截至 8 月 28 日，arXiv 最新可核验的 VLM 相关批次为 8 月 26 日提交（8 月 27 日美东新批次刚过公布窗口、尚未进入 API，与上期情况类似）。本期从该批中选五篇方向互补的工作：VBVR-Pro 给“原生视觉推理”配上了可验证的奖励与闭环测试台，Zero-WAM 把人类视频当作任务说明实现具身零样本跨任务泛化，StreamPI 用零新增参数给单帧 VLA 补上流式时序记忆，RefVideo-6M 把参考引导视频编辑的数据规模推到 600 万参考，Code World Model 则提出“代码是世界的持久状态、视频是渲染器”的范式级思路。

五篇合起来看，本期主线是**“世界模型与具身智能的范式竞争”**：同一批论文里，世界模型至少出现了三条技术路线，而评估与数据基础设施依然在同步加注。

1. VBVR-Pro：给“原生视觉推理”配上可验证奖励与闭环测试台

论文：VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning（2026-08-26）

资源：HF Papers

问题。 “原生视觉推理”主张把视觉生成本身当作推理媒介——视觉状态不只是输入/输出，而是语言之外的“一等公民”求解基底。但这条路线一直缺三样东西：可规模化的训练任务、可靠的奖励信号、以及跨生成基底的可控对比。没有它们，“视觉即推理”就只能停留在口号层面。

方法亮点。 VBVR-Pro 是一个闭环测试台，三个组件对应三个缺口：任务扩展——把视觉推理变成 300 个程序化生成任务的受控任务空间，并报告训练后的模型在 RISE-Video、MME-CoF-Pro、BabyVision 等 7 个外部视觉推理基准上的迁移；可验证奖励——提供基于确定性任务规则、与人类判断细粒度对齐的评分器，并系统研究了主流 MLLM 当裁判（VLM-as-a-judge）的反复失败模式；机制研究——对 30 多个图像、视频、交错式生成器做受控模态消融。

证据。 作者报告：视频生成在需要持久时空状态追踪的任务上仍最强，交错式生成则是计算高效的替代；消融与探针提示存在对视觉推理关键的“视觉原生轨迹“。可验证评分器在大型多任务强化学习（post-RL）中表现更强。数据、模型、评分器与代码全部开源。

边界。 任务空间是程序化合成的，与真实世界视觉推理仍有差距；“视觉原生轨迹”的证据级别是消融+探针，机制解释需正文深入阅读；VLM-as-judge 失败模式的研究范围限于被测试的 MLLM 集合。

我的判断。 这是“评估基建”思路向 RL 训练信号的延伸：上一批论文还在用基准“报病根”，这篇直接把可验证奖励接进强化学习管线——视觉推理的 RL 化需要先解决“奖励从哪来”，VBVR-Pro 给了一条可复制的路径。对做多模态 RL 的团队，它的评分器与任务空间值得直接拿去当训练环境。

2. Zero-WAM：人类视频即任务说明——把 ICL 带到具身操控

论文：Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization（2026-08-26）

资源：HF Papers

问题。 零样本跨任务泛化（执行训练中从未见过的操控任务）是机器人学习的核心难题。LLM 里“把任务写进上下文就能做”的 ICL 范式，在机器人侧缺少对应的任务说明形式——作者论证：对操控而言，自然的任务说明不是语言而是人类视频，它携带了任务演化的丰富视觉线索。

方法亮点。 提出 Zero-WAM，一个因果视频-动作模型：跟随上下文中的人类视频执行未见任务。针对“成对的人-机数据稀缺”，构建了自动流水线把任务采样的机器人轨迹转换成语义匹配的人类视频，产出 HumanGen 数据集：7.42 万对人-机 ICL 样本、覆盖 8.6K 个任务；训练侧提出**上下文未来块预测（IFP）**目标，抑制从已见任务学到的捷径，迫使策略从视频提示中提取任务信息。

证据。 在 RoboTwin 2.0 仿真的 7 个未见任务上，Zero-WAM 平均成功率 47.0%，比最强视频-动作基线绝对提升 29.5 个百分点；真机评估中能跟随人类视频泛化到多物体场景、长程操控与精细插入等未见配置。

