本期覆盖 arXiv 标注日期 2026-09-03 的批次（id 跨度 2609.03xxx–2609.04xxx；上期 #013 覆盖 2609.02xxx，两期无缝衔接）。从 9 月 5 日早间抓取的 cs.CV/cs.CL/cs.AI 最新列表中筛出五篇方向互补的工作，全文摘要均逐篇经 arXiv abs 页直接核验。把它们和今天的 AI 日报 #014（OpenAI agent 群涌第二现场、Anthropic 用 11 天形式化费马大定理、GitHub 多模型编排上线、EEBench 给电路设计打分）放在一起读，本期有一条很清楚的暗线：论文侧与产业侧在同一个问题上相向而行——「生成/世界模型的能力，到底该用什么尺子量、用什么信号训」。Principia 发现视频生成器在 VBench 上约 0.8、在物理一致性上却全部 ≤0.42（像极了 #013 里 ARC-AGI-3 的 99.9% vs 62.7%）；WorldReward 直接回答“世界模型缺好奖励”；Puffin-World 把 3D 世界状态做成原生架构与开源数据；LLaDA-Image 示范“图像生成也能全开放复现”；VT-Contrast 则提醒 VideoLM 的“时间感”可能只是文本捷径的副产品。五篇分别对应「3D 原生架构、评测新尺、奖励补齐、表征纠偏、开放配方」五个关键词。除标注“作者口径”的数字外均为摘要原文可核验内容。
1. Puffin-World：把「物理/几何/外观」三种世界状态原生建模进统一多模态架构——1500 万三元组 + 100 万轨迹的 Puffin-16M 全量开源
论文：Puffin-World: Scaling a Unified Multimodal Model with Native 3D World States（2026-09-03，cs.CV）
资源：HF Papers
问题。 现有的“会生成 3D 世界”的模型大多是拼装体：物理理解靠外部模块、空间模拟靠另一套、3D 生成与重建又靠第三套，任务之间没有共享的世界表示，更谈不上闭环交互。作者想要的是一个不依赖任何外部离线模块、把“理解物理、模拟空间、生成并重建 3D 世界”装进同一个架构的统一多模态模型。
方法亮点。 提出 Puffin-World，核心是把世界的三种原生状态（native world states）一起建模：物理（physics：重力场与纬度）、几何（geometry：深度）、外观（appearance：图像），配一个统一的 Omni-Camera 表示以支持多样的任务与灵活的运动；在此之上，① 提出把物理动力学跨未来帧传播的策略，并把相机绝对属性锚定到真实世界，从而产出“物理一致、视觉稳定”的世界生成；② 把外观与几何耦合进同一个生成过程——合成每一未来视角的同时重建其底层几何；③ 由此支持需要多任务协同的交错式闭环应用，作者点名 mimic（模仿）与 self-calibrated world exploration（自标定世界探索）。数据侧构建 Puffin-16M：1500 万 vision-language-camera 三元组 + 100 万条包含多样挑战性运动的轨迹；代码、模型、数据集全部发布。
证据。 摘要口径的量化声明集中在规模与能力形态：Puffin-16M 的 15M/1M 构成、三种世界状态与 Omni-Camera 的架构设计、跨帧物理传播与“生成即重建”的耦合机制；具体评测（与既有世界模型/视频生成器的定量对比、闭环探索任务的成功率）需看正文与项目页。作者共 10 位：Kang Liao、Yihang Luo、Xiao-Ming Wu、Linyi Jin、Size Wu、Chunyu Lin、Yao Zhao、Fei Wang、Wei Li、Chen Change Loy（南洋理工 S-Lab 知名视觉学者，作者口径阵容）。
边界。 摘要未给与现有世界模型/视频扩散模型的定量对比表；“物理一致、视觉稳定”的评测方式未展开（是否有自动物理检查器，还是人工评估）；Puffin-16M 的轨迹是真实采集还是合成渲染、相机位姿标注如何获得未说明；1500 万三元组中图文-相机的对应关系如何构建（同一段 3D 场景多视角？）需看正文；三状态共模的训练稳定性和模态权重分配未讨论；闭源基线（如各家商业世界模型）无法直接对比的问题同样存在。
