MiroThinker采用单智能体ReAct框架，以“思考（T）-行动（A）-观察（O）”三元组构成交互轨迹，形成迭代循环。图左侧三大工具：执行环境（执行Shell命令和Python代码等）、文件管理、信息检索：包含谷歌搜索工具（返回结构化结果）和网页抓取工具（结合轻量LLM提取任务相关信息）。

多模态大模型在“看不清”文字时瞎编答案，称为“OCR幻觉”，如下图，主要有几点：（1）预训练阶段缺乏相关数据：关键信息提取（KIE）数据以及退化视觉场景的清晰标注显著不足，限制了模型处理复杂视觉输入的能力。指令微调阶段忽视退化场景：现有研究通常假设 OCR 任务输入为非退化图像，导致模型缺乏处理真实世界退化文档（如模糊、遮挡、低对比度）所需的推理能力。下面来看看一个思路。供参考。

文档解析这条赛道真卷，《》目前整体技术路线分三类：pipline式、两阶段式和端到端。在前面，也看了《下面再来看一个两阶段方案，由layout+VLM组成-PaddleOCR-VL-0.9B。

记录一下Qwen-VL系列多模态大模型技术演进-模型架构、训练方法、数据细节，仅供参考。

以上相关技术汇聚就是目前比较火的“GUI Agent”，顺藤摸瓜的翻到了一篇关于移动端GUI Agent训练框架-（也是用于Agent Auto GLM训练的框架）。下面来看看都解决了什么问题。视觉语言模型（VLM）（如 Qwen2.5-VL、GLM-4.1V）让 “零样本交互网页 / 移动界面” 的 GUI Agent成为研究热点。这类Agent可通过感知屏幕截图 + 解析 UI 结构，自主执行

Agentar-Fin-R1 的开发pipline可概括为五个闭环阶段，每一阶段都有明确输入、处理逻辑和输出。

PathRAG 也是一种新型 Graph-based RAG 方法，通过检索索引图中的关键关系路径，减少噪声并优化 LLM 提示。其核心创新在于基于流的剪枝算法和路径为基础的提示策略，特别适用于捕捉复杂数据集中的关系。（其实可以看做三种Graph-based RAG对比总结（PathRAG、GraphRAG、LightRAG）：•：通过从索引图中检索关键的关系路径来减少冗余信息。PathRAG使用

qwen3炼丹真是全是技巧，下面来看看，仅供参考。

来看一个PPT生成思路：PPTAgent。传统的PPT生成方法通常使用端到端的文本生成范式，这种方法。PPTAgent 采用了一种基于编辑的生成范式，解决处理方面的挑战。传统方法的每个幻灯片SSi1∑n​ei​fC其中，n表示幻灯片上的元素数量，C表示由章节和图形组成的源内容。每个元素ei​由其类型、内容和样式属性（如边框、大小、位置等）定义。与传统的生成方法相比，PPTAgent 采用了一种基于

本文仅看下这个，因为从之前介绍的多个模型如：《》、《》等多模态大模型及《》的结论看，原生分辨率能够有效提升多模态大模型的性能，并广泛得到使用，InternVL3.5仍然使用着动态高分辨率，但这会带来token数量的增加，从而影响推理效率，但这次增加了一个，让其可动态选择视觉 token 的最小分辨率，从而实现更好的推理效率。