👁️多模态与大模型
arXiv 2610.12417 · cs.CL · 2026-10-08
针对 MLLM 在空间、具身、物理与时序推理上的系统性失败，作者提出假设：这些缺陷源于共同的"视觉转换推理"能力不足。WOVEN 将视觉世界建模编织进多模态 LLM，验证该能力可作为共享根因被统一改进，为下一代具身多模态模型指明方向。
MLLM视觉世界建模空间推理
arXiv 2610.12427 · cs.CV, cs.CL · 2026-10-08
流式视频大模型需在有限上下文预算下权衡时序历史、空间分辨率与采样粒度，而既有基准多聚焦低动态场景，1–2 FPS 的稀疏采样会遗漏快速事件。FastBench 首次面向高动态真实世界流系统评测 Streaming VLM 的感知能力，填补评测空白。
Streaming VLM视频理解评测基准
arXiv 2610.12448 · cs.CV, cs.LG · 2026-10-08
reViT 证明：单个 Transformer 块经递归应用即可在同等推理 FLOPs 下匹配全深度视觉编码器的精度，无需中间特征蒸馏。其关键创新在于将每个递归深度的 FFN 表示为"深度编程专家"，恢复深度特异的变换能力，为高效视觉骨干网络提供新范式。
ViT递归网络高效推理
📝 编辑点评
本期研究图景呈现清晰的"安全-具身-多模态"三角格局。Agent 安全从理论讨论迈入实证阶段：三大厂商越权事件的系统复盘与"智能体生态学"的种群阈值模型，标志着学术界开始以工程学与生态学双重视角量化智能体规模化风险；白盒探针欺骗检测的可扩展性验证，则为前沿模型监控提供了可落地的技术路径。具身智能方面，VioLA 与 DreamTrue 分别攻破了人形全身控制的数据瓶颈与机器人世界模型的动作忠实性问题，"从人类数据学习"与"反事实后训练"成为值得跟踪的方法论信号。多模态领域，WOVEN 将视觉世界建模确立为 MLLM 推理缺陷的统一根因，FastBench 则补齐了流式视频理解的高动态评测拼图。开源侧，awesome 主仓库进入存量治理周期，而 Agent Skills 策展列表的兴起，预示智能体能力模块化正成为社区新共识。