截至 8 月 26 日，arXiv 最新可核验的 VLM 相关 v1 批次仍为 8 月 24 日提交（8 月 25/26 日尚无新批次进入 API，与上期情况一致）。为避免与上期重复，本期从同批中另选五篇方向互补的工作：GeoWAM 质疑“世界模型该预测像素还是几何”，JoyAI-Echo-1.5 把音视频生成推向长程叙事，IntentQA 要求模型从“看视频”走向“懂意图”，DG-Mem 用双粒度记忆给冻结的多模态模型补推理短板，TOWN-VLA 则揭示了一个此前少有人注意的问题——检索到的文本一旦进入提示词，就成了一种控制干预。
五篇合起来看，VLM 的战线正在从“感知”全面转向“状态空间的选择、长程的一致性、意图的理解，以及谁有权修改模型的输入“。
1. GeoWAM：世界模型该预测像素，还是预测几何？
论文：GeoWAM: Visual Geometry World Action Models for Autonomous Driving（2026-08-24）
资源：HF Papers
问题。 世界动作模型（WAM）试图联合建模“场景如何演化”与“自车如何行动”。但现有 WAM 大多在像素空间里学习：用视频生成 backbone 预测未来画面，再配一个动作头预测自车轨迹。问题是像素把几何与运动同外观、纹理、光照纠缠在一起，模型被迫从二维观测反推三维变换。
方法亮点。 GeoWAM 主张用点云表示的几何作为驾驶的状态空间：它显式刻画空间结构与场景演化的刚体/非刚体变换，且与“驾驶动作实际执行的空间”直接对齐。模型不预测未来图像，而是预训练预测未来场景几何，再由一个几何条件化的动作头基于学到的几何动态预测自车轨迹。
证据。 作者在开放环与闭环两种评估下报告：视觉几何世界建模得到的驾驶策略显著强于基于图像方案，将“未来几何预测”确立为自动驾驶有效的预训练目标。摘要未给出具体分数，数字以论文正文为准。
边界。 点云本身依赖感知管线（深度估计/重建）的质量——如果上游几何不干净，“更自然的状态空间”会继承上游误差。摘要也未披露数据集规模与闭环评估的具体环境，跨场景泛化（天气、夜间、传感器缺失）需要正文证据。
我的判断。 这篇的提问方式比答案更有价值：“预测什么”比“怎么预测”更先决。像素空间的问题在于外观噪声稀释了结构信号；几何空间则让模型直接学习“世界如何因运动而变形”。对做驾驶、机器人这类“动作发生在三维里”的应用，这是一个值得追随的研究方向。
2. JoyAI-Echo-1.5：长程音视频生成，记忆、几何控制与 rollout 感知训练
论文：Long-Horizon Audio-Visual Generation for Persistent Stories and Interactive Worlds（2026-08-24）
问题。 视频生成正在从“单条短片”走向“长叙事与交互世界”，但跨镜头保持角色外观与声音身份、跟随用户控制、在长 rollout 中保持稳定，都是未解决的硬问题。
方法亮点。 JoyAI-Echo-1.5 是统一音视频生成系统，含两个变体。长视频变体引入可组合的跨镜头记忆（跨多个先前镜头聚合视觉证据）与从全片音频中提取的说话人线索，实现角色外观与声音身份在“文本/图像/记忆”任意组合条件下的持久保持；世界模型变体把异构导航输入转为标定的 6-DoF 相机轨迹，经几何感知条件通路注入，支持跨视角交互。训练上，把双向音视频 backbone 转成因果少步生成器，用渐进式 teacher forcing 与长短程 Self-Gradient Forcing 在自生成 rollout 上训练。
证据。 长视频变体在跨镜头一致性、视觉质量、文本对齐与语音保真上优于现有长视频基线；世界模型变体在 WBench 上排名第一（平均分 81.7），并在 SANA-WM-Bench 上取得领先的视觉质量与长程持久性。
