本期覆盖 arXiv 最新可检索批次（cs.CV/cs.CL/cs.RO/cs.AI，标注日期 2026-09-04；截至 9 月 8 日早抓取，arXiv API 索引中尚无 9/5 及之后标注的新公告批次——与 #016 的记录一致，索引滞后约三天）。#016 已覆盖 09-03 批次的 FactoSR/VeriPhy/Jina-OCR-v1/CoFiE/S³T，本速递从 09-04 批次另选五篇方向互补，全部经 arXiv abs 页逐篇直接核验。把它们与今天的 AI 日报 #017 并读，本期暗线非常锋利：「语言通道太窄、又太脆」——日报里 Mostik 说模型之间协作只靠每 token「17 个比特」的文本、所以要修一座潜空间直连的桥；今天 ROBORMBENCH 从评测侧证明同一个病：VLM 奖励模型对「换一种说法」脆弱到能把同一段机器人行为在成功与失败之间翻转；LSS 则给出同一个诊断的另一半解药——别让模型在推理时用文本想，把「推理」在训练期就烙进表征（与 Mostik「大模型只读题不写字」、#016 可可矩阵「强理解轻生成」是同一哲学的三种工程形态）。另外三篇分别回答「VLA 到底卡在哪」（RoboSPA 诊断基准）、「世界能不能从接地视频里长出来」（WorldSculpt）、「视觉信息到底在哪个环节进入决策」（From Vision to Language 因果干预）。五篇分别对应「奖励可靠性、VLA 诊断、训练期推理、接地世界生成、多模态可解释性」五个关键词。除标注「摘要无数字」者外，所有数字均引自摘要原文并归因于作者；作者机构以论文页为准，本刊不做推断。
1. ROBORMBENCH：VLM 奖励模型的「释义脆弱性」——同一轨迹、同一意图，换个说法就能把成功判成失败；2,390 条真机轨迹、21,673 条人工核验释义，规模与显式推理都救不了
论文：Same Trajectory, Contradictory Rewards (ROBORMBENCH): Paraphrase Fragility in Vision Language Reward Models（2026-09-04，cs.RO/cs.CL）
资源：HF Papers
问题。 VLM 越来越多地被用作机器人学习的奖励函数（给轨迹打分、判断是否完成任务），但这个角色有一个基本要求：释义不变性（paraphrase invariance）——语义等价的 goal 描述应当给同一条轨迹相同的奖励。作者证明当前 VLM 奖励模型普遍违反这一性质：仅改写指令就能大幅改变预测的进度分（progress scores），甚至能把同一条机器人行为在「失败」与「成功」之间翻转。
方法亮点。 把这一失效模式变成可测基准：ROBORMBENCH——① 数据：2,390 条真实机器人轨迹 + 真值进度标签；② 释义：21,673 条人工核验过的释义，覆盖词汇（lexical）、句法（syntactic）、动作目标（action-goal）三类改写——不是随便换同义词，而是系统性地构造「语义等价、表面不同」的压力测试；③ 横评：专有与开源的多种 VLM 奖励模型，外加带轨迹接地监督的专用奖励模型做对照。
证据。 摘要量化声明（作者口径）：① 释义引发的不稳定性广泛且严重，且改写差异越大（更发散的重写），不稳定越严重；② 模型规模（scale）与显式推理（explicit reasoning）都不能可靠地降低这种脆弱性——这是最刺眼的结论：变大、变会「想」，都不等于变稳；③ 用轨迹接地监督（trajectory-grounded supervision）训练的专用奖励模型显著更稳定。作者 9 人：Wonje Jeung、Sangyeon Yoon、Hyesoo Hong、Yoonjun Cho、Dongjae Jeon、Bumjun Kim、Jean Oh、Youngjae Yu、Albert No。
边界。 摘要未给「翻转率」等具体百分比与各模型榜单（正文才有）；释义的「语义等价」依赖人工核验标准，不同任务难度下等价性判定可能漂移；「专用奖励模型显著更稳」的训练数据来源与成本未在摘要说明；评测聚焦 progress score 类奖励，未覆盖稀疏成功奖励与偏好奖励的全部形态；真实机器人轨迹来自何种任务分布未展开。
