AI 论文速递 — 2026年10月14日

📌 今日速览：视觉定位（Grounding）成为通向具身智能的关键底座——GroundingPI 以 4B 参数刷新物理智能定位基准并登顶 HuggingFace 日榜；推理侧研究聚焦"不思考"行为的度量与抑制（Thinking Inertia）；智能体方向，AgentSWE 与长时程终端智能数据规模化工作共同指向"编码智能体构建智能体"的可靠性评估。开源侧，机器人智能体 awesome list 持续涌现。

🔥焦点论文

HuggingFace 日榜 Top 1 · 246 upvotes

GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives

提出 4B 参数的视觉定位基础模型 GroundingPI，面向物理智能场景下的精确定位需求——在杂乱环境、微小目标条件下仍能确定"哪个物体是目标、目标在何处"，且推理速度足以支撑闭环控制。论文指出现有 VLA 与世界-动作模型所依赖的通用视觉-语言骨干在此类场景下仍不可靠，GroundingPI 以视觉原语（visual primitives）为核心重构定位能力，为下游操作策略提供高质量感知底座。

多模态/VLM 具身智能 Visual Grounding

HuggingFace 日榜 Top 2 · 215 upvotes

Thinking Inertia: LLMs Keep Thinking When Told Not To

系统研究大语言模型的"no-thinking"行为。作者指出既有工作以"关闭思考模式"或"无长思维链"作为 no-thinking 的代理指标均不可靠，并提出新的度量框架。实验揭示 LLM 存在"思维惯性"——即使被显式要求不思考，模型仍会延续推理行为。该研究对推理时计算控制（inference-time compute control）与高效部署具有直接意义。

LLM 推理效率行为分析

arXiv 2610.13361 · cs.CL · HuggingFace 日榜 Top 3

AgentSWE: Can Coding Agents Build the Agent You Actually Want?

针对"由编码智能体构建用户所需智能体"这一新兴委托范式，提出基准 AgentSWE。论文指出，现有评估均未检验被交付的智能体是否真正忠实于构建需求，而非仅"看起来可用"。AgentSWE 填补了这一评估空白，对智能体自动生成（agent-generated agents）的可靠性给出可量化的检验框架。

智能体评估 Benchmark 代码生成

arXiv 2610.13166 · cs.AI · 133 upvotes

Scaling Agentic Data for Long-Horizon Terminal Intelligence

面向终端智能体（terminal agents）从局部操作走向真实世界专业任务的演进，研究长时程智能体轨迹数据的规模化构建。短轨迹仅能演示命令与工具调用，无法展现智能体如何通过探索积累证据、依据反馈持续调整策略并将中间结果转化为最终交付物。该工作系统化地解决高质量长时程轨迹数据的获取与规模化问题。

Agentic Data 长时程规划终端智能体

👁️多模态与架构

arXiv 2609.39600 · cs.CV · 71 upvotes

GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed

将视觉定位重新表述为"视觉证据提取"问题：物体、位置与空间关系由图像与查询联合约束，其依赖关系并不蕴含内在的从左至右生成顺序。基于该洞察，作者以双向并行解码替代自回归串行预测，在保持定位精度的同时显著降低延迟，实现"极速"（flash-speed）视觉定位。与 GroundingPI 共同构成当日定位方向的双响。

并行解码 Visual Grounding 推理加速

arXiv 2610.13630 · cs.LG · 34 upvotes

Multi-Stream Attention Residuals

将 Attention Residuals（沿网络深度轴的单流 softmax 注意力）推广为多头深度注意力机制 MSAR。借鉴序列轴多头注意力的成功经验，该方法在深度维度上实现内容依赖的多流检索，带来显著性能提升，为深层架构中的跨层信息路由提供了新的结构化机制。

架构创新 Attention

🦾具身智能与机器人

arXiv 2610.13945 · cs.RO · 2026-10-09

Splat2Act: From Captured Scenes to Personalized VLA Manipulation

面向家庭与办公室场景下的个性化操作需求：用户期望通用操作策略能够识别并抓取"自己的"物体。Splat2Act 从捕获的场景重建（3D Gaussian Splatting 表示）出发，将场景先验注入 VLA 策略，实现从场景捕获到个性化操作的闭环，是通用操作策略落地个人环境的重要一步。

VLA 3DGS 个性化操作

arXiv 2610.13929 · cs.RO · 2026-10-09

Chronos Policy: Learning Robot Policies on Physical Time

指出现有机器人策略将感知与控制转换为固定频率的观测-动作序列，物理时间仅隐式编码于序列位置中。Chronos Policy 直接在物理时间上学习策略，使时间信息显式化，提升策略在变速控制与时序敏感任务中的表现，为时序建模提供了新的策略学习视角。

机器人策略时序建模

📦开源与 Awesome 动态

GitHub · Awesome List 追踪

Awesome-Robot-Use-Agent · ★156

近期新兴的机器人智能体精选列表，系统收录"机器人使用智能体"（robot-use agent）方向的论文、研究博客、开源工具、基准与社区演示，近一周持续活跃更新，反映具身智能体社区资源的快速整合。同期值得关注的还有 awesome-ai-agent-platforms（★428），收录开源 AI 智能体平台与智能体构建框架。另注：sindresorhus/awesome 主仓近期以清理归档列表为主（移除失效列表、修复链接），暂无新增 AI 类列表合并。

Awesome List 具身智能资源索引

GitHub Trending · 2026-10-14

morluto/rea 与 vercel-labs/skills

今日 GitHub 趋势榜中，rea（利用智能体逆向工程任意应用行为直至原生二进制，当日新增 5.4 万星）与 vercel-labs/skills（面向编码智能体的技能包体系）位居前列。两者共同体现"智能体作为软件工程主体"的工具链生态正在快速成型，与今日 AgentSWE 等评估研究形成实践与理论的呼应。

GitHub Trending Agent 工具链

📝 编辑点评

今日研究呈现清晰的双主线。其一，视觉定位正从通用 VLM 附属能力升格为独立的基础模型赛道：GroundingPI 面向物理智能重构定位底座，GroundAnything 则以并行解码消解自回归延迟，二者分别从"精度"与"速度"两端回答了 VLA 闭环控制的感知瓶颈。其二，智能体研究进入"元层级"：AgentSWE 检验编码智能体所构建智能体的需求忠实度，长时程终端数据工作则直面真实专业任务的轨迹规模化，Thinking Inertia 进一步揭示推理计算的行为级失控风险。评估、数据与推理控制同步推进，标志着智能体系统正从演示阶段迈向工程化可靠性阶段。