本期覆盖 arXiv 当前可检索的最新批次（cs.CV/cs.CL/cs.AI，标注日期 2026-09-04；截至 9 月 9 日早抓取，arXiv API 与 list 页面均仍无 9/5 及之后的新公告批次——与 #017 记录一致，索引停滞约一周）。#017 已从 09-04 批次覆盖 ROBORMBENCH（奖励释义脆弱性）、RoboSPA（VLA 诊断基准）、LSS（训练期推理）、WorldSculpt（接地世界生成）、From-Vision-to-Language（因果信息流）五篇；本期从同一批次、#017 未覆盖的论文中另选五篇方向互补，全部经 arXiv abs 页逐篇直接核验——先说清楚批次，避免读者误以为 arXiv 出了新公告。

五篇合起来有一条相当清晰的暗线：「诊断—修复闭环」正在具身与多模态两端同时成形，而「Agent 化」从论文标题渗透进方法本身。What Matters, When? 把 VLA 的干扰物脆弱性从「现象」变成「可定位、可干预」的工程问题（诊断→三类干预→仿真+实机修复）；同组背靠背的神经符号程序推理则把「结构」当作长程 VLA 的解药（任务图+程序记忆+注视引导）；MCPO 处理的是推理成本（多模态思维链太长，用不到 900 个样本剪掉与图像无关的推理步）；WeAgent-MMGenEdit 把图像生成/编辑整体改造成「带验证工具的 agent 工作流」；最后一篇最妙——VLM 自己当「诊断 agent」去调 MOT 跟踪器的超参，无标签跨域适应恢复近七成丢失余量。把它与日报 #018 并读（OpenAI 让一万个 agent 跑 88 小时解 NS、王云鹤把路由经验写进参数），「agent 不再只是被评估的对象、而成为评估与修复的主体」这条线已经横跨数学、代码、图像与视觉跟踪。除标注「摘要无数字」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. What Matters, When?——把 VLA 的干扰物脆弱性做成「可定位」的诊断：视觉相似的干扰物让策略选错物体/目的地，即使操作技能完好；三类干预在仿真与真实 UR3e 上显著恢复鲁棒性

论文：What Matters, When? Diagnosing and Improving Conditional Visual Grounding in Visuomotor Imitation Policies（2026-09-04，cs.RO/cs.AI/cs.CV；comments 标注 Accepted as an extended abstract at the DