搜索Ctrl K
  • 榜单数据10-26 10:31
  • 论文数据10-26 14:24
  • 周报10-26 14:44

前沿论文周报 · 2026 年第 43 周

未发布阅读约 12 分钟AI 起草 · 人工审核已核查

本期周报由 AI 根据每日论文数据起草，深度精读基于论文正文，经独立的 AI 事实核查未发现存疑项，未经人工逐篇审核；数字与结论以论文原文为准。

各期周报

本周概览

具身智能方向本周 P1 篇数为 12，高于前 4 周 P1 周均 7.8 篇；代表工作包括在冻结 VLA 基座上合并多技能的 NestedVLA，以及表明充分训练后单步动作生成与多步 ODE 采样基本一致的实证研究[1][2]。世界模型方向本周 P1 篇数为 4，高于前 4 周 P1 周均 1.8 篇；AEON 在视频 latent 中生成可渲染 4DGS，统一视频与 3D 世界模型，DRILL 则按策略回报而非像素误差训练世界模型[3][4]。本周共 1177 篇，其中 P1 59 篇；基础模型组的代表工作有 agentic RL 数据缩放律、长程记忆检索与 Agent 失对齐评测[5][6][7]。

研究热点

按重要性排序；动向由 AI 依据下方统计和论文内容判断

1VLA 技能合并、视角与单步推理

升温

具身智能VLM

具身智能方向本周 P1 篇数为 12，高于前 4 周 P1 周均 7.8 篇。NestedVLA 在无原始数据时用超网络为各任务生成 action-expert 更新，在冻结基座上合并多技能[1]；CondenseVLA 用可学习 slot 压缩多帧视觉历史[8]；FocusVLA 以未来交互意图引导多视角动态路由[9]。对六款 flow matching VLA 的实证显示，充分训练且容量足够时单步动作生成与多步 ODE 采样基本一致[2]。接触丰富的操作方面，FR-VLA 在 VLA 内估计力反馈相关性并调制力通路[10]，UniRAP 将语言指令映射为部件级接触几何与交互姿态[11]。

代表论文

2视频—3D 世界模型统一与策略对齐

升温

世界模型具身智能

世界模型方向本周 P1 篇数为 4，高于前 4 周 P1 周均 1.8 篇。AEON 在视频 latent 中生成可渲染 4DGS，桥接视频与 3D 世界模型[3]；PPMem 用平面基元作紧凑持久 3D 记忆，长镜头大视角下仍保持连贯[12]；EmbodiedWorld-200K 发布开放世界具身导航规划数据，并用视频世界模型作环境代理做 RL 后训练[13]。DRILL 按策略回报而非像素误差优化世界模型[4]；State World Models 将规则驱动的状态演化与冻结视频模型的渲染解耦[15]。

代表论文

3Agentic RL 与有状态代码环境

持续

代码 AgentLLM

BIRD-RL 以四阶段 agentic RL 与轨迹级持久执行基础设施训练 SQLite SQL 调试，7B/14B 模型的成功率接近 Claude-Opus-4.6 Agent[16]。另一项工作把 agentic RL 数据分解为 task、environment、trajectory 等轴拟合缩放律，结论是环境多样性优先[5]。评测方面，SWE-Bench Pro V2 经专家审计任务并硬化评测协议[18]，SWE-Residual 评测「脏起始状态」下的续作能力[19]；Lean4AgenticRL 用 Lean4 形式化多级过程奖励训练 SWE 与终端 Agent[17]。

代表论文

4VLM 长上下文、grounding 与回访

持续

VLM

VLM 方向本周 P1 篇数为 13，高于前 4 周 P1 周均 9.3 篇。长视频方面，FrameScout 用流式 keyframe selector 选取与查询相关的帧[21]，OTFS 把帧选择表述为证据分配并用最优传输求解[22]；LoRe 在单轮推理内预测关键区域并强化对应的 KV cache[23]。ANCHOR 基准评测 MLLM 的推理是否与时空和音频证据对齐[24]。后训练分析指出，多轮 RL 主要让 LLM 层更关注视觉 token，而非改善视觉编码的感知[27]；RECAP 用视觉回访信号改进 CoT 推理的图像 grounding[26]。

