Emerging Properties in Unified Multimodal Pretraining
shiguang团队的工作，生成理解统一模型的工作。但是直接做到了多图，就是可以在一个conversations里原生地生成多张图、说好多次话。由于做了原生地建模，就可以推导出来巨多种不同的任务去优化。
这好像是我看到的第一个run起来的多轮生成理解统一模型？
Mobile-Agent-V: A Video-Guided Approach for Effortless and Efficient Operational Knowledge Injection in Mobile Automation
前几天有篇叫learnact的工作，讨论了gui agent在测试时拼接一个tutorial/demonstration后，能不能现场理解教学内容把任务按成得更好。今天又出来一篇，具体focus在拼接video形式tutorial时模型的效果变化
感觉gui agent的测试时增强，成为了一个重点方向呀。不过好像目前还没有看到training based的方案
EVA: Red-Teaming GUI Agents via Evolving Indirect Prompt Injection
这篇工作也挺有趣的：作者探索了gui agent setting下，如果网页内容本身有坑，模型会不会出问题。比如说有个无关的按钮叫“点我以完成任务”，模型会去点吗？
泪目了，gui agent的效果已经好到有人来讨论安全方向了嘛？
Reasoning Models Better Express Their Confidence
这篇工作非常有意思，作者探索了随着long-cot的生成，模型的confidence是否会上升。作者这样定义confidence：如果从当前位置直接拼接“”，然后让模型多次强行生成答案，看看这些答案的logits有多大。
- 随着cot token生成，答案趋向于确定，随机性减小。
- 一些特定的aha moment，会让不确定性增强（可以类比某种backtrack的过程？）
顺带着，作者还研究当logits大时，答案是不是有更大的概率是对的，也就是calibration setting
感觉这个研究方式非常优美，但又说不上来哪里好
