继续跟进【】解析进展。在前期介绍了非常多的多模态视觉语言模型在OCR场景的方法思路，在模型架构上，基本都是vit+MLP+LLM的框架，以自回归（AR）【即文本以从左到右、逐个词元的方式生成。】的方式进行OCR解码，存在顺序延迟问题，其延迟与文档长度呈线性关系。AR的因果生成导致错误传播，即初始错误会在输出中逐级放大。如上图，MinerU-Diffusion引入了一种不同的范式，将文档OCR重构为

继续跟进【】解析进展。在前期专栏中总结过，文档解析范式分三个：（1）基于ocr-pipeline；（2）基于layout+vlm的两阶段；（3）基于vlm端到端；Qianfan-OCR是一个4B参数量的端到端的多模态文档解析模型，，其方法体系围绕四大核心展开，下面来看看方案。

LLM/MLLM RL微调的时大概率都踩过这个致命的坑：90%的GPU算力都花在了rollout采样上，可模型精度就是纹丝不动；训到后期看梯度，几乎全是接近0的无效值，烧了算力，全做了无用功。没有卷更复杂的策略梯度算法，也没有堆更花哨的奖励函数设计，而是回归「数据」这个最本质的问题，用一套简单的方案提升RL训练效率。

继续跟进【】解析进展，小红书今天又开源了一个多模态文档解析模型：基于qwen3-vl-2B参数微调训练的参数量的FireRed-OCR，与paddleocr-vl等不同的是Layout阶段采用的也是2b的模型（整体方式与mineru2.5相似）。下面来看看整体的方法。

这篇论文《The ®Evolution of Multimodal Large Language Models: A Survey》提供了对多模态大型语言模型（MLLMs）领域的全面回顾。引言：介绍了MLLMs的重要性，它们通过整合视觉和文本模态，提供了基于对话的接口和遵循指令的能力。论文强调了在这一领域进行研究的重要性，并概述了研究的三个核心方面：模型架构、训练方法和任务设计。赋予LLMs多模态

本文主要看一下翻译模型的GRPO奖励函数设计。

我的配置备份vocode setting.json// ---------------------latext---------------------------------"latex-workshop.latex.autoBuild.run": "never","latex-workshop.showContextMenu": true,"latex-workshop.intellisens

qwen3炼丹真是全是技巧，下面来看看，仅供参考。

一、最大匹配法  最大匹配是指以词典为依据，取词典中最长单词为第一个次取字数量的扫描串，在词典中进行扫描（为提升扫描效率，还可以跟据字数多少设计多个字典，然后根据字数分别从不同字典中进行扫描）。最大匹配算法有三种：  1、正向最大匹配  2、逆向最大匹配  3、双向匹配  三种算法原理都一样，以正向为例，是从前向后扫描的过程。如下：二、使用北大训练集实现正向最大匹配1、数据集（从中选取北大的训练集

传统的 RAG 方法在处理针对整个文本语料库的全局性问题时存在不足，例如查询：“数据中的前 5 个主题是什么？对于此类问题，是因为这类问题本质上是查询聚焦的摘要（Query-Focused Summarization, QFS）任务，而不是传统的显式检索任务。Graph RAG 通过使用 LLM 构建基于图的文本索引，从源文档构建知识图谱。通过构建知识图谱，能够将复杂的、大规模文本数据集转化为易于