本期覆盖 arXiv 标注日期 2026-09-02 的 2609.02xxx 批次（上期 #012 覆盖 2609.01xxx，两期无缝衔接）。从该批次中选五篇方向互补的工作。把它们和今天 AI 日报 #013 的头条（GPT-6 Astra 发布、ARC-AGI-3 的 harness 之争、NVIDIA 收购 Hugging Face 后的开源生态讨论）放在一起读，本期有一条很清晰的暗线：论文侧正在回答三个与产业同构的问题——「世界模型能不能像开源软件一样被复现与共享」（SolarWM）、「生成模型的能力到底该用什么尺子量」（RIG-BENCH、TIC-Bench）、「agent/多模态系统的可靠性缺口出在训练目标还是解码环节」（RVSD、Web Agent 世界模型）。五篇分别对应「开源基建、评测新尺、解码修复、目标对齐、上下文深度」五个关键词，下面逐篇展开。
1. SolarWM：把「可交互视频世界模型」做成全开放地基——1.43M 统一片段、四模型实例、5 秒训练序列撑起分钟到小时级实时交互
论文：SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models（2026-09-02，cs.CV）
问题。 可交互视频世界模型的研究长期被两件事卡住：数据各自为政（数据集在时间尺度、相机几何、画质、运动、标注风格上各不相同，直接混合会产生不一致的监督信号）与实现不可复现（不同视频生成骨干用各自的表示与架构，结果难以横向比较）。想「从零搭一个能实时交互的世界模型」，研究者基本要重复造整套轮子。
方法亮点。 提出 SolarWM——一个声称「完全开放」的可交互视频世界模型地基，用两层解耦解决上述耦合：① 可重配置的多源数据引擎：把来自 10 个数据集的 1.43M 条规范片段（canonical clips） 转换为统一的、帧对齐的「契约」数据格式，覆盖视觉观测、度量相机几何（metric camera geometry）、字幕、质量元数据、筛选决策与溯源（provenance），并把「单源处理」与「混合构建」解耦——换数据集或改混合比例不需要重写处理管线；② 骨干原生适配框架：在共享的相机条件、训练与推理接口下，基于 Wan2.2、LTX-2.5、MiniMax-H3 实例化 四个 5B-33B 模型，同时保留各骨干的原生表示与训练目标；统一的三阶段配方 = 双向适配（bidirectional adaptation）+ 教师强制的自回归初始化 + 分布匹配蒸馏（distribution matching distillation）。产出的是因果（causal）模型：官方称在仅用 5 秒训练序列训练后，即可在数分钟到数小时的 rollout 上支持实时交互。数据、管线、配方、权重与框架全部发布。
证据。 摘要口径的量化声明集中在规模与能力形态上：1.43M 片段/10 数据集/四模型 5B-33B/5 秒序列→分钟-小时级实时 rollout；「实时交互」「长时程」的具体评测指标（如 rollout 时长、交互延迟、生成质量分）需看正文与项目页。作者含 Junchao Huang、Guian Fang、Shengju Qian、Xianghao Kong、Zhuoran Zhao 等 18 位（含香港中文大学/上海人工智能实验室背景的多位研究者，跨校合作阵容）。
边界。 摘要未给与现有世界模型（如 Genie 系列、同类视频扩散模型）的定量对比表；「实时交互」的硬件条件与帧率未说明（33B 模型在什么设备上实时？）；1.43M 片段的领域覆盖（自然场景为主？有无驾驶/机器人数据）未展开；三阶段配方的消融与每阶段的必要性需看正文；「5 秒训练序列→长时程 rollout」的泛化边界（是否依赖测试时技巧）未讨论。
我的判断。 这篇的价值不在单点指标，而在把世界模型的「数据-骨干-配方」三层耦合拆开并全部开源——它回答的是「为什么世界模型研究难复制」这个工程问题，而不是「哪个模型分数最高」。对研究者来说，SolarWM 的统一契约格式（尤其是把度量相机几何与溯源做进数据层）可能比模型权重本身更有复用价值；「5 秒训练、分钟级实时交互」如果经第三方复现成立，说明长时程一致性主要来自训练配方与数据契约，而非更长的训练片段——这与今天 AI 日报里各家把世界模型产品化（Atlas、Fable 5.1 World Modeling、Muse Spark 1.3）的节奏正好同频：产业在收口，研究侧在把地基打开。值得跟进的是它基于三个不同骨干（Wan2.2/LTX-2.5/MiniMax-H3）的横向实例化——这是少见的「配方跨骨干可迁移」证据。
