先看后答：视觉基础后训练提升视频理解
深度2026年4月6日30 分钟阅读
最有趣的发现是：广泛使用的视频理解评测和后训练数据集中存在大量仅需文本即可回答的问题，这严重低估了视觉语言模型的实际视频理解需求。计算机视觉、多模态学习领域的研究者，以及关注模型评估方法的研究人员都应该阅读这篇论文。
觉得有用？分享给更多人
相关文章
Google 推出 GKE Agent Sandbox 和 Agent Substrate，承认 Kubernetes 并非为 AI Agent 设计。Sandbox 提供安全沙箱运行不可信代码，Substrate 则是一个轻量级调度层，支持大量闲置会话的复用。
深度The New Stack·7月15日·7 分钟
Linux 基金会在六周内成立了 Tokenomics 基金会、Appia 基金会和 X402 基金会，分别聚焦 AI agent 的 token 成本标准化、安全合规验证以及无账户即时支付。x402 协议已获 AWS、Cloudflare 部署，过去 30 天处理超 7500 万笔交易。
深度The New Stack·7月15日·5 分钟