https://inkeast.github.io/MessageDaily/tags/%E9%95%BF%E4%B8%8A%E4%B8%8B%E6%96%87/Recent content in 长上下文 on MessageDailyHugozh-cnWed, 09 Sep 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-09-09-simplememvla-native-video-memory-paper-reading/Wed, 09 Sep 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-09-09-simplememvla-native-video-memory-paper-reading/HUST×清华×面壁智能等推出 SimpleMemVLA：去掉检索/压缩/循环等专门记忆模块，把完整采样历史以时间戳视频格式直接喂给 VLM 主干，子任务隐藏状态作为唯一记忆通道。四个记忆基准全部 SOTA（RoboMME 88.3% vs 检索 31.5%/压缩 22.6%/循环 20.6%，真值感知上限也仅 84.1%），通用控制无损（LIBERO 97.5%），因果干预证实策略真实读取历史。https://inkeast.github.io/MessageDaily/posts/2026-09-05-random-attention-kv-eviction-paper-reading/Sat, 05 Sep 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-09-05-random-attention-kv-eviction-paper-reading/Salesforce AI Research×UIUC 的 Random Attention 证明：长推理场景下 KV 缓存驱逐的’重要性打分’几乎无用——在每个注意力头内均匀随机驱逐、完全不计算分数，即可在 4 个模型×6 个推理任务上匹配最强选择器，且在 vLLM 分页 serving 下因省去打分 pass 快 32–43%。本文基于全文阅读拆解其三层机制解释与实验设计。