2. RIG-BENCH：给「推理驱动的图像生成」出一张系统的考卷——2000 样本揭示 SOTA 模型的「局部合理、全局不合逻辑」
论文：Thinking in Pictures: A Systematic Benchmark for Reasoning-driven Image Generation（2026-09-02，cs.CV）
资源：HF Papers
问题。 统一生成模型（UGM）与世界模拟器在视觉感知与合成上进步飞快，但评测基本停留在「表面事件对齐」（画得像不像、对不对得上 prompt），「高层的视觉推理」能力几乎没有被系统测量。作者主张真正的视觉生成智能需要「Reasoning-to-Generation」：从视觉输入推断潜在规则，再用受逻辑约束的精确视觉输出把解显式呈现出来——比如看懂一个变换规律后，把下一帧「按规律」画出来，而不是画一张局部像、整体乱的图。
方法亮点。 提出 RIG-BENCH，一个系统评测 Reasoning-driven Image Generation（RIG，推理驱动图像生成） 的基准，覆盖四个认知密集型域：概念（Concept-based）、变换（Transformation-based）、模式与结构（Pattern & Structure）、场景（Scenario-based），共 2000 个精选样本。定位是「压力测试」：任务设计上要求模型先完成推理、再让推理结果约束生成，堵住「抄相似图像」的捷径。
证据。 对 SOTA 统一生成模型与图像/视频生成模型的广泛评测发现一个显著缺口：「推理-生成鸿沟（reasoning-generation gap）」——模型频繁产出局部合理（locally plausible）但全局不合逻辑（globally illogical）的输出（作者摘要原文口径）。作者阵容含 Yutong Liu、Nan Huang、Xu Cao 与具身/视觉领域知名学者 James M. Rehg（佐治亚理工学院）。
边界。 摘要未给具体模型的得分榜与分域结果（哪个域最差、闭源 vs 开源差距）；「全局不合逻辑」的判定是人工标注还是自动判分、判定一致性如何未说明；2000 样本的四域配比未展开；与既有 T2I 基准（如图像编辑/组合性评测）的区分度需看正文。
我的判断。 这篇与今天 AI 日报里 GPT Image 2.5 的流出演示（能伪造发布会物料、文字与手写笔迹几乎无破绽）是同一个硬币的两面：像素级保真在快速逼近完美，而「生成的东西在逻辑上成不成立」是下一道关卡。RIG-BENCH 的价值在于把这道关卡变成可打分的考卷——「局部合理、全局不合逻辑」这个概括，精准描述了当前生成模型在需要遵守潜在规则的任务（计数、空间关系、变换一致性、场景物理）上的典型失败模式。对做评测与数据的人，四域框架可以直接借去做模型的弱项定位；对做生成的团队，它提示「推理-生成」的 gap 可能不是加参数能填的，而需要生成前显式的规则推断——这与 #012 那篇 MeRoPE 的结论（显式几何知识比纯数据驱动更稳）在精神上一致。
3. RVSD：免训练、即插即用的视觉幻觉缓解——单次解码内同时完成 token 稀疏化与「语义空间视觉检索」
论文：RVSD: Retrieval Vision Sparse Decoding for Mitigating Visual Hallucinations in Large Vision-Language Models（2026-09-02，cs.CV/cs.AI）
问题。 LVLM 的视觉幻觉（Visual Hallucinations，VH）是可靠性的头号敌人，但现有缓解手段各有代价：需要人工 curated 数据集、需要额外训练、或需要多轮解码——都带来可观的计算开销。能不能找到一种不训练、不换数据、单次解码就能压幻觉的方法？
方法亮点。 提出 RVSD（Retrieval Vision Sparse Decoding），一个 training-free、即插即用的解码框架，声称首次把 token 稀疏化与「语义空间视觉检索」（SSVR）统一进单次解码过程：① 语义导向的 token 选择（semantics-directed token selection）：选择性稀疏化冗余视觉 token，同时保住关键视觉信息；② SSVR 机制：把「视觉补偿」重新表述为共享语义空间内、按需发生的跨模态检索——模型在生成需要视觉细节时，主动去语义空间里「取回」被稀疏化丢掉的视觉信息，而不是靠训练时学到的统计先验硬猜。
证据。 摘要在多个评测上称 RVSD 达到 SOTA 的视觉幻觉缓解表现，并在长上下文生成设置下保持稳健的幻觉抑制能力（作者摘要原文口径；具体基准、幻觉率数值与对比基线列表需看正文）。作者为 Canjie Liu、Jiawen Kang、Jinbo Wen、Zishao Zhong；代码已开源。