代表论文

5Computer-use 安全、记忆与合成环境

持续

GUI Agent工具调用

WildAWM 用开源模型合成可执行的 GUI、MCP 与 CLI 环境及长程任务，在此训练的智能体在 8 个 OOD 基准上泛化提升[28]；Agent S4 从任务轨迹演化 computer-use 接口与用法知识[33]。安全方面，SPIDES 用元素级信息流控制门控浏览器 Agent 的动作[29]，MobileInject 基准揭示 MLLM 移动智能体的早期推理劫持[30]。奖励与评测方面，VeriCUA 让可训练的 Judge 学习查什么与何时停止验证[31]，PersonaCUABench 显示按不同 persona 改写指令会降低 CUA 任务完成率[32]。

代表论文

6视频生成控制、物理与评测

持续

视频生成世界模型

视频生成方向本周 P1 篇数为 2，高于前 4 周 P1 周均 1.3 篇。MVIP 用 meta-learning 学习跨时间的 meta-prompt，实现高效的视频逆提示[34]；Holo4D 以前馈 4D 重建轨迹作 scaffold 引导预训练视频扩散，在新相机轨迹下重拍单目视频[35]；CausalAlign 诊断扩散模型中的 ego-motion 表征，并用 delta-token 对齐 3D 基础模型[36]。长时生成与评测方面，Clean Forcing 在冻结的自回归视频扩散基座上训练轻量 LoRA 校正漂移[37]，PVBench 以物体级测量评估物理合理性[38]，StreamEval 评测流式交互视频生成[39]。

代表论文

热点统计

由站点根据每日数据计算，与周报起草时提供给 AI 的统计口径一致

本周入选 1177 篇：P1 顶会 59 · P3 顶级机构 192 · 未分级 926

各方向本周与前 4 周均值

按论文主方向 · 对比 W39、W40、W41、W42

本周 P1前 4 周均值（P1）
各方向本周与前 4 周均值（只算 P1）17 个研究方向的 P1 论文本周篇数与前 4 周均值的对比，按论文主方向计数；详细数值见数据表。文生图图编辑视频生成3D 生成Visual2Code3D2CodeGUI Agent代码 Agent工具调用世界模型具身智能VLMOCR音频多语言与翻译LLM统一多模态1 篇3 篇1 篇0.8 篇2 篇1.3 篇2 篇2.8 篇0.3 篇1 篇1 篇1.3 篇1.8 篇4 篇1.8 篇12 篇7.8 篇13 篇9.3 篇1 篇0.8 篇5 篇9.5 篇1.5 篇17 篇16 篇0.5 篇
查看数据表
研究方向本周前 4 周均值本周 P1前 4 周均值（P1）
文生图3233.513.0
图编辑1610.010.8
视频生成4845.321.3
3D 生成1115.322.8
Visual2Code01.800.0
3D2Code24.800.3
GUI Agent2624.501.0
代码 Agent6464.811.3
工具调用4646.001.8
世界模型7889.041.8
具身智能200263.8127.8
VLM172182.0139.3
OCR149.310.8
音频119163.059.5
多语言与翻译1914.001.5
LLM322344.51716.0
统一多模态810.800.5

口径：按论文主方向计数；均值为前几周中有每日数据的周的周均篇数，保留 1 位小数。2026-10-14 及以前为历史补采，作者单位只来自 OpenAlex，P3 论文明显偏少；前后对比以 P1 为可比口径（默认显示）。

本周高频关键词

AI 要点关键词 · 前 15 个，按论文数

本周高频关键词共 15 个分类、1 个系列；最大值为 benchmark（83 篇）。详细数值见数据表。benchmarkLLM agentVLMVLAworld modelGRPOMLLMLLMreinforcement learningrobot manipulationmulti-agentChain-of-ThoughtPost-trainingCoding Agentsim-to-real83 篇79 篇76 篇70 篇56 篇45 篇44 篇40 篇39 篇36 篇31 篇28 篇28 篇25 篇25 篇
查看数据表
关键词论文数（篇）
benchmark83
LLM agent79
VLM76
VLA70
world model56
GRPO45
MLLM44
LLM40
reinforcement learning39
robot manipulation36
multi-agent31
Chain-of-Thought28
Post-training28
Coding Agent25
sim-to-real25

口径：同一篇论文中的同一关键词只算一次，大小写与全半角归并。

深度精读

基于论文正文撰写；每条出处的英文原句都经管线核对，确认在正文中逐字出现，结论中的数字出现在原句中

AEON: Unifying Video and 3D World Models

AEON：统一视频与 3D 世界模型

arXiv:2610.28631P1 顶会正文（arXiv HTML）参考来源 [3]