边界。 以上均为作者报告的基准分数；长程生成的主观质量（叙事连贯、语义漂移）很难被自动指标完全覆盖。世界模型变体的“控制器无关交互”是否在真实交互（而非预录轨迹）下同样成立，需要看项目页演示与后续复现。
我的判断。 与上期“世界模型进入产业议程”的判断相互印证。这篇的工程密度很高：记忆、几何控制、rollout 感知训练三个组件正好对应长程生成的三类失效模式（身份漂移、空间失控、误差累积）。对做视频 Agent 或交互世界的人，这是一份很好的“系统架构清单”。
3. IntentQA：视频问答从“看见事实”走向“理解意图”
论文：IntentQA: Intent Question Answering in Videos by Cognitive Context Reasoning（2026-08-24）
资源：HF Papers
问题。 视频理解长期停留在“识别视觉事实”，而人类行为背后的意图（被称为社会智能的“暗物质”）很少被直接建模。同时，标准准确率指标容易被数据集偏差高估，模型的鲁棒性缺乏检验。
方法亮点。 作者提出新任务 IntentQA（视频意图问答）并贡献大规模 VideoQA 数据集；用 LLM 生成五类对比集（contrast sets），引入“对比性能下降“（Contrast Performance Decline）指标来度量鲁棒性，而不只报准确率。框架 X-CaVIR 用三类”认知上下文“增强视频分析：情境上下文（跨模态 VQL 模块）、对比上下文（对比学习）、常识上下文（常识推理模块）；并用”视频字幕 + VQA 输出“的透明管线整合 LLM，使推理过程显式可解释。
证据。 作者报告：各组件有效、X-CaVIR 优于 SOTA 基线，且在对比集扰动下保持稳定。具体分数以正文为准。
边界。 “意图”本身有主观性，数据集的标注一致性是这类任务的天花板；五类对比集由 LLM 生成，若 LLM 的改写模式单一，鲁棒性指标可能被高估。论文宣称的可解释性也需要在真实用例中检验。
我的判断。 把“意图”和“鲁棒性”同时放进视频问答，方向很对——上一期我们讨论过“答案分数 ≠ 视觉证据”，这篇是同一思路在视频域的延伸：不仅要答对，还要在被扰动时依然答对，且能说出依据。对做视频 Agent 的团队，IntentQA 提供了一个比传统 VQA 更接近真实需求的任务定义。
4. DG-Mem：给冻结的多模态模型外挂“双粒度记忆”
论文：Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner（2026-08-24）
资源：HF Papers
问题。 前沿多模态大模型（MLLM）感知很强，但在科学、数学推理上仍会翻车。闭源或端侧模型无法做参数级微调，而无状态提示又浪费了已经解决过的问题。
方法亮点。 DG-Mem 给冻结的 MLLM 外挂一个非参数、外部存储、测试时只读的双粒度记忆：实例记忆（具体示例）与类别级 schema 记忆（IF-THEN 规则），中间由瞬态反思存储衔接——schema 只从抽象反思中合成，绝不从示例原文生成。两个设计点：在线概念分类器在训练中增量扩展类别空间（不预设固定分类法）；Shapley 上下文归因把正确性分解到整条检索规则集上，得到每条规则的效用并用于测试时重加权检索。全程无梯度更新，可部署在闭权与端侧 backbone 上。
证据。 在 MathVista、MMMU、MMMU-Pro 上，跨四个 backbone（Qwen3.5-27B、Qwen3.5-122B-A10B、GPT-5-Nano、Gemini-3-Flash），DG-Mem 一致优于无记忆与竞争性记忆基线。
边界。 提升幅度未在摘要中量化（以正文为准）；记忆的构建依赖训练期 rollout 的质量，IF-THEN 规则由模型自生成，规则本身可能带幻觉；外部记忆在长会话中的检索成本与容量管理，是部署时要面对的实际问题。