我的判断。 这是本期与日报共振最直接的一篇：Mostik 说模型间通信的文本通道只有「17 个比特」、信息丢失严重——ROBORMBENCH 证明这条通道不仅窄，而且对同一个意图的不同措辞还会给出互相矛盾的解释。对奖励建模的实操含义是决定性的：「给 VLM 一句自然语言当奖励函数」在机器人 RL 里是一个看起来很美的陷阱——如果同一条 rollout 换个 prompt 就从成功变失败，那么用它做梯度信号，训练出来的策略会在「措辞的隐空间」里过拟合而不是在「任务的语义空间」里收敛。这与 #016 主条 2 里 WorldReward 的「成对偏好 > 标量奖励」、#015 的 VeriPhy「物理义务」是同一方法论觉醒的三个侧面：先证明「信号源可靠」，再谈用信号训练。作者给出的出口（轨迹接地监督的专用奖励模型）与 CORE（#016，把 reranker 判断蒸馏进 embedding）同构——把判断能力锚定到任务本身的表征上，而不是悬在通用语言模型里。对做具身 RL 的读者，这篇应该进必读清单：它给「为什么我的 VLM 奖励训练不收敛」提供了一个此前没人系统测量的答案。
2. RoboSPA：给 VLA 出「超纲题」——空间-程序双维度诊断基准，10 类任务、56 个基础任务 × 5 档难度 = 280 变体、527K 轨迹；代表性 VLA 仍 struggle（EMNLP 2026 main 已核验）
论文：RoboSPA: Can VLA Models Go Beyond Simple Scenes and Short-Horizon Tasks?（2026-09-04，cs.RO/cs.AI/cs.CV；comments 字段标注 Accepted at the EMNLP 2026 Main Conference，已核验；代码与数据）
资源：HF Papers
问题。 VLA（Vision-Language-Action）模型在语言条件机器人操作上进展显著，但作者指出一个评测盲区：现有数据集与基准主要在预设条件下测「任务完成率」，几乎不提供「空间复杂度与程序复杂度递增时模型推理能力如何变化」的视角——简单场景、短程任务上的高分可能掩盖了真实瓶颈。
方法亮点。 推出 RoboSPA（Robot Spatial-Procedural Assessment），一个面向 VLA 具身推理的诊断基准，聚焦两个核心维度：细粒度空间推理（Fine-Grained Spatial Reasoning）与长程程序规划（Long-Horizon Procedural Planning）。结构上刻意做成「阶梯」：10 类任务、56 个基础任务，每个任务实例化 5 档难度，共 280 个变体，空间歧义与程序复杂度逐步递增；收集 527K 条轨迹，覆盖多种本体（embodiments）与多样场景。评测上不满足于二元成功率，引入诊断指标以定位具体失败环节。
证据。 摘要量化声明：对代表性 VLA 模型的实验显示，当前系统在复杂空间关系、精确低层执行与记忆密集型规划上仍然 struggle（吃力）；作者据此把 RoboSPA 定位为「具有挑战性的诊断基准」（摘要未给各模型的成功率数字，仅给数据规模 527K/280 变体）。作者 12 人：Zhenxuan Fan、Bo Zhang、Yutong Lin、Yuqian Yuan、Juekai Lin、Liang Liang、Zhuoyi Huang、Wenqiao Zhang、Juncheng Li、Siliang Tang、Jun Xiao、Yueting Zhuang。
边界。 摘要没有给出任何模型的具体分数与失败模式分布（诊断指标长什么样要等正文）；527K 轨迹中仿真与真机比例未说明；「5 档难度」的难度标定依据（空间歧义/程序复杂度的操作化定义）未展开；任务类别覆盖（10 类）与真实世界操作任务的距离未讨论；EMNLP main 接收但未见代码可用性以外的复现细节。