要解决的问题
视频世界模型外观逼真但难保三维一致；三维世界模型几何一致却常偏静态、 realism 不足。领域缺少统一显式表示，难以同时满足逼真观感、动态演化、三维一致、场景持久与实时探索。
方法
以 4D Gaussian Splatting 为显式世界表示，在预训练 video DiT 的条件 video latent 中生成可渲染 4D 图元。先训练单目 4DRM（深度、Gaussian 外观、动态演化、相机四头），再用 dual-path Domain Adapter（ridge 线性支路 + Perceiver Bridge）将生成 latent 蒸馏到重建 latent，学生 4DRM 解码 4DGS；沿预测相机轨迹渲染做视频式建模，分重建、蒸馏与端到端渲染三阶段训练。
主要结果
在 30 个图文场景的 4D 生成上，AEON（Wan 2.2）VBench 的 I2V Subject 0.913、Subject Consistency 0.875、Motion Smoothness 0.980、Aesthetic Quality 0.531，优于 4DNex 与 Lyra。Dycheck / DaVis 视频到 4D 重建 PSNR 为 14.487 / 24.661，SSIM 0.421 / 0.771，LPIPS 0.469 / 0.243，优于对比方法且推理无需外部位姿或单目深度。野外新轨迹渲染在六项 VBench 指标中四项最佳。
局限
生成 4D 场景的时间跨度受视频扩散模型序列长度限制。生成视频中从未被观测的区域无法恢复，视角变化过大时可能出现空洞，需后续生成式补全。
意义
在单一框架内衔接 video latent 生成与 4DGS 显式几何，使世界模型同时具备逼真渲染、动态与持久 4D 环境及实时探索能力，便于机器人仿真、物理量估计与场景编辑等应用。

正文出处

  1. Table 24D 生成任务上 AEON（Wan 2.2）在 VBench 四项指标达 0.913、0.875、0.980、0.531，整体优于基线。

    AEON (Wan 2.2) 0.913 0.875 0.980 0.531

  2. §4.1§4.1 称 AEON 在 Table 2 所设 4D 生成对比中优于全部基线。

    As shown in Table 2, AEON outperforms all baselines.

  3. Table 3Dycheck 与 DaVis 重建上 AEON 的 PSNR、SSIM、LPIPS 分别为 14.487/0.421/0.469 与 24.661/0.771/0.243。

    AEON 14.487 0.421 0.469 24.661 0.771 0.243

  4. §4.2正文总结 AEON 在两个重建基准上 PSNR、SSIM、LPIPS 均优于对比方法。

    AEON achieves superior PSNR, SSIM, and LPIPS across both benchmarks.

  5. §4.3新轨迹渲染在六项 VBench 指标中有四项得分最高，另两项仍具竞争力。

    AEON achieves the best scores on four out of six metrics while remaining competitive on the other two.

  6. §4.14D 生成实验在 30 个图文 prompt 场景上评估。

    We evaluate on 30 scenes, each specified by an image-text prompt.

NestedVLA: Learning to Consolidate and Generate Skills for Vision-Language-Action Models

NestedVLA：学习合并与生成技能用于视觉-语言-动作模型

arXiv:2610.23271P1 顶会正文（arXiv HTML）参考来源 [1]

要解决的问题
VLA 可习得多种机器人技能，但各 benchmark 独立微调后的策略难以事后合并：原始训练数据常无法汇总联合重训，直接融合权重又易引发任务间干扰，简单平均会大幅损失分策略性能。
方法
NestedVLA 把动作侧的「参数聚合」改为「参数生成」。各任务自同一基座独立微调得到 task vector，经 per-module drop-and-rescale 压成稀疏 skill；各任务 VLM 压缩残差单独保存，嵌在 VLA 流程内的超网络按任务 id 生成 action-expert delta。推理时在冻结基座上叠加两类更新即可实例化对应策略，不改前向结构、无需 expert 路由。 consolidation 阶段用多任务 masked MSE 训练超网络，参数空间经 patch tokenization 展开。
主要结果
在 MetaWorld、ManiSkill、CALVIN 上合并三个 FlowSDE 微调策略，NestedVLA 平均成功率 66.7%，较最强 model-merging 基线高 41.1 percentage points。ManiSkill 为 87.2%，距 per-task FlowSDE 上限 88.1% 约 0.9 pp；CALVIN 链式任务 success_at_end 为 75.0%。MetaWorld 为 37.9%，作者归因于稀疏预算而非超网络容量。三策略设定下总存储约为单份完整 checkpoint 的 1.5×。
局限
作者 Appendix H 指出：实验仅合并 M=3 个技能，未测规模扩大后的训练时间、容量与质量；新技能需扩展 per-task 模块并重训超网络；VLM 仍分任务存 top-K 压缩 delta；评估均在 MetaWorld、ManiSkill、CALVIN 仿真中完成，未涉及真机。
意义
在训练数据分 silo、无法 joint retrain 的设定下，为 VLA 多技能部署提供「生成式」事后合并思路，把容量集中在更易冲突的 action expert，相对静态与动态 weight merging 在跨 benchmark 融合上更可用，存储低于逐任务完整 checkpoint。