我的判断。 与 #013 的 SolarWM（把“数据-骨干-配方”三层拆开开源）相比，Puffin-World 走的是另一条路：不追求兼容既有骨干，而是重新定义世界模型的输入输出契约——把物理量（重力、纬度）和几何量（深度）当成与像素平级的第一公民状态。这个方向的合理性在于：纯视频像素训练的世界模型很难学到“为什么苹果往下掉”，而把重力场/纬度做成显式条件，等于把牛顿力学的归纳偏置直接编码进架构——这与 #012 MeRoPE“显式几何知识比纯数据驱动更稳”的结论同源。值得注意的是作者明确写了 closed-loop（mimic、自标定探索）——3D 世界状态的主要价值不在“生成好看视频”，而在给 agent/机器人一个可以自监督验证的 3D 交互环境。Puffin-16M 全量开源如果兑现，会是研究社区少见的“带相机几何与物理标注的大规模视频-语言数据”，值得盯着下载与复现。
2. Principia：给视频模型考“牛顿物理”——标定无关的关系一致性测试，6 个 SOTA 视频生成器全军覆没（≤0.42），VLM 检测违规最佳仅 67%
论文：Principia: Relational Physics Tests for Video Models（2026-09-03，cs.CV）
资源：HF Papers
问题。 怎么测“视频模型懂不懂物理”？直接的测法（测绝对运动量）有个死穴：绝对运动测量依赖帧率、物体尺度与相机标定，而这些在生成视频里往往不可知或缺失。作者换了一个思路：同一场景里如果两个物体遵守同一条物理定律，它们的运动之间必然满足可预测的关系——而关系是标定无关的。比如“同一高度同时释放的两个球应同时落地”，不需要知道相机焦距也能判对错。
方法亮点。 提出 Principia 基准：通过成对物体间的关系一致性（relational consistency）评测牛顿物理。覆盖八大现象——重力、恢复系数（restitution）、摩擦、转动惯量、抛体运动、动量、单摆、弹簧振子，横跨平移、旋转、碰撞、振荡四类动力学；测试场景为受控协议下拍摄的真实世界场景（避免“模型见过生成视频的分布”）；并引入一个标定无关的一致性分数，直接在图像空间量化物理违规程度。
证据。 摘要给出两组硬数字（作者口径）：① 对六个 SOTA 视频生成器做了数千次生成评测，没有任何模型在 Principia 上超过 0.42——同期它们在 VBench 上“都在 0.8 左右”（作者原文），即“美观分很高、物理分很低”的剪刀差被量化成具体数字；② 用 VLM 检测关系物理违规（让模型当“物理裁判”）：最佳模型也只有 67% 准确率，多数模型接近随机水平。作者为 Varun Varma Thozhiyoor、Shivam Tripathi、Venkatesh Babu Radhakrishnan、Anand Bhattad。
边界。 “六个 SOTA 视频生成器”未在摘要点名（闭源与开源各是谁、是否含最新旗舰未知）；0.42 与 VBench 0.8 的分数量纲不同（Principia 一致性分数 vs VBench 综合分），“剪刀差”是作者自己的并置论述，需谨慎引用；67% 的 VLM 检测任务具体 prompt 形式未给；八大现象的任务配比与难度梯度未展开；真实场景的受控协议（光照、机位、物体选择）会影响任务分布，摘要未详述；一致性分数对“两只球同时落地”这类粗粒度关系的敏感性、能否捕捉细微违规未说明。
我的判断。 这篇和 AI 日报 #014 里 EEBench（电路板设计评测）是同一个方法论动作：当生成模型开始声称“懂物理世界”，评测就必须从“像不像”升级到“关系对不对”——而且要用标定无关的判据，堵住“模型靠画面统计先验蒙混”的路。0.42 vs 0.8 的剪刀差是本期最值得记住的数字：视频生成模型的美学能力与物理一致性是两个几乎正交的轴。它同时呼应 #013 的 ARC-AGI-3 harness 之争：分数必须写清“在什么尺子上测得”，而 Principia 的价值正是提供一把“物理尺”。对做世界模型的团队，这个基准可以当“物理回归测试”用——但要注意它与 VBench 的分数不可直接比较，别被“0.8 分模型物理只有 0.42”这种并置带偏成“VBench 无用论”，更准确的解读是：现有评测根本没在测物理，Principia 补上了这块空白。VLM 当裁判只有 67%、多数接近随机，这个结果对“用 VLM 给生成视频自动打分”的整个 pipeline 都是警示——包括下面第 3 篇 WorldReward 要解决的问题域。
3. WorldReward：给相机条件世界模型补上“好奖励”——VLM 成对偏好统一动作一致性与视觉质量，三维度超 GPT-5.5，RL 后训练实测有效
