Glyph: Scaling Context Windows via Visual-Text Compression
如果大家不知道这篇工作在研究什么，直接去看deepseek-ocr就行...作者发现可以把长文里面的一堆字直接放在一张图片里，然后用vlm读图的方式来压缩context。这主要是因为，一个1920x1080的图片一般能放下成千上万的字，但是vlm encode完一般也就几千token，这里就直接压缩了好几倍
这么小众的赛道还有抢发的。不过好像ai lab去年就做过一次这个事情了？
UltraCUA: A Foundation Model for Computer Use Agents with Hybrid Action
Apple出的一篇gui agent工作，作者在osworld上接入了一些code接口，让模型同时用gui和api完成任务，用这个方法把osworld/windowsagentarena进一步增强
从glm开始，最近看到挺多篇gui + code的工作...以及Apple为什么不测macosfrena
VAGEN: Reinforcing World Model Reasoning for Multi-Turn VLM Agents
这篇工作的作者列表挺重量级的Li Fei-Fei, Yejin Choi, Manling Li，故事讲的挺大的，但是其实做的东西就是把vlm agent做预测拆分。作者认为如果把传统agent的输出改成 obs + think + prediction的模式，其实是学习让模型称为world model。但聪明的小伙伴会说，我直接用一个think字段，也可以说这些，表示能力还更强？所以作者的区别在于，找了几个场景，上面恰好可以给obs和prediction字段单独做reward，发现把world model loss和正常的gae reward放在一起，比直接训rl效果更好。