正文出处

  1. Abstract三基准平均成功率 66.7%，较最强 model-merging 基线提升 41.1 percentage points。

    It achieves 66.7% average success, improving on the strongest model-merging baseline by 41.1 percentage points.

  2. §4.2ManiSkill 上 multi-task hypernetwork 达 87.2%，距 per-task FlowSDE 上限 88.1% 为 0.9 pp。

    On ManiSkill, the multi-task hypernetwork reaches 87.2%, within 0.9 pp of the per-task FlowSDE ceiling (88.1%).

  3. Abstract三策略设定下总存储为单份完整 checkpoint 的 1.5 倍。

    In this three-policy setting, total storage is 1.5× that of a single full checkpoint.

  4. §4.2CALVIN 上 NestedVLA 的 success_at_end 为 75.0%。

    On CALVIN, NestedVLA reaches 75.0% success_at_end, demonstrating that a single shared ϕ can encode the skill at the precision required for chain-completion-grade evaluation.

  5. §4.4MetaWorld 上 NestedVLA 为 37.9%，相对 FlowSDE 参考 72.3% 的差距主要受稀疏预算限制。

    MetaWorld, in contrast, attains only 37.9% against an 72.3% FlowSDE reference.

  6. Appendix H当前评估仅合并 M=3 个技能，且未在物理硬件上验证。

    All experiments consolidate M=3 skills; we have not measured how training time, hypernetwork capacity, or output quality scale as M grows by an order of magnitude.

BIRD-RL: Scaling Agentic Reinforcement Learning over Stateful Data-Centric Environments

BIRD-RL：在有状态以数据为中心环境中的规模化 Agent 强化学习

arXiv:2610.29426P1 顶会正文（arXiv HTML）参考来源 [16]

要解决的问题
在有状态、以数据库为中心的任务（如 SQL 调试）中，工具型 agentic RL 常按每条 rollout 单独隔离环境，空间开销大；若复用库副本又不绑定轨迹，会导致状态泄漏与跨轨迹干扰，使 on-policy 训练不稳定。
方法
BIRD-RL 采用四阶段课程：推理模仿、多轮工具使用模仿、单轮 GRPO 推理强化、多轮有状态 agentic RL；末阶段依赖 Trajectory-scoped Persistent Execution Infrastructure，通过 worker 分区库池、轨迹 ID 绑定副本、脏感知延迟 reset，在隔离前提下复用 SQLite 副本以支撑大规模 rollout。
主要结果
Bird-Talon-7B / 14B 在 BIRD-CRITIC-SQLite 上 Success Rate 分别为 44.40% 与 48.00%，接近 Claude-Opus-4.6 Agent 的 48.20%。相对 Qwen2.5-Coder 骨干，7B、14B 分别提升 18.20% 与 14.20%。轨迹级隔离下测得在线库生命周期 I/O 相对 per-rollout 容器降低 12.8×。统一模型 Bird-Zeno-7B 在 BIRD 开发集 Execution Accuracy 为 63.90%，调试 SR 44.6%。
局限
作者明确工作目前以 SQL 为代表的有状态数据任务为主，尚未扩展到更广的数据科学流水线；奖励仍以执行正确性为主，语义级或混合奖励留作未来工作。主实验基础设施与效率分析侧重 SQLite 与所述 batch / rollout 设置。
意义
为重型有状态数据库环境提供了可扩展的 agentic RL 训练范式与可插拔执行基础设施，表明小模型经课程 RL 可在 SQL 调试上逼近强闭源 agent，并初步验证调试与生成在同一 SLM 上联合优化的可行性。

正文出处

  1. Abstract7B 与 14B 在 BIRD-CRITIC-SQLite 上 SR 为 44.40% 与 48.00%，Claude-Opus-4.6 Agent 为 48.20%。

    our 7B and 14B models achieve Success Rates of 44.40% and 48.00%, respectively, showing competitive performance against strong proprietary model-based agents such as Claude-Opus-4.6 Agent (48.20%).