论文：WorldReward: Reward Modeling for Camera-Conditioned World Models（2026-09-03，cs.CV）
资源：HF Papers
问题。 相机条件世界模型（camera-conditioned world models）要生成“命令动作引发预期场景变化、同时外观/几何/时间动力学保持一致”的可交互视频。但现有奖励各管一段：基于几何的奖励能估轨迹执行得准不准，却判不了“执行出来的运动画面质量”；基于图像的奖励能测单帧质量，却抓不住动作执行与时间动力学。作者的主张是：VLM 提供了把“动作”与“视觉结果”联系起来的共享推理空间——但让 VLM 直接judge一整段长视频对照完整动作序列，会产生冗长嘈杂的上下文，短促的局部动作证据会被稀释或漏掉。
方法亮点。 提出 WorldReward：一个 VLM 基的成对偏好奖励模型，把动作一致性（action consistency）与视觉质量（visual quality）统一进同一个评测框架。关键机制：把成对视频按动作对齐切成块（action-aligned chunks），每块组织成结构化视觉证据，再用投票把块级决策聚合成视频级的动作一致性与视觉质量两个分离的偏好；训练数据是一套大规模推理增强（reasoning-augmented）偏好数据集——由前沿 VLM 生成结构化判断，再经工具型 agent 审计 + 定向人工复核精修（数据构造的“agent 审计”环节与今天的 agent 治理新闻形成微妙呼应）；同时发布 WorldReward-Bench：一个人类标注的、衡量“奖励模型与人类偏好一致性”的基准，覆盖动作一致性、外观质量、运动质量三个维度。
证据。 摘要量化声明（作者口径）：WorldReward 在 WorldReward-Bench 三个维度上与人类偏好一致性最高，分别超过 GPT-5.5 达 3.42、1.45、3.56 个百分点；把 WorldReward 用于 HY-WorldPlay 1.5 的 RL 后训练后，从短时程到长时程都一致提升了动作执行与视觉质量（具体提升幅度需看正文）。作者共 19 位（Yibin Wang、Zehan Wang、Junshu Tang、…、Yuhang Zang、Jiaqi Wang、Tianyu Pang 等），含多位具名 3D/多模态方向研究者。
边界。 “超过 GPT-5.5”的对比只覆盖 WorldReward-Bench 三维度上的偏好一致性，不代表生成质量全面超越；HY-WorldPlay 1.5 是哪个实验室的模型、RL 后训练的具体收益数字摘要未给；动作对齐分块依赖对动作序列的切分正确性——动作边界识别错误会直接污染块级证据；结构化视觉证据的构造方式（如何把视频块“组织”成 VLM 可读的证据）未展开；投票聚合会否抹平“单块致命错误”（某一块严重违规但多数块正常）未讨论；训练数据中“前沿 VLM 生成判断 + agent 审计”的配比与审计失败率未披露；成对偏好的构造（哪个配对策略）未说明。
我的判断。 产业界把世界模型一个接一个产品化（Atlas、各家“可交互世界模拟器”），学术界却在悄悄补一个尴尬的洞：没有好奖励，世界模型的 RL 后训练就是盲飞。WorldReward 的工程答案（分块 + 结构化证据 + 投票）很务实——它承认 VLM 直接看整段长视频会“淹没局部证据”，于是把“长视频裁判”问题降维成“短视频块裁判 + 聚合”问题，这与此前图像领域把 VLM 当 reward model 的做法一脉相承但更适配视频。3.42/1.45/3.56pt 的相对提升不算大，但“用于 RL 后训练在短到长时程都有效”才是关键证据——奖励模型的终极价值不在 bench 上比 GPT-5.5 高几分，而在能不能当 RL 信号把生成模型推得更远。把它和今天 Principia 的“VLM 物理裁判仅 67%“放在一起，可以画出一条清晰的方法论边界：VLM 奖励模型适合当”审美与语义一致性“的裁判，但物理正确性这类硬约束需要关系式/符号判据兜底——WorldReward 管观感，Principia 管物理，两者大概率要共存。
4. VT-Contrast：VideoLM 的“时间感”可能是假的——给视频 token 表征加时间反事实对比（EMNLP 2026）
论文：The Shape of Time: Video-Token Contrast for Temporal Understanding in VideoLMs（2026-09-03，cs.CV；EMNLP 2026 主会录用）