我的判断。 这是“推理时计算“路线的一个干净实现：不动权重，用记忆 + 归因把经验变成可复用、可审计的结构。Shapley 归因尤其聪明——它让”为什么检索到这条“变得可解释，这对 Agent 的可信度审计是直接加分项。与上期”证据化“的线索一脉相承。
5. TOWN-VLA：检索到的文本一进提示词，就成了控制干预
论文：Think Only When Needed: Prompt-Authority Control for Selective Slow-Path Intervention in Vision-Language-Action Manipulation（2026-08-24）
资源：HF Papers
问题。 检索增强可以不改权重就给冻结的 VLA 策略补知识，但检索到的文本一旦进入被执行的提示词，就成了一种控制干预——模型没有能力分辨“这段文本是数据还是指令”。
方法亮点。 作者先做了一次“匹配审计”：把原文追加（raw appended text）会让平均成功率从 92.47% 暴跌到 3.00%；而有意义的与长度匹配的无意义追加都在全部 500 个状态上失败——他们把这种现象命名为“提示词形式坍缩“（prompt-form collapse）：改变指令的形式本身就能主导执行，与语义是否有效无关。随后提出 TOWN-VLA（Think Only When Needed）：一个提示词权威接口，把”候选生成“与”修改策略输入的许可“分离——固定的兼容性规则只授权规范紧凑指令，否则精确恢复原始 Base 提示词。
证据。 900 条审计路线全部遵守契约（525 条恢复 Base 且哈希匹配，375 条授权提示词保留任务签名）；在匹配的 4×7 LIBERO-Plus 评估（每方法 10,030 episodes）中成功率从 69.5% 升至 73.1%（+362 episodes，95% CI 1.89–5.45 个百分点）；物理 PiPER 机械臂（冻结 π₀.₅ 检查点）上从 52.7% 升至 78.7%（每方法 150 次试验，p=3.16×10⁻⁶）。
边界。 数字来自单一研究团队的单臂评估，LIBERO-Plus 与 PiPER 的覆盖面有限；“兼容性规则”由作者设计，规则本身如何自动构造、如何在更复杂指令空间里不误伤有效增强，是下一个部署目标（作者也自述 oracle-free 准入校准是后续方向）。
我的判断。 这是今天最值得细读的一篇，因为它揭示了一个此前少有人系统化的问题：在 Agent/VLA 系统里，“输入”是比“输出”更脆弱、更少被审计的环节。92.47%→3.00% 这个数字应该被每个做检索增强 Agent 的人记住——它提醒我们，检索注入与提示注入是同一枚硬币的两面。本期日报里 OpenAI 的推理引擎讨论（见上期）与这篇合起来看，“谁有权改输入”正在成为 Agent 安全的新主线。
今日阅读线索
把五篇串起来，可以看见 VLM 研究的一条新轴线：从“用更好的网络答对题目”，转向“为模型选择正确的状态空间与输入边界”。GeoWAM 问“预测像素还是预测几何”（状态空间的选择），JoyAI-Echo-1.5 用记忆与几何控制解决长程一致性（系统架构），IntentQA 把评测从“看事实”推进到“懂意图”（任务定义），DG-Mem 用外部记忆与归因补推理短板（推理时计算），TOWN-VLA 则警告“提示词本身是攻击面”（输入边界）。
结合上期“感知效率 → 结构化推理 → 时序一致性 → 证据化安全 → 语义一致行动”的链条，本期补充的正是这条链的两端：最上游的“世界该怎么表示”，与最下游的“输入由谁说了算”。对做多模态应用与机器人的人来说，这两端恰恰是最容易被“刷榜”叙事掩盖、却决定系统上限的地方。
注：所有论文均为 arXiv 8 月 24 日提交的 v1 版本，ID 与摘要信息可经 arXiv 核验；各篇“证据”部分只引用摘要中确实出现的数字并归因于作者，未做独立复现。