我的判断。 RoboSPA 与 LIBERO-RECOVER（见顺带可读）、#016 的 InSituMeasure 属于同一波「把基准从『能不能成』升级为『卡在哪、为什么』」的方法论运动——而且它点破的瓶颈非常具体：空间关系（在/旁/叠放、左右手系）与记忆密集型规划（几十步后还记得要做什么）正是当前 VLA 的两个公认软肋，把软肋做成可递增难度的「阶梯考场」是诊断的正确姿势。对读者的价值有两点：其一，「527K 轨迹、280 变体」本身就是资源信号——VLA 领域缺的不是又一个端到端模型，而是能区分「能力天花板」与「评测地板」的诊断数据，RoboSPA 与同期 LIBERO-RECOVER（失败恢复）一起，正在把 LIBERO 这一系基准从「客厅 demo」推向「考场」；其二，与日报 #017 主条 2（Mostik 桥让 4B 小模型补 50% 差距）并读很有意思：如果小模型+桥在 ARC-AGI-3 这种纯推理榜上逼近大模型，那 VLA 卡住的「空间/记忆」会不会是同样的『表征问题』而非『参数问题』——RoboSPA 这类诊断基准正好是验证这个猜想的实验场。
3. LSS（Latent Semantic Scaffolding）：把「推理」搬进训练期——辅助损失对齐动作 token 与物理推理表征，推理时零额外成本；逐相位对齐（Dense）胜过整段池化（Pooled），骨干分离度约 2 倍
论文：Reasoning Without Inference Cost: Latent Semantic Scaffolding for Robot VLA Policies（2026-09-04，cs.RO）
资源：HF Papers
问题。 VLA 模型靠模仿学习训练，学到了「该做什么动作」但没学到「为什么」；给 VLA 加因果推理能提升操作表现，但现有方法在推理时付费——每一步生成推理 token 或 rollout 预测的未来状态，成本随任务时长累积（long horizons 下尤其贵）。作者的问题很直接：这个收益能不能在训练期就拿到、部署前丢掉？
方法亮点。 提出 Latent Semantic Scaffolding（LSS）：在人类示范预训练期间加一个辅助损失——通过一个小型投影头，把 VLA 的动作 token 表征对齐到「物理推理理由（physical-reasoning rationales）」的文本嵌入。关键设计：推理时把投影头丢掉，留下未修改的基础策略、零额外成本。论文的核心发现是对齐粒度：把每个动作 token 对齐到它所属操作阶段（manipulation phase）的理由（Dense LSS），而不是对齐到整段 episode 的单一池化嵌入（Pooled LSS）——逐相位对齐的表征在未见任务上迁移显著更好。
证据。 摘要量化声明（作者口径）：① Dense LSS 同时拿到最好的分布内成功率与最好的未见任务迁移，而 Pooled LSS 对训练任务过拟合（over-specialize）；② 表征探针显示，Dense LSS 在骨干中诱导出约 2 倍的每相位可分离性（per-phase separability）——佐证「相位局部对齐是起作用的机制」。作者 6 人：Andrew Ting Yan Li、Zhuo Li、Zhelin Yang、Zhipeng Dong、Quentin Rouxel、Fei Chen。
边界。 摘要未给具体成功率数字、任务集与基线清单；「物理推理理由」文本从哪来（人工标注/LLM 生成/自动提取）未说明——这直接决定方法的可扩展性；实验平台（真机/仿真、何种操作任务）未具名；「零额外成本」只算推理开销，预训练期的辅助损失训练成本与投影头调参成本未讨论；对齐到文本嵌入是否会把「语言先验的噪声」也烙进表征，未见分析。
我的判断。 这是「把推理从推理时文本搬进训练期表征」这条路线在 VLA 上的又一个实证——它与日报 #017 的 Mostik 桥（潜空间直连、大模型不写字）、#015 的 ActEffect（世界模型只在训练期上岗，推理时退场）构成 2026 年一个清晰的方法论家族：推理的价值不在于「被说出来」，而在于「改变表征」。LSS 的贡献在粒度：Pooled（整段一个向量）vs Dense（每相位一个目标）的对比说明，推理理由必须贴到它对应的那一段动作上才有迁移价值——这跟 #016 Select-Compress-Reinvest 里「选择 > 压缩」、SBS 里「先定位后描述」是同一个教训在不同层面的回响：对齐/监督的粒度决定信息的可用性。值得盯两点：理由文本的获取成本（如果每段示范都要高质量 rationale，数据管线会重新成为瓶颈——但这也正是 #016 可可矩阵所说的「人机教学数据」缺口）与 Dense 对齐对「相位切分错误」的鲁棒性。工程启示很实用：任何「推理时很贵」的能力，都值得先问一句「能不能在训练期烙进表征」。