资源：HF Papers
问题。 论文开篇一句话点题：“按顺序看到帧，不等于在表征时间（Seeing frames in order does not mean representing time）。” 现代 VideoLM 吃进去的是有序视频流，但主要监督信号作用在生成的文本上，而不是视频 token 表征上——而事件动态本该先在视频表征里涌现。这个错位让模型可以靠捷径（物体、场景、语言先验）答对时间类问题，内部视频表征根本不需要捕捉事件进展。
方法亮点。 提出 VT-Contrast：一个表征级（representation-level）的时间反事实（temporal counterfactual）目标，设计上回答两个问题——时间监督应该作用在哪里、应该暴露什么样的时间差异。具体做法：① 监督选定晚期层的“末帧视频 token”（预期中时间信息在语言生成前完成整合的位置）；② 把保序视图与**同一视频的重排反事实（reordered counterfactuals）**做对比，且反事实的扰乱程度用 Kendall tau 距离分级加权（扰动越大、对比信号越强/越合理）。卖点：不需要任何架构改动，兼容多种 VideoLM 训练任务，并在时间理解基准上整体提升性能（“improves overall performance”，具体基准与提升幅度摘要未给）。
证据。 摘要确认：方法被 EMNLP 2026 主会录用（有同行评审背书）；代码已放出；作者为 Yumeng Shi、Quanyu Long、Yin Wu、Wenya Wang（文雅实验室背景的 NTU 团队，作者口径）。“提升时间理解基准整体表现”为摘要定性表述，缺具体数字与基准名单。
边界。 摘要未给任何定量结果（哪些基准、提升多少、哪些任务类型受益最多）；“选定晚期层的末帧 token”的选择依据与层数敏感性未展开；Kendall tau 加权的反事实构造只覆盖“帧序重排”，对更细微的时间结构（事件时长、因果间隔）是否有效未知；“整体提升”是否以牺牲某些任务（如空间/外观理解）为代价未说明；实验模型规模与训练任务范围需看正文；EMNLP 录用只说明审稿通过，不构成对结论强度的背书。
我的判断。 这是本期最“VLM 本体”的一篇，攻击的是一个被忽视的盲区：VideoLM 答对“先 A 后 B”可能靠的是语言先验，而不是真的把时序编码进了视频表征——训练目标全在文本侧，视频 token 只要“够用”就行。VT-Contrast 的修法是直接把“保序 vs 乱序”做成视频表征上的对比信号，逼模型在生成语言之前就把时间结构表达出来。用 Kendall tau 给反事实分级是个值得借鉴的细节：不是所有乱序都一样“错”，扰动越大梯度信号越应该强，这比二元“正序/倒序”对比更细腻。对产业界的启示也很直接：所有“视频理解分数”都可能高估了模型真实的时间建模能力——如果监督始终在文本侧，VideoLM 学到的是“会说时间的话”，不一定是“会表征时间”。做视频 agent/具身数据管线的团队，值得把这类表征级目标当成与文本损失平行的监督通道来试。
5. LLaDA-Image：图像生成也要“全开放配方”——6B DiT 从零训练 + 冻结扩散 LM 理解模块，Qwen-Image-Bench 开源双榜 SOTA（53.53/53.38）
论文：LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes（2026-09-03，cs.CV/cs.AI）
资源：HF Papers
问题。 顶级图像生成模型的训练配方（数据配比、优化器、阶段设计）几乎都是黑盒——大家能下到权重，却复现不了“怎么训出来的”。LLaDA 系列（扩散式语言模型路线）的团队这次把矛头对准了“配方不开放”。
方法亮点。 提出 LLaDA-Image：一个统一框架，把从零训练的 6B Diffusion Transformer（DiT）与基于 LLaDA2.0-Mini 扩散语言模型骨干的冻结视觉-语言理解模块配对。训练策略上刻意不从一开始就重度依赖图文配对数据：先用纯图像预训练与中训练（image-only pre-training and mid-training）建立强视觉生成先验，再做图文对齐；生成管线含 220M 样本；工程细节上用无参数 RMSNorm + Muon 优化器做高效可扩展优化（Muon 是近期在 LLM 预训练上刷出收益的优化器，延续到 DiT 是卖点之一）；产物支持高度写实的图像生成与细粒度编辑指令跟随；另蒸馏出 LLaDA-Image-Turbo，2-4 步采样即可快速推理。