边界。 主要证据在仿真（RoboTwin 2.0），真机任务范围有限；人类视频与机器人执行之间的“具身鸿沟”（视角、动力学差异）仍存在；IFP 对提示质量的敏感性未在摘要中展开。

我的判断。 这篇与昨天 AI 日报里 Skild S1（“看一遍演示就学会”）是同一信号的两端：具身 ICL 正在成为本周最热的方向，且“任务说明”的载体从语言扩展到视频。对做机器人基础模型的团队，HumanGen 这类“机器人轨迹→人类视频”对齐流水线可能是比模型本身更值得复用的资产——数据配对的思路往往比结构创新更稀缺。

3. StreamPI：零新增参数，给单帧 VLA 装上流式时序记忆

论文：StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models（2026-08-26）

资源：HF Papers

问题。 pi0.5 这类 SOTA VLA 仍是单帧范式：只看当前观测，无法保留历史观测，也就难以形成精确的空间感知与记忆依赖行为（比如“刚才把杯子放在哪”）。加时序建模通常意味着改架构、加参数、丢预训练权重。

方法亮点。 StreamPI 是流式多模态时序框架，核心是指令锚定时序建模：把（视觉观测, 语言指令）当作一个原子时序单元——单元内部双向注意力做跨模态融合，单元之间因果注意力保持自回归流式推理，让语言指令在整个任务执行中充当持久语义锚。训练侧用随机间隔流式训练弥合同步训练与异步真机部署的差距（如每 3 帧一个间隔更快更平滑，随机化间隔增强对帧时序扰动的鲁棒性）。不引入任何额外参数，直接继承预训练单帧权重，并天然支持单帧/多帧两种推理。

证据。 在覆盖记忆依赖与精细感知场景的真机任务及 LIBERO 仿真基准上，StreamPI 在多样任务中优于 pi0.5。

边界。 对比基线以 pi0.5 为主，跨更多 VLA 基线的泛化需正文确认；“零新增参数”意味着上限受制于原 LLM 骨干的长度外推能力；随机间隔的训练超参（间隔分布）对效果的影响需要消融细节。

我的判断。 这是一份“低侵入升级“范本：不动参数量、不动推理架构，靠注意力模式重排 + 训练策略就把时序能力装进单帧 VLA。对已经在 pi0.5 系权重上投入的团队，这类方案几乎是免费的架构红利——时序记忆会逐渐成为 VLA 的默认配置，而不是可选项。

4. RefVideo-6M：600 万视觉参考，把“指令视频编辑”的数据门槛再推高一档

论文：RefVideo-6M: A Reliable Reference-Based Dataset for Instructional Video Editing（2026-08-26）

资源：HF Papers

问题。 指令式视频编辑的进步依赖大规模数据集，但现有数据有两个硬伤：其一，目标视频多由自动编辑模型生成，自带可见伪影与不可靠监督信号；其二，大多只靠文本指令，缺少对“保身份、可控制”编辑至关重要的视觉参考。

方法亮点。 RefVideo-6M 是一个参考引导编辑数据集：500 万视频编辑样本 + 100 万图像编辑样本，配套约 600 万视觉参考，覆盖多种参考类型与编辑场景。构建管线的关键是“把无伪影的真实视频当作编辑目标“，用多个编辑专家生成经质量过滤的输入条件，从而获得可靠监督；并基于该数据集训练了参考引导编辑模型 Ref-MoT 验证可扩展性。

证据。 作者报告：RefVideo-6M 提供的监督显著比现有数据集可靠，训练的编辑模型在视觉质量、可控性与参考一致性上都有提升。数据集已在 Hugging Face 开源。

边界。 数据质量依赖“多编辑专家 + 质量过滤”流水线，专家模型的选择会影响分布；评估以质量指标与一致性为主，主观评测覆盖需要看正文；6M 参考的构成（身份/布局/风格占比）未在摘要中展开。

