截至 8 月 31 日，arXiv API 的 submittedDate 索引仍停留在 8 月 27 日（与上期同一批次；list 页面显示 8 月 28 日美东公告 93 篇新提交，但 API 索引滞后未跟进）。本期从上期已覆盖的同一批次中避开已选论文，另选五篇方向互补的工作，主线是**「VLM 的证据从哪来、怎么省、怎么验」**：Retrieval Heads Meet Vision 回答「证据在模型内部如何被路由」（机制），两个恰好同名的 PACE 分别回答「证据如何更省 token」与「长视频里如何捞准证据」，VIPER 回答「垂类验收标准该由谁定」，UniGeo 回答「证据如何跨视图验证」。两篇 PACE 纯属重名巧合，文中已分别标注。

1. Retrieval Heads Meet Vision：VLM 里的「视觉检索头」——1.7%-2.6% 的注意力头扛起 grounding

论文：Retrieval Heads Meet Vision: Uncovering How VLMs Locate and Extract Visual Information（2026-08-27，cs.CV）

资源：HF Papers

问题。 VLM 能把文本提到的图像区域定位出来、并把对应的视觉证据路由到输出，但内部机制完全不清楚——我们只知道它能做到，不知道它怎么做到。

方法亮点。 受 LLM 中「检索头（retrieval heads）」研究的启发，作者提出 Visual Retrieval Heads（VRHs）：约 1.7%-2.6% 的注意力头对「文本描述 → 图像区域」的 grounding 负有因果责任。方法论上，他们把现有 head 打分方法统一进一个设计空间（query token 的选择、key 聚合方式、跨样本聚合方式），发现「从输出预测 token 出发、对真值 referent 区域求和打分」最能可靠识别出因果头。

证据。 在 11 个 VLM × 5 个 referring-expression 基准上，只 mask 掉 top 20 个 VRH 就让 grounding 准确率最多下降 80 个百分点，而 mask 同样数量的随机头几乎无影响。VRH 还表现出文本检索头之外的新性质：① 跨任务泛化——虽通过边界框预测发现，但对属性、空间、计数、视觉数学基准依然因果有效；② 功能特异——保留输出格式、只破坏定位能力；③ 架构共享——在共享 LLM 主干但视觉编码器、投影器、指令微调各不相同的 VLM 之间可以因果迁移。

边界。 head 识别依赖基准的标注质量；「最多 80 个百分点」是最坏情况而非平均效应；VRH 在训练过程中何时形成、如何形成，摘要未展开。

我的判断。 这是「文本检索头」故事在视觉侧的完整对应物，把 grounding 从「现象」变成了「可定位的稀疏因果结构」。对做 VLM 诊断、可解释性与定向干预的团队，VRH 是现成的干预靶点；「架构共享」的发现尤其有意思——它暗示视觉 grounding 能力可能主要由语言侧注意力头承担，视觉编码器/投影器只是「喂数据」的角色，这对架构设计是有信息量的线索。

2. PACE（Pixel-Adaptive Condense and Extract）：10% 视觉 token、3.1x 首 token 加速

论文：PACE: A Unified Condense-and-Extract Paradigm for Fast VLM Inference（2026-08-27，cs.CV/cs.AI）

资源：HF Papers

问题。 VLM 推理成本随视觉 token 数量快速膨胀。现有 token 剪枝方法有两个硬伤：只在视觉编码器之后生效（编码阶段的延迟完全没优化）；在严格 token 预算下难以同时保住全局上下文与细节，性能掉得厉害。

方法亮点。 PACE 是训练免推理框架，用统一的 Condense-and-Extract 范式同时加速编码器与 LLM 两段：Condense 阶段，**Adaptive Pixel Compressor（APC）**在编码之前评估视觉信息密度、自适应降采样冗余输入，砍掉编码器计算同时保住全局上下文与关键视觉线索；Extract 阶段，**Dynamic Dual-Attention Extractor（DDAE）**融合编码器内部视觉信号与 LLM 语义信号，选择性保留任务关键的视觉 token。

证据。 集成到 Qwen2.5-VL-7B 后，保留 93.8% 的原始性能、只用 10% 的视觉 token、首 token 时间（TTFT）提速 3.1x（作者摘要原文口径）。

