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 #008｜腾讯开源 Hy4 Preview：770B/49B、首次参与自身研发；Anthropic 让 Claude 训练 Claude——时薪 4 美元跑赢人类安全研究员；本地部署「变笨」根因锁定推理栈数值差异
截至 8 月 30 日：腾讯官方发布并开源 Hy4 Preview（770B 总参/49B 激活、超 1M 上下文，官方称模型首次参与自身训练与推理优化、端到端吞吐 +31.8%）；Anthropic 公布自动化对齐研究员（AAR）——Claude 在欺骗任务平均弥合 85% 安全差距、6 名人类研究员仅 20%，较弱的 Sonnet 5 用 60 小时与约 2000 条数据逼近生产版对齐水平；社区实验锁定本地部署「变笨」根因：推理栈浮点数值差异在长上下文累积导致 Top-1 翻转；OpenClaw 从现象级到退潮的复盘；另有 OCR It、阿里 Qoder 桌面端、Anthropic 模型硬件标准预览、vLLM v0.28.0 简讯。
VLM 论文速递 #008｜表格只要 64 个 token、告别截图点击的 GUI 接口、解耦规划与控制的具身 Agent、医学 VQA 落地到像素、多模态 Agent 的记忆森林
精选 A Table Is Worth 64 Tokens、ASIL、Instruct-to-Act、MedREAL、GraphMemix 五篇论文：像素级表格压缩让长文档 QA 省 41% token 且 +7 准确点、以结构化状态与语义动作替代截图点击的软件操作接口、把 VLM 规划与世界模型控制解耦的具身系统、从临床推理对齐到像素级分割的医学多模态框架、以及用证据森林组织多模态长期记忆的组合优化方法。
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。