4. WorldSculpt：让世界从接地视频里「长」出来——强单物体 3D 生成先验 + 多视图条件，零场景级训练重建含数百物体的杂乱场景（UE-MeshyScene 基准）
论文：WorldSculpt: Generating Compositional Worlds from Grounded Videos（2026-09-04，cs.CV；主页 · 代码）
资源：HF Papers
问题。 目标：把一个含数百个物体的杂乱场景表示成「共享世界坐标系下的独立物体网格集合」——下游游戏、AR/VR、仿真与机器人需要这种组合式表示。难点在密集杂乱场景：物体互相严重遮挡，每个视角只露出物体几何的一小部分。既有路线各有死穴：几何方法把场景重建为单一表示、遮挡区域几何残缺；带生成先验的组合式方法基本局限于简单场景。
方法亮点。 核心主张：含数百物体的复杂场景可以组合式地生成，只要把一个强的单物体 3D 生成先验适配到多视图观测上。实现：以 Pixal3D 为底座，扩展一条多视图条件通路（multi-view conditioning pathway），让物体生成**接地（grounded）**到多个带位姿的观测上。最反直觉的设计是训练/泛化边界：模型只在规范空间（canonical space）的单物体上微调，完全没有做过场景级训练，却能泛化到严重遮挡的大场景——作者称这证明了该范式的可行性与可扩展性。配套推出 UE-MeshyScene：一个写实的密集杂乱场景基准，含数百物体/逐物体标注/真值网格。
证据。 摘要量化声明（作者口径，无具体数字）：在单物体、受控多物体与 UE-MeshyScene 三档评测上一致优于既有方法，且场景越复杂、遮挡越严重优势越大；另演示了把生成式 3DGS 世界（Marble、HY-World 2.0）转换成组合网格场景的通用性。作者 12 人：Muyao Niu、Jixuan He、Ruihan Yu、Lian Fu、Yonghao Yu、Zheng-Hui Huang、Yifan Zhan、Fengbo Lan、Yongtao Ge、Yinqiang Zheng、Kaipeng Zhang、Zhixiang Wang。
边界。 摘要零数字、零具名基线；「数百物体」场景的具体规模/遮挡率分布需看正文与基准页；单物体先验微调到多视图条件的训练数据规模未说明；「grounded videos」在摘要中着墨有限——视频到多视图观测的抽取与位姿来源是工程关键，未展开；组合式网格的语义标签（每个网格是什么物体）如何获得未见交代；代码已开源但复现成本（单物体生成先验的算力）未评估。
我的判断。 把这篇和日报 #017 的 HiDream-O1-Embodied（智象的「真实基座+生成增强」数据范式）并读，会发现两边在说同一件事：2026 年的世界模型叙事正在从「生成一段像世界的视频」转向「生成可用于仿真/操作的结构化表示」——WorldSculpt 要的是「能放进游戏的组合网格」，HiDream 要的是「能训练机器人的变体数据」，共同点是接地（grounding）：不是从文本 prompt 里幻想世界，而是从多视图观测/动捕数据里长出世界。「只训单物体、零场景级训练就泛化到数百物体场景」如果复现成立，是生成先验可组合性的强证据——与 #016 AdaRoboVLG 的「可组合先验」、日报 Mostik 的「表征可翻译性」是同一信念的三个投影：先验/表征是可迁移的积木，复杂能力是积木的组合而非端到端的涌现。对做 3D/世界模型的读者，这篇的路线值得抄：与其从零训一个场景级生成器，不如把单物体生成先验做扎实，再用多视图条件把它「钉」进场景——先验复用是数据效率的正道。等正文的量化对比，重点看「遮挡率-精度」曲线。