边界。 证据以单模型（Qwen2.5-VL-7B）为主，跨架构泛化性需正文确认；93.8% 是相对保留率，绝对分数要看正文表格；APC「信息密度」启发式对极端输入（超高分辨率、密集小字）的鲁棒性未知。

我的判断。 把优化窗口从「编码后」前移到「编码前」，是 token 压缩路线里更彻底的姿势——编码阶段在大图上往往占掉可观延迟，只剪 LLM 侧 token 是隔靴搔痒。与上期 Table64（像素级压缩省 41% token）互补：一个压输入、一个压 token 流。对端侧/实时 VLM 场景，这类训练免加速器值得直接进基线对比。

3. PACE（Progressive Acquisition of Critical Evidence）：长视频问答里「捞证据」的正确姿势

论文：Finding the Right Evidence: Factor-Guided Coarse-to-Fine Reasoning for Long Videos（2026-08-26，cs.CV/cs.LG）

资源：HF Papers

问题。 长视频问答里相关证据稀疏，且与问题相关的上下文往往不足以区分正确选项与貌似合理的干扰项。作者对 MMR-V 手工标注子集的诊断分析发现：现有 agentic 系统在线索检索上明显强于直接 VLM 推理，但答案准确率没有相应提升——瓶颈在「能区分选项的证据」，而不是主题相关性。

方法亮点。 提出 PACE（Progressive Acquisition of Critical Evidence），两阶段进行：第一阶段先按问题派生的因子索引片段级描述（此时不看候选答案）；第二阶段用候选答案派生对比线索去查询索引做验证——先粗筛、再用答案反推验证信号。

证据。 MMR-V 上以开源 Qwen3-VL 为骨干达到 42.6% 准确率，超过直接推理与 Deep Video Discovery（DVD）等 agentic 基线；同一诊断子集上恢复 66.9% 的标注线索，说明收益来自证据恢复而非答案侧先验；在 LVBench、Video-MME、EgoSchema、LongVideoBench 上一致优于 DVD，说明「选项感知的证据获取」可以迁移出 MMR-V。

边界。 证据以开源骨干（Qwen3-VL）为主；「线索恢复 → 准确率提升」的因果链在摘要层面成立、细节需看正文；方法依赖候选答案可得（先要有选项列表）。

我的判断。 与第 2 篇重名纯属巧合，但两篇在结构上是同一哲学：把昂贵的精细处理留给少而准的目标。对做长视频 RAG/问答的团队，「问题因子先索引、候选答案再验证」的两阶段设计是直接可抄的；诊断结论（线索检索提升 ≠ 答案提升）本身也值得写进评测分析的标准模板。

4. VIPER：给兽医病理学立一把专家策展的尺子

论文：VIPER: An Expert-Curated Benchmark for Vision-Language Models in Veterinary Pathology（2026-08-26，cs.CV）

资源：HF Papers

问题。 病理 VLM 的基准几乎全在人类组织（尤其肿瘤学），非人类病理几乎空白——而毒理病理学（对实验动物组织做显微检查）恰恰是临床前药物安全评估的核心环节。没有基准，就没有验收标准。

方法亮点。 提出 VIPER，首个专家策展的毒理病理 VLM 基准：1251 个问题、419 张 H&E 染色大鼠组织图像、覆盖 7 个器官系统，含多选、KPrim、自由文本三种格式，全部由委员会认证的兽医病理学家策展与验证。评测了 16 个模型（2 个新引入的兽医病理专用模型 + 7 个人类病理专用模型 + 7 个通用前沿模型）。

证据。 结果揭示三个结构性发现：兽医病理与人类病理之间存在显著领域差距；前沿模型存在对正常组织过度诊断的风险；领域专用训练对视觉 grounding 预测仍然关键。

边界。 单物种（大鼠）、以 H&E 染色为主；1251 题规模有限；各模型具体分数摘要未列出，需看正文与仓库。

我的判断。 毒理病理是典型的「低流量高价值」垂类：监管要求高、标注贵、通用模型必然翻车。VIPER 的价值不在刷分，而在给这个垂类立了一把可复现的验收尺——「专家策展 + 委员会认证」的流程本身值得其他垂类模仿。对做医学多模态的团队，「正常组织过度诊断」这个发现请直接抄进自己的评测项：通用模型在罕见/负样本上的假阳性，往往比能力差距更早杀死落地。