边界。 「SOTA」对应的基准集与模型家族未在摘要点名；稀疏化比例与检索开销的权衡（省了多少计算、检索加了多少延迟）未量化；「长上下文稳健」的上下文长度与任务类型未展开；SSVR 依赖的共享语义空间如何构建（同一次前向？额外编码器？）需要看正文；对系统性的「自信幻觉」（模型坚信不存在的视觉细节）是否同样有效未说明。
我的判断。 视觉幻觉的工程解法一直在「加训练」与「加轮次」之间打转，RVSD 的路线（把稀疏化丢掉的信息，用语义检索在解码时找回来）是一个更聪明的中间态：稀疏化省成本，检索补信息，两者在单次解码里闭环，不碰训练。这正好接上 #012 的 IntroConformal 那条线（可靠性控制要 training-free、可插拔）——幻觉治理正在从「重训模型」转向「解码期干预」，对生产环境是更现实的路径。值得留意的风险是 SSVR 的检索质量上限：如果模型连「该找什么视觉证据」都不知道（语义空间本身被幻觉污染），检索补偿可能失效——这类方法通常对「局部遗漏型幻觉」有效，对「全局误解型幻觉」存疑，评测时建议分开看。
4. Discriminative World Models for Web Agents：世界模型的训练目标错了——「预测得像」不等于「预测得能区分」
论文：Discriminative World Models for Web Agents（2026-09-02，cs.AI/cs.LG）
问题。 新一代 Web agent 用「世界模型」做测试时动作选择：采样候选动作 → 预测每个动作会到达的网页状态 → 用 ranker 或过程奖励模型（PRM）打分排序。但这类世界模型通常用监督式下一状态预测训练——目标是「生成得像真实状态」（比如预测 HTML/AXTree 快照）。作者指出这个目标与下游 ranker 错位：ranker 需要的是预测状态在候选动作之间具有区分度（能分清「做 A 会到 X、做 B 会到 Y」），而「生成得逼真」并不保证「区分度」——就像两个考生都写得出像样的答案，却分不清哪种操作通向正确结果。
方法亮点。 提出 predicted-state matching（预测状态匹配） 训练目标：预测的表示必须能把「真实到达状态」与「备选动作各自到达的状态」区分开——把世界模型的训练从「生成式重建」转向「判别式对齐」。配套发布一个分支式（branching）Web agent 数据集，派生自 WebArena Go-Browse 轨迹：每个决策点都包含多个备选动作及其各自到达的状态，正好构成训练与评测「区分度」所需的正负样本结构。
证据。 在自建的 held-out predicted-state matching 基准上，该方法胜过用监督式下一状态预测训练的世界模型；在 WebPRMBench 上，相比纯动作 PRM 与「监督式下一状态世界模型增强的 PRM」，它改善了 PRM 式动作排序；在 WebArena-Lite 上，用该世界模型做测试时动作选择提升了端到端任务成功率（作者摘要原文口径；具体提升幅度需看正文）。作者阵容含 Kelvin Li、Dhruv Pendharkar、Anish Pahilajani、Chuyi Shang、Leon Oks、Leonid Karlinsky、Rogerio Feris、Trevor Darrell、Roei Herzig（MIT/IBM 背景的视觉与 agent 研究组合）。
边界。 所有收益数字未在摘要给出（幅度、是否显著需看正文）；WebArena 系列环境的域外泛化（真实网站、非 Go-Browse 轨迹）未验证；分支式数据集的规模与构造成本未说明；「区分度」目标是否会牺牲「状态预测的绝对保真度」（某些下游任务仍需要精确状态）未讨论。
我的判断。 这篇戳中的问题与今天 AI 日报里 ARC-AGI-3 的 harness 之争是同一个：agent 的能力声明取决于「测量/训练目标」与「真实决策目标」是否对齐。ARC 那边是「同一模型在不同运行框架下差 37 个百分点」，这篇是「世界模型按生成式目标训练，ranker 却需要判别式信号」——目标错位是 agent 系统里比参数规模更隐蔽的性能杀手。对做 web/computer-use agent 的团队（想想 Astra 的 Computer Use、Claude 的电商蓝图），「预测状态要有区分度」是一个可以直接借用的训练与评测原则：评估世界模型别只看它「预测得像不像」，要看它「能不能帮你做对决定」。这与本期第 1 篇（SolarWM）形成有趣的对照：世界模型在「生成侧」追求开放与复现，在「决策侧」追求目标对齐——两条线都指向同一个结论：世界模型的价值最终由下游任务定义。
