#VLM

AI / LLM

바이두의 Unlimited OCR Works(arXiv 2606.23050)와 샤오미의 Xiaomi-OCR-0 기술 보고서(arXiv 2609.36136)를 함께 읽는다. 전자는 DeepSeek-OCR의 디코더 어텐션을 전부 R-SWA로 바꿔 KV 캐시를 상수로 묶고 수십 페이지를 한 번에 읽게 했고, 후자는 0.8B 모델에 1.7억 샘플 데이터 엔진과 Mix-RL을 얹어 OmniDocBench v1.6 96.83을 냈다. 긴 문서가 왜 VLM OCR을 무너뜨리는지, 두 논문이 각각 어느 축을 밀었는지, MinerU2.5와의 3자 비교, 한계를 정리한다.

AI / Robotics

VLA(Vision-Language-Action) 시리즈 1편. 모방학습과 언어 조건 정책에서 출발한 로봇 학습이 어떻게 RT-1(3,500만 파라미터 트랜스포머)을 거쳐 RT-2(VLM을 그대로 로봇 정책으로 쓰는 모델)에 이르렀는지, 왜 '행동을 텍스트 토큰으로' 표현하는 한 가지 선택이 인터넷 지식을 로봇 팔로 옮겨 왔는지 정리한다. 2026년 11월 시점의 모델 지형과 6편 로드맵도 담았다.

AI / LLM

OpenDataLab의 MinerU2.5 기술 보고서 리뷰. 저해상도 썸네일로 레이아웃을 잡고, 원본 해상도 crop에서 텍스트·수식·표를 읽는 2단계 구조로 1.2B 모델이 OmniDocBench 90.67점을 기록했다. 데이터 엔진(IMIC), ADR 수식 처리, OTSL 표 표현, 처리 속도까지 정리하고 README 기준 실행 방법을 덧붙인다.