5. From Vision to Language：逐层因果干预，定位多模态决策里视觉信息的「接入点」——答案选项是主要文本接地点、名词是语义锚、时序推理有 distinct 的脆弱模式（EMNLP 2026 Findings 已核验）
论文：From Vision to Language: Investigating Causal Information Flow in Multimodal Decision-Making（2026-09-04，cs.CL/cs.CV；comments 字段标注 Accepted at Findings of EMNLP 2026，已核验）
资源：HF Papers
问题。 VLM 通常只用最终预测来评测，但「这个决定是否真的 grounding 在视觉证据上」需要回答一个更细的问题：视觉信息在决策过程中从哪条路径、在哪个环节流进语言侧？作者在基于视频的生成式多选设定下研究这一点，覆盖空间、因果、时间三类视觉推理。
方法亮点。 对视频-文本注意力通路做逐层因果干预（layer-wise causal intervention）——不是看注意力权重（相关性），而是切断/扰动特定层级的跨模态通路来测「因果贡献」。设计上把文本侧拆成不同成分（候选答案选项、名词、动词等），逐一检验它们作为**视觉信息接入点（grounding sites）**的角色。
证据。 摘要结论（作者口径，无数字）：① 视觉信息主要在模型处理候选答案选项（candidate answer options）时被整合——选项是最终决策的主要文本接地点；② 名词是跨模态语义丰富化过程中的重要语义锚（semantic anchors），而动词在时序关系被处理时更重要；③ 时序推理呈现一种 distinct 的脆弱模式：VLM 难以跨视频帧重建序列信息——但作者谨慎地补充：这种脆弱可能部分反映了特定时间表达（temporal expressions）带来的语言偏差，不全是视觉问题。作者 5 人：Davide Testa、Hugh Mee Wong、Alessandro Lenci、Bernardo Magnini、Albert Gatt。
边界。 摘要零数字、未具名模型与数据集；「基于视频的生成式多选」设定与真实开放问答的差距需注意；因果干预的层级粒度（多少层、哪几层切断）未展开；「选项是主要接地点」的结论是否受多选任务形态诱导（被迫在选项间比较）未知——换成自由生成任务可能不同；时间表达的语言偏差与其视觉脆弱性的剥离只做到「提示」，未给出分离方法。
我的判断。 这是 An Alien Mind 式焦虑（日报 #017 主条 1：思维链监控失效、需要新的可观测面）在论文侧的对应物：如果你要监控一个多模态模型「有没有真的在看」，你得先知道它「在哪一刻看」——这篇给出的答案是：它主要在读到选项（而不是视频或问题）的时候把视觉信息接进来。这个结果对两类人有直接价值：对评测设计者，「选项后置接入」意味着多选基准的分数可能高估了模型的「先看后答」能力——模型也许是在选项的语境里才回头取视觉证据（这本身没错，但和「看完视频就懂」是两种能力）；对对齐/监控研究者，它提示名词短语是跨模态事实注入的咽喉要道——干预名词通道比干预整句更高效，这与 ROBORMBENCH（主条 1）里「改动词汇就让奖励翻转」互为镜像：语言侧的表面对齐点，同时是脆弱点与监控点。与 #016 From Vision to Language 前作（VT-Contrast 等表征层时间结构）不同，这篇把问题从「表征里有没有时间」推进到「决策时信息怎么流」，值得读正文的干预图谱。
今日阅读线索
把五篇与今天的 AI 日报 #017 串起来，本期其实在回答同一个问题的三个层次——「当模型不再只说人话，我们拿什么判断它、训练它、信任它」：
