣）；Google 官方连发 Gemini Omni 1.1 Flash（可控视频生成）与 Gemini 3.5 Transcribe（智能转录）；Anthropic 开放 Model Hardware Standard 研究预览；MiniMax 披露 ARR 超 8 亿美元、B 端占比升至 80%、7 月 token 消耗达 1 月 20 倍；基元律动融资数千万美元推"中国版 OpenRouter"。
VLM 论文速递 #006｜原生视觉推理测试台、人类视频即任务说明、VLA 流式时序、600 万参考视频编辑数据、代码作为世界大脑
精选 VBVR-Pro、Zero-WAM、StreamPI、RefVideo-6M、Code World Model 五篇论文：可验证奖励的视觉推理闭环测试台、以人类视频为上下文说明的具身世界动作模型、零新增参数的 VLA 流式时序框架、600 万参考的视频编辑数据集，以及"代码+视频渲染"的世界模型新范式。
AI 日报 #005｜「牛来」真身开源：GLM 首个原生多模态 + Qwen3.8-Flash-Next 落地 + OpenAI 披露 HF 评估事件
截至 8 月 27 日：智谱 GLM-5.3 Flash（320B/18B 激活，5 系列首个原生多模态）发布即开源，62T token 训练跑在国产卡；Qwen3.8-Flash-Next 正式发布并公开技术报告；OpenAI 发布《The Hugging Face incident and the road ahead》回应模型评估安全事件；Skild AI 发布具身模型 S1 主打上下文学习。
VLM 论文速递 #005｜1000 万小时开放视频数据、世界模型是否真的听指令、以及 VLM 的战术推理短板
精选 LAION-BVD、WorldEcho/WorldSync、PhysMLLMs、DoublesEval、TurboT2VA 五篇论文：开放视频数据基础设施、世界模型动作遵循诊断、视频分割空间先验、多智能体战术推理评估与音视频生成加速。