证据。 摘要量化声明（作者口径）：在 Qwen-Image-Bench 上，LLaDA-Image 总体得分 53.53（英文轨）与 53.38（中文轨），两条轨道均创开源模型 SOTA；权重、训练代码与详细配方全部发布。作者阵容庞大（29 位，含 Chuyan Chen、Zhenzhong Lan、Tao Lin、Jun Xie 等，具体机构以论文页为准）。一处需留意的摘要笔误：原文称管线含 “220M samples, 98 of which are real images”——“98”疑似漏印（可能为 98% 或 98M），引用真实图像占比时请以全文为准，本速递不采信该孤例数字。
边界。 除 Qwen-Image-Bench 分数外，摘要未给其他基准（文生图通用榜、编辑任务专项、与闭源模型的差距）；“开源 SOTA”的对比基线名单未列；220M 样本的数据构成（真实图/合成图/图文对各多少）因上述笔误无法确认；冻结的 LLaDA2.0-Mini 理解模块与 6B DiT 如何交互（cross-attention？adapter？）未展开；Turbo 蒸馏的具体方法（几步、有无损失项）未说明；Muon + RMSNorm 的消融证据（相比 AdamW 的收益）需看正文；“细粒度编辑指令跟随”的评测口径未给。
我的判断。 今天 AI 日报的头条之一是 NVIDIA 以 129 亿美元收购 Hugging Face（#013），开源生态的“被收编焦虑”正浓；LLaDA-Image 在这个时点强调**“fully open training recipes”（权重+代码+配方），与 #013 的 SolarWM（世界模型全开放地基）形成呼应——开源阵营的竞争焦点正在从“放权重”升级到“放配方”。技术路线上有意思的是“先纯图像预训练、后对齐”的反直觉顺序：作者明说“不依赖大量图文对起步”，这暗示 6B 规模下视觉先验主要来自图像本身，图文对只在后期做“指令化对齐”——这与 GPT-Image-2/Nano-Banana 等闭源“统一生成模型”的路线差异明显，反而更接近“可复现性优先”的学术路线。53.53/53.38 的 Qwen-Image-Bench 开源 SOTA 值得注意，但更值得跟踪的是配方开放后社区的复现与二次训练**——如果“Muon + 图-only 预训练”的组合被独立验证，它可能成为开源图像生成的新默认配置。
今日阅读线索
把五篇串起来，本期其实在回答产业本周抛出的同一个问题——“世界模型/生成模型的能力声明，拿什么当尺子、拿什么当信号”：
- 尺子要换：Principia 证明“美观分高 ≠ 物理对”（≤0.42 vs ~0.8），与 AI 日报里 EEBench 给电路打分、ARC-AGI-3 的 harness 之争是同一个潮流的三个截面——可验证、标定无关、能直接判错的评测，正在取代“像不像”的主观榜。2. 信号要补：WorldReward 直击“世界模型没有好奖励”的痛点，但它的边界（Principia 里 VLM 裁判仅 67%）提示：VLM 奖励管语义与审美，物理正确性仍需符号/关系判据——两把尺子各管一段。3. 架构要带几何与物理：Puffin-World 把重力/纬度/深度做成与像素平级的状态并全量开源数据；与 #013 SolarWM“数据契约”、今天 Atlas 们的产品化并读，“世界模型的下一战在 3D 数据与物理条件”的判断越来越稳。4. 表征要比文本损失更深：VT-Contrast 提醒，监督若只在文本侧，“时间理解”就可能是语言捷径——这条对视频 agent、具身数据管线都适用。5. 开放从权重走向配方：LLaDA-Image（图生成）与 SolarWM（世界模型）同周出现“全配方开源”，开源竞争进入“可复现性”阶段。
顺带可读（同批次、未展开）：GraFT（2609.03892，训练-free 的 3D 场景图空间推理，ScanQA CIDEr +27%、VSI-Bench 最高 +65%——Puffin-World 的“几何显式化”主张在推理侧的姊妹篇）；Do Video Generators Track the World Across Segments?（2609.03673，视频续写中的跨段世界状态保持基准）；OctWorld（2609.03919，八叉树 3D 映射支撑的长程世界一致视频生成）；SafeRI（2609.03544，LVLM token 级安全干预——今天 agent 安全新闻的模型侧呼应）。