  2. §5.2Bird-Talon 相对 Qwen2.5-Coder-7B / 14B 骨干在 SR 上分别绝对提升 18.20% 与 14.20%。

    Bird-Talon brings consistent gains across both model scales, improving the Qwen2.5-Coder-7B and 14B backbones by 18.20% and 14.20%, respectively.

  3. §5.3轨迹作用域持久执行基础设施将测得在线库生命周期 I/O 相对 per-rollout 容器降低 12.8×。

    Under the evaluated SQLite setting with batch size B=16 and rollout R=16, our design reduces the measured online lifecycle I/O by 12.8× compared to per-rollout containers.

  4. §1Bird-Zeno-7B 在 BIRD 开发集上 Execution Accuracy 为 63.90%。

    the unified Bird-Zeno model achieves an Execution Accuracy (EX) of 63.90% on the BIRD development set, delivering generation performance comparable to dedicated text-to-SQL models

  5. Table 4Bird-Zeno-7B 在异质任务上生成 EX 63.9%、调试 44.6%（Table 4）。

    BIRD-Zeno-7B (Ours) 63.9 44.6

  6. Appendix E工作范围目前聚焦 SQL 类有状态数据环境， broader 数据科学任务为后续方向。

    This work only focuses on SQL tasks as a representative class of stateful data-centric environments.

论文推荐

按必读、方法亮点、数据与评测、开源项目分组，每篇附推荐理由

必读5

方法亮点2

数据与评测2

开源项目1

领域洞察

按研究方向分组，各写一段本周的研究动向与判断

生成

本周 107 篇

3D 生成 11 图编辑 16 文生图 32 视频生成 48

生成组的 P1 论文中，FlashControl 把空间可控的文生图扩散模型蒸馏为一步生成器[44]，MVIP 用 meta-learning 实现高效的视频逆提示[34]，Holo4D 以 4D 重建引导视频扩散在新相机轨迹下重拍[35]。文生图侧，Agentic Image Generation in the Wild 提出 LCI 范式，用 Ranger-8B 检索参考来生成新近实体[42]；LogicVal 把文生图评测形式化为约束满足问题[45]。

相关论文

智能体

本周 136 篇

代码 Agent 64 GUI Agent 26 工具调用 46

智能体组的代表工作围绕训练环境与奖励验证：BIRD-RL 为 SQLite SQL 调试搭建轨迹级持久执行的 agentic RL 训练设施[16]，WildAWM 合成可执行的 computer-use 环境与长程任务[28]，Agent S4 从任务轨迹演化 computer-use 接口[33]，VeriCUA 学习主动验证以给出更可靠的 GUI Agent 奖励[31]。

相关论文

世界模型与具身

本周 278 篇

具身智能 200 世界模型 78

世界模型与具身组本周 278 篇。AEON 在视频 latent 中生成可渲染 4DGS[3]，EmbodiedWorld-200K 用视频世界模型作环境代理做 RL 后训练[13]，NestedVLA 在冻结的 VLA 基座上合并多技能[1]，SuperMimic 联合训练可微世界模型与人形跟踪策略[41]。LIBERO-Pro2.0 显示 17 种策略在运行时分布偏移下平均性能约降 26.5 个百分点[47]。

相关论文

理解

本周 186 篇

OCR 14 VLM 172

理解组的 VLM P1 论文中，FrameScout 为长视频选取与查询相关的帧[21]，ANCHOR 评测推理是否与音视频证据对齐[24]，PAGER 按事实在长描述中的位置修复 grounding[25]；NAME-Bench 区分断言与非断言的物体提及，指出现有幻觉检测器大量误判[49]。OCR 方向，LTEM 提出对 LLM 友好的表格 Markdown 与 STB 基准[48]。