5. UniGeo：把「文本-图像匹配」升级为「理解-生成-验证」三段式

论文：UniGeo: A Multi-modal Large Language Model for Text-Guided Cross-View Geo-Localization（2026-08-27，cs.CV）

资源：HF Papers

问题。 文本引导的无人机地理定位（用自然语言描述在大型图像库中定位目标区域），现有方法大多直接做「开放式文本 ↔ 候选图像」的全局匹配。查询不完整、候选高度相似时，全局跨模态匹配不足以支撑细粒度定位。

方法亮点。 UniGeo 是一个统一 MLLM，共享视觉-语言框架下同时支持三件事：geo-semantic learning（建立局部场景元素、空间关系与语言描述之间的稳定对应）、跨视图语义生成（建模无人机视图 ↔ 卫星视图的语义映射）、以及一个 plug-and-play 的候选级验证模块（在高度易混的候选中做细粒度判别）；配合多阶段训练策略逐步学习这三项能力。

证据。 GeoText-1652 上 R@10 提升 13.59、mAP 提升 2.83 个百分点，且跨多个检索骨干一致提升（作者摘要原文口径）。

边界。 证据以单一基准（GeoText-1652）为主；提升幅度需结合基线绝对值一起看；无人机视角之外的域外泛化未在摘要展开。

我的判断。 「理解（对齐语义）→ 生成（桥接视角）→ 验证（细粒度判别）」是 MLLM 做细粒度检索的通用配方，不止适用于地理定位——任何「候选高度相似、查询不完整」的检索场景（电商、遥感、医疗图像检索）都能套。与第 1 篇 VRH 形成呼应：定位类任务的关键都在「证据路由是否可验证」，一个在模型内部找证据，一个在候选之间验证据。

今日阅读线索

本期五篇的主线是**「VLM 的证据从哪来、怎么省、怎么验」**：VRH 在模型内部定位证据路由的因果结构（机制）、PACE-加速在输入端与 token 流两端压缩证据成本（效率）、PACE-证据在长视频里先粗筛后验证（视频推理）、VIPER 在垂类里定义证据的验收标准（基准）、UniGeo 在候选之间验证证据（应用）——五条线都指向同一个判断：VLM 的下一轮竞争不只是更强的幻觉抑制，而是「证据工程」：证据的定位、压缩、获取与验收。

给相关团队的实操建议：做 VLM 诊断/可解释性的，把 VRH 干预（mask top-20）加进评测基线；做端侧/实时推理的，评估 PACE-加速（10% token、3.1x TTFT）与同批 AVTP（2608.26806，多图视觉 token 剪枝，Qwen3VL-8B 2x 加速保 96.1% 准确率）——同一赛道的两种解法，值得对打；做长视频 QA 的，直接抄 option-aware 两阶段设计；做医学多模态的，把「正常组织过度诊断」补进评测项。

同批另有一条值得跟踪：ReViCo（2608.27154，通过「视觉文本纠错」任务揭示 VLM 读图内文字的能力缺口，最强模型与人类仍有显著差距）——与上期「文档理解」主题衔接：VLM 能读懂整页版面，却仍常读错图里的字，这个短板正在成为新的评测战场。

注：本期论文均为 2026-08-28 公告批次（arXiv API submittedDate 索引仍停留在 8/27，与上期同一批次；已避开上期选过的 Table64/ASIL/Instruct-to-Act/MedREAL/GraphMemix 及上期提及的 OmniUE/TransMeme）；两篇 PACE 为不同论文（Pixel-Adaptive Condense and Extract 与 Progressive Acquisition of Critical Evidence），重名巧合已在文中标注；所有数字均引自各论文摘要原文并归因于作者（VRH 的 1.7%-2.6% 与 80 个百分点、PACE-加速的 93.8%/10%/3.1x、PACE-证据的 42.6%/66.9%、VIPER 的 1251/419/7/16、UniGeo 的 R@10 +13.59/mAP +2.83 均与摘要原文一致）；HF Papers 链接为 Hugging Face 自动生成的论文页。