我的判断。 与上期 LAION-BVD 同属“开源数据基础设施加注“：视频编辑的”参考引导“（reference-based）正在成为产品化方向（保身份、可控制），而数据是这条线的命门。对做视频编辑应用的团队，这份数据集值得直接接入评测与微调管线——在 Nvidia 收购 Hugging Face 的传闻背景下，这类开放数据资产的稀缺性只会更高。

5. Code World Model：代码是世界的持久状态，视频只是渲染器

论文：Code World Model: Coding Agent as World Brain（2026-08-26）

资源：HF Papers

问题。 视频世界模型只从视觉观测里学“动态表象”，学不到支配世界演化的知识、规则与机制，因此难以维持持久后果（状态跨帧一致）与规则一致的开放演化。简单说：模型看到了结果，却不懂规则。

方法亮点。 提出 Code World Model，把世界演化与视觉实现分离：一个编码 Agent 充当“世界大脑”——用 LLM 的推理与编码能力推理事件及其后果，生成可执行代码维护持久世界状态、执行规则一致的演化；为了让可执行状态与视觉生成对接，引入代理表示：把帧级时空约束编码后编译成“代理视频”，作为条件喂给视频模型渲染高保真观测；并构建了从游戏与真实视频对齐“代理-观测”对的数据流水线。

证据。 在成对游戏数据上微调后，MiniMax-H3 能跟随编码 Agent 构建的简单交互世界中的代理时空规范，同时保留丰富的视觉细节与动态。作者认为这展示了“代码做持久世界演化 + 视频模型做灵活视觉实现”的新路径。

边界。 演示限于“简单交互世界”，复杂开放世界的规模与稳定性未验证；代码-视频对齐流水线的构建成本高；代理表示的信息瓶颈（帧级时空约束能编码多少语义）是潜在天花板。

我的判断。 这是本期最“范式级”的一篇：把世界模型从“视频预测器”重新定义为“持久状态（代码）+ 渲染器（视频）“的组合。它与 4DGS-WAM（4DGS 显式表示路线，见今日阅读线索）殊途同归——都在质疑”端到端 2D 视频预测“作为世界模型唯一形态的假设。巧合的是论文用 MiniMax-H3 做实验，与今天 AI 日报里 MiniMax 的”Agent 红利“叙事撞了个满怀：当模型公司开始按工作负载收费，世界模型作为 Agent 的”模拟器“就会成为新的兵家必争之地。

今日阅读线索

五篇串起来，本期最清晰的主线是世界模型与具身智能的“范式竞争”。同一批 arXiv 论文里至少出现了四条路线：2D 端到端视频预测（此前的 GeoWAM/WorldEcho 线）、4D 显式表示（同批的 4DGS-WAM，2608.25956：用 4D 高斯泼溅把观测提升为持久 4D 表示，动态物体与静态背景分离建模）、代码+渲染（本期的 Code World Model）、以及人类视频 ICL（Zero-WAM）。四条路线在争同一个问题：世界的“状态”到底该存在哪？——像素里、4D 几何里、代码里，还是任务的视频说明里。这决定了未来具身基础模型的架构走向，值得持续跟踪。

第二条线索是具身 ICL 与“任务说明”的扩展：Zero-WAM（人类视频即说明）、昨天日报里的 Skild S1（看视频即学）、HN 上 Dyna-2 的 1M 小时世界-动作模型规模法则，指向同一个判断——“few-shot/zero-shot 具身”的叙事正在从语言提示扩展到演示视频，而数据配对流水线（HumanGen 类）是其中的隐藏瓶颈。

第三条线索呼应今天的 AI 日报：评估从“打分”走向“可验证奖励”（VBVR-Pro 接进 RL 管线），开源数据资产价值上升（RefVideo-6M 与 Nvidia-HF 传闻同周出现）。另外同批还有 R^3（2608.26053，用 RL 训练机器人用自然语言推理、把语言推理当作“测试时计算”来引导底层策略）值得一读，它把上期“推理时计算”的主题搬进了操控领域。本周实操建议不变但更具体：做具身的团队，本周值得同时跑一遍 Zero-WAM 式的 ICL 基线、StreamPI 式的时序改造和 VBVR-Pro 式的奖励信号，三者叠加的成本远低于重新发明架构。