相关论文

音频

本周 119 篇

音频 119

音频方向本周 P1 篇数为 5，低于前 4 周 P1 周均 9.5 篇。P1 论文中，DiffAQ 按帧间激活变化为量化加权，降低 2 bit Whisper 的 WER[50]；BEST 用层次中间表示与紧凑解码器做语音脑机接口解码[51]。LLT 合成音频推理轨迹以训练长听推理[52]，DuplexLedger 评测全双工语音对话中的持久记忆[53]。

相关论文

多语

本周 19 篇

多语言与翻译 19

多语组以东南亚 DeepSEA、印度语 Nemotron 合成预训练与 Eval-Suite 为主，强调低资源性能骤降与经英语 pivot 依赖；流式术语 AutoTerm-SST 展示零会话配置下术语记忆对同传质量的贡献[54][55][56]。

相关论文

基础模型

本周 330 篇

LLM 322 统一多模态 8

LLM 方向本周 P1 篇数为 17，与前 4 周 P1 周均 16.0 篇接近。P1 论文中，一项工作为 agentic RL 数据拟合缩放律[5]，TIDER 用 RL 定位证据时间窗做长程记忆检索[6]，AM-Bench 基于欺诈三角给出 Agent 失对齐分类与评测[7]，SteadyThought 用思维级偏好优化缓解推理不足并减少 token 消耗[57]。

相关论文

下周关注点

  • NeurIPS/CoRL/EMNLP 终稿密集期，关注世界模型与 VLA 论文正式版与开源跟进。
  • Agent 安全与 carryover/授权类基准或出现更多复现与防御方案。
  • 视频 AR 与流式生成评测或继续补充交互一致性与物理可验证指标。
  • GRPO 与 Agentic RL 在代码、工具与具身三域的数据配方对照值得跟踪。
  • 统一多模态后训练跨模态遗忘链式训练问题或引发更多「锚定头」类修复。

