📌 本期解析 DeepSeek 发布的多模态大模型 DeepSeek-V4.1-Flash，相比 DeepSeek V4 结构大改，已经集成先前 DeepSeek 几项实验性技术：mHC/Engram/DSpark，以及 CED/CSA2 的架构创新，本期详细解析🔥

📌 今天解析面试题：SFT训练到什么程度，才值得做RL？

📌 本期解析Qwen3.8-Flash-Next 模型架构（Qwen-4 架构前瞻版本），可以对照 GLM-5.3-Flash 架构理解。📌 包含知识点：🌟 GDN 混合注意力架构🌟 QSA（Qwen Sparse Attention）/ 蒸馏训练 CPT🌟 GR（Gated Residual）🌟 N-gram 嵌入层

📌 今天来解析 DeepSeek 的新论文 Engram，最近 DeepSeek 频发论文，是不是要为发布模型预热📌 论文背景：当前MoE模型通过条件计算实现了模型容量的扩展，但 Transformer 本身缺乏原生的知识检索机制，造成语言任务的动态推理与静态知识检索需求未被有效解耦。🔥Engram 的解决方案：在大模型主干上的一部分Transformer Block中增加一个N-gram单

📌 百度本次开源的模型是在PaddleOCR-VL基础上的升级版 PaddleOCR-VL-1.5，仍然保持 0.9B 的轻量级两阶段任务建模，核心改进点：🌟 布局检测模型架构升级：采用 PP-DocLayoutV3 布局检测模型实现像素级文档元素定位。🌟 训练策略与数据增强：引入强化学习后训练(GRPO)，解决标注风格不一致问题。🌟 推理效率优化：采用异步多线程流水线架构。📌 实验效果

📌 本期 Update 一下大模型强化学习总结篇章，Scope从早期RL算法到最新已经集成到verl/trl框架中的SAPO/GDPO等。📌 围绕大模型RL算法回顾 PPO、DPO、GRPO、DAPO、Dr.GRPO、GPG、GMPO、CISPO、GFPO、GSPO、SAPO、GDPO 的发展历程。

📌本期代码实践一个多模态RL Agent项目，使用DAPO强化学习让模型先工具调用（Tool Use）编辑图像，再通过工具观察结果（Observation）促使模型在增强视觉上更准确回答✅。📌 可以学习的相关知识点及技术栈：🌟 VeRL框架DAPO实现。🌟 多卡分布式RL训练实践。🌟规则/模型奖励设计。🌟 Agent RL训练范式（拓展DeepReseach、Think with Im

📌 本期解析字节大模型面试题：“多模态大模型的动态分辨率是怎么做的？”📌 目前主流的两种动态分辨率方案：🌟 原生动态分辨率（Native Dynamic Resolution）🌟 基于切片的动态分辨率（Dynamic Tiling）

📌 本期解析面壁智能多模态大模型面试题：“多模态大模型缓解长序列计算瓶颈的方法？多模态大模型视觉Token压缩方法？”

📌 今天来总结一下之前解析的多模态大模型（OCR）的架构区别，包括：🌟 百度：PaddleOCR-VL、PaddleOCR-VL-1.5🌟 小红书：dots.ocr🌟 DeepSeek：DeepSeek OCR、OCR 2🌟腾讯：HunyuanOCR🌟 Shanghai AI Lab：MinerU2.5