- 「语言通道」成为 2026 年 9 月第一周之后最强的跨领域一致信号：日报里 Mostik 说模型间只靠 17 比特文本协作太低损（要修桥）；ROBORMBENCH 证明 VLM 奖励对释义翻转脆弱到「成功↔失败」（语言不可靠）；LSS 干脆让模型别在推理时写文本、把推理烙进表征（语言太贵）；可可矩阵（#016）要「条件表征、轻生成」；Skild/GEN-1.5 用 ICL 绕开微调文本接口——五个不同子领域在合围同一个靶子：文本作为模型内部与模型之间的接口，正在被表征层接口取代。对做系统的人，这条信号的工程含义是：接口设计（表征对齐、潜空间通信、奖励锚定）正在取代参数规模成为下一阶段的能力杠杆。
- 机器人学习进入「可靠性深水区」，基准从「能不能成」转向「为什么不成、坏了怎么恢复」：RoboSPA（卡在哪：空间与记忆）、ROBORMBENCH（信号源可不可靠：释义脆弱性）、LIBERO-RECOVER（顺带可读：失败后能不能恢复）——三个新基准在同一天出现不是巧合，VLA 领域的下一场竞赛是「可信度基准竞赛」，与 #016 InSituMeasure（情境化测量）是同一运动的延续。对读者的操作守则：任何 VLA 论文报 LIBERO 高分时，先问「是哪种难度阶梯、奖励函数是否做过释义鲁棒性检查、失败后能否恢复」。
- 「先验/表征可迁移、能力靠组合」的信念在生成侧与具身侧同时得票：WorldSculpt（单物体先验零场景级训练重建数百物体场景）与 #016 AdaRoboVLG（可组合先验）、日报 Mostik（表征可翻译）、HiDream（生成增强数据）互相印证——端到端涌现叙事正在让位给「结构化先验 + 显式接口 + 接地条件」的工程叙事；但请记住 WorldSculpt 摘要零数字、Mostik 分数未公布：信念与证据之间还隔着复现。
- 多模态可解释性从「看注意力」升级到「断因果」：From Vision to Language 的逐层干预定位「选项是接地点、名词是锚」，与《外星思维》的监控焦虑（日报主条 1）在同一时间出现——「它在哪一刻看、看什么」正在成为可测量、可干预的工程对象，这是监控失效叙事里为数不多的建设性出口。
顺带可读（同一批次、未展开）：TourPhysics（2609.04911，cs.CV）：把物理带回交互式世界模型——从单张图 + 声明式物理配置出发在线探索/操作，仿真器算有限物理+相机轨迹、视频生成器只负责生成对应观测，几何证据与外观记忆分家、参考锚定残差抑制长程外观漂移，扩展自其 ACM MM 2026 工作 PhysOmni——与 WorldSculpt 一「物理一几何」，是「世界模型要可干预」的两条路线；IVSGround / Where to Look Matters（2609.04741，cs.CV，ECCV 2026 已核验）：给 VLM 3D 接地学「看哪」——轻量视图选择器用推理 VLM 的两阶段拒绝采样信号训练，选「对接地有判别力」的视图而非「物体最可见」的视图，ScanRefer/NR3D 上一致优于零样本管线——与主条 5 同理：给模型的观测选择本身就是推理；KoNA / Knowing What Not to Answer（2609.04720，cs.CL/cs.AI，EMNLP 2026 main 已核验，43 页）：VLM 选择性拒绝基准——False Premise/Visual Inaccessibility/Universal Unknown/Task Feasibility/Safety 五类、查询级+成分级双层非依从评测，微调后非依从准确率大幅提升且几乎不掉可答任务——「知道什么不该答」正在成为独立能力轴，呼应 #016 InSituMeasure 的拒绝指标；MCPO（2609.04947，cs.CV/cs.AI）：多模态 CoT 压缩——步级归一化跨模态互信息剪枝 + 非对称多模态长度控制偏好优化，<900 训练样本把 CoT 长度最多压 69.5%、端到端提速最高 3.34x 且保精度（Qwen3-VL-Thinking 等基座）——与 LSS 同向：长推理的成本正在被系统性裁剪；LIBERO-RECOVER（2609.05178，cs.RO）：失败恢复基准——从 SOTA 具身模型的真实执行失败中收集 1,000+ 场景、四级恢复（动作重试/动作适应/物体状态恢复/环境恢复），把评测从「能成功吗」转向「失败后能恢复吗」——与 RoboSPA 构成 VLA 可信度基准双子星。