参考来源

  1. [1]NestedVLA: Learning to Consolidate and Generate Skills for Vision-Language-Action ModelsarXiv · 2026-10-19 · 正文（arXiv HTML） · 访问于 2026-10-26↩
  2. [2]When One Step Is Enough: An Empirical Study of Euler Integration in Flow-Matching PoliciesarXiv · 2026-10-23 · 摘要 · 访问于 2026-10-26↩
  3. [3]AEON: Unifying Video and 3D World ModelsarXiv · 2026-10-21 · 正文（arXiv HTML） · 访问于 2026-10-26↩
  4. [4]DRILL: Training World Models to Improve Policies, Not Predict PixelsarXiv · 2026-10-23 · 摘要 · 访问于 2026-10-26↩
  5. [5]How Data Scales in Agentic Reinforcement Learning: Laws and Synthesis StrategiesarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  6. [6]RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent MemoryarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  7. [7]AM-Bench: A Unified Taxonomy and Evaluation Suite for Agentic MisalignmentarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  8. [8]CondenseVLA: Learnable History Condensation for Efficient Multi-Frame VLAarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  9. [9]FocusVLA: Future-Intent Guided Dynamic View Routing for Vision-Language-Action ModelsarXiv · 2026-10-23 · 摘要 · 访问于 2026-10-26↩
  10. [10]FR-VLA: Implicit Force Reasoning VLA for Contact-Rich ManipulationarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  11. [11]UniRAP: Towards Unified Part-level Physical Affordance Reasoning and Actionable PerceptionarXiv · 2026-10-22 · 摘要 · 访问于 2026-10-26↩
  12. [12]Persistent Planar Memory for Video World ModelsarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  13. [13]EmbodiedWorld-200K: Toward Embodied World Agents via Embodied-Planning Dataset and Interactive World ModelsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  14. [14]Decoupling Action from Egocentric Observation for World SimulationarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  15. [15]State World Models: Execute the Rules, Generate the PixelsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  16. [16]BIRD-RL: Scaling Agentic Reinforcement Learning over Stateful Data-Centric EnvironmentsarXiv · 2026-10-22 · 正文（arXiv HTML） · 访问于 2026-10-26↩
  17. [17]Lean4AgenticRL: Advancing Agentic RL with Verifiable Multi-level Process RewardsarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  18. [18]SWE-Bench Pro V2: A Cleaner, Harder-to-Game Coding BenchmarkarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  19. [19]SWE-Residual: Evaluating Starting-State Robustness of Coding AgentsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  20. [20]TEX: Test-Time Scaling Testing Agents via Execution-based Cross-ValidationarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  21. [21]FrameScout: Scouting Query-Relevant Frames for Long Video UnderstandingarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  22. [22]A Principled Optimal Transport Framework for Frame Selection in Long Video UnderstandingarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  23. [23]Look Before You Reason: Implicit Visual Thinking for Efficient Multimodal ReasoningarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  24. [24]ANCHOR: Audio-Visually Grounded Chain-of-Thought Reasoning BenchmarkarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  25. [25]Where Do Long Captions Fail? Position-Aware Diagnosis and Reinforcement Learning for Detailed Image CaptioningarXiv · 2026-10-23 · 摘要 · 访问于 2026-10-26↩
  26. [26]RECAP: Looking Once Is Not Enough for Vision-Language ReasoningarXiv · 2026-10-23 · 摘要 · 访问于 2026-10-26↩
  27. [27]RL Teaches VLMs Where to Attend but Not How to PerceivearXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  28. [28]Agent World Model in the Wild: Computer-Use Agent Environment SynthesisarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  29. [29]SPIDES: Information-Flow Control for Browser AgentsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  30. [30]MobileInject: Evaluating Reasoning-to-Action Security of MLLM-Based Mobile Agents under Cross-Modal Consistency InjectionarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  31. [31]VeriCUA: Learning Proactive Verification for Reliable GUI Agent RewardsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  32. [32]PersonaCUABench: Benchmarking Computer-Use Agents Serving Diverse PersonasarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  33. [33]Evolving Agent InterfacesarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  34. [34]Meta Inverse Prompting for Video Generative ModelsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  35. [35]Holo4D: Holistic 4D Reconstruction as Geometric Control for Video DiffusionarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  36. [36]CausalAlign: Causal Alignment of Video Generation Models for Consistent Ego-MotionarXiv · 2026-10-22 · 摘要 · 访问于 2026-10-26↩
  37. [37]Clean Forcing: Drift-Resistant Autoregressive Video Diffusion with a Frozen BasearXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  38. [38]PVBench: Quantifying Physical Plausibility in Video Generation with Object-Level Physical MeasurementsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  39. [39]StreamEval: Evaluating Interactive Streaming Video Generation ModelsarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  40. [40]From Views to Worlds: Active Exploration over 3D Worlds for Vision-Language ModelsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  41. [41]SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World ModelarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  42. [42]Agentic Image Generation in the WildarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  43. [43]GenOlympiad: Benchmarking Frontier Image Models at Their Capability BoundariesarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  44. [44]FlashControl: One-Step Controllable Generator via Distillation-Friendly Single-Stream TeachersarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  45. [45]LogicVal:A Logic-Formalized Benchmark for Constraint Satisfaction in Text-to-Image GenerationarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  46. [46]GraphCAD: Geometry-Aware Diffusion on Edge-Adjacency Graphs for CAD GenerationarXiv · 2026-10-23 · 摘要 · 访问于 2026-10-26↩
  47. [47]LIBERO-Pro2.0: A Benchmark for Evaluating the Robustness of Embodied Foundation ModelsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  48. [48]LTEM: LLM-Friendly Table-Enhanced Markdown for Table Understanding and GenerationarXiv · 2026-10-22 · 摘要 · 访问于 2026-10-26↩
  49. [49]Not Every Mention Is a Claim: Rethinking Object Hallucination Detection in Vision-Language ModelsarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  50. [50]Not All Frames Are Equal:Difference-Aware Quantization for Ultra-Low-Bit ASRarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  51. [51]Do Speech BCIs Need Larger Models? Rethinking Neural Decoding beyond ScalingarXiv · 2026-10-19 · 摘要 · 访问于 2026-10-26↩
  52. [52]Long Listening Thoughts: Eliciting Open Auditory Reasoning with Deliberative Perception and Cognitive RefinementarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  53. [53]DuplexLedger: Benchmarking Transactional Memory in Full-Duplex Speech AgentsarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  54. [54]DeepSEA: A Multilingual Evaluation Benchmark for Southeast AsiaarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  55. [55]Scaling Synthetic Pre-training Data and Evaluation for Indic LLMsarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩
  56. [56]AutoTerm-SST: Adaptive Terminology Memory with Zero Session-Time Setup for Streaming Speech TranslationarXiv · 2026-10-21 · 摘要 · 访问于 2026-10-26↩
  57. [57]SteadyThought: Mitigating LLM Under-Thinking via Thought-Level Preference OptimizationarXiv · 2026-10-20 · 摘要 · 访问于 2026-10-26↩