5. TIC-Bench：深度交错的图文上下文——2280 道题测出 10 个 SOTA MLLM 的「跨证据整合」短板
论文：Deeply Interleaved Text-Image Contexts for Multimodal LLMs Assessment（2026-09-02，cs.CV）
问题。 现有 MLLM 评测与训练几乎都聚焦「多图任务」，而真实场景大量是图文交错（interleaved）的：文章插图与正文互证、产品文档里图配表格、聊天里贴图又补文字。在典型多图任务里，文字往往只是任务指令，与视觉内容没有深层语义交互；而图文共创、角色追踪、空间重建这类真实应用要求模型在文字与图像之间来回交叉引用、把散落两边的证据拼起来。现有评测基本没测这个能力。
方法亮点。 提出 TIC-Bench（deeply interleaved Text-Image Contexts），专门评测模型在深度交错图文上下文里整合图文线索、还原 ground-truth 事实的能力。结构：逻辑（Logical）、时间（Temporal）、空间（Spatial）关联三大核心域，细分为 8 类具体情境，共 2280 道题；数据集公开（HF）。设计上刻意让「正确答案」只能通过跨图文证据整合得到，单看文字或单看图都推不出来。
证据。 评测了 10 个 SOTA MLLM，发现与人类专家相比存在显著性能差距，且模型在整合分布在不同视觉与文本输入里的证据时表现出持续性困难（作者摘要原文口径；各模型具体得分与分域差距需看正文）。作者为 Zihao Wang、Xi Xiang、Yuwen Sun、Yingyu Li、Yabo Zhang、Yihan Zeng、Fan Li、Wangmeng Zuo（哈尔滨工业大学背景）。
边界。 摘要未给出 10 个模型的名单与分域得分表（逻辑/时间/空间哪类最难？）；「人类专家」的规模与作答设置未说明；2280 题的难度校准（是否可能有语言先验泄漏）需看正文；交错上下文的长度分布（长文档级还是短段落级）未展开。
我的判断。 这是本期「最容易被低估」的一篇：交错图文理解看起来不像世界模型或幻觉那么性感，但它恰恰是 Astra 演示里那种「读模板做 PPT、跨软件搬运信息」的多模态工作流的地基能力——文档、网页、聊天、设计稿，全都是图文交错的。TIC-Bench 把「证据整合」拆成逻辑/时间/空间三个可测维度，等于给「多模态 agent 的阅读理解」画了一张体检表；10 个 SOTA 模型与人类专家的显著差距也说明：多模态模型的短板可能不在单模态感知，而在跨模态的证据路由。做文档智能、多模态 RAG、GUI agent 的团队，建议把「交错证据整合」加进自己的评测矩阵——它与 #012 的 TempCloze（时间对齐短板）是互补的两块拼图：一个测「视频里的事件时序」，一个测「图文间的证据拼合」。
今日阅读线索
五篇连起来，本期最值得记住的一条线索是：世界模型与评测，都在从「生成得像」走向「决策用得上」。SolarWM 把视频世界模型的数据与训练拆成可复现的开源地基（1.43M 统一片段、跨骨干三阶段配方、5 秒训练序列→分钟-小时级交互），回应的是产业侧世界模型产品化（Atlas、Fable 5.1 World Modeling、Muse Spark 1.3）背后「人人都想造、没人能复现」的基建焦虑；Web Agent 世界模型那篇则直接指出「预测得像 ≠ 预测得能区分」，用 predicted-state matching 把训练目标掰向决策目标——两篇合起来读，世界模型的评价标准正在从「重建保真度」迁移到「下游任务增益」，这与今天 AI 日报里 ARC-AGI-3 的 harness 之争（同一模型 62.7% vs 99.9%）是同构的提醒：在 agent 时代，能力必须连带着「测量框架」与「使用目标」一起声明。评测侧的两篇在给「生成」与「理解」各立一把新尺子：RIG-BENCH 测「推理驱动的生成」（局部合理、全局不合逻辑的缺口），TIC-Bench 测「交错图文证据整合」（逻辑/时间/空间三类关联），前者接住 GPT Image 2.5 这类像素保真狂飙带来的新问题（画得真 ≠ 想得对），后者为多模态工作流（Astra 式跨软件交付）标出真实短板（感知强 ≠ 会拼证据）。中间的 RVSD 则代表可靠性工程的务实转向：幻觉治理不需要重训，单次解码内稀疏化 + 语义检索就能闭环。五篇加在一起，方向与上期（测、信、省、控、防）一脉相承，但重心更明确地偏向一个问题：当模型越来越「会做」，我们越来越需要回答「它凭什么做得对、我们怎么知道它做对了」——而答案正在从模型内部，移向数据契约、评测框架与训练目标这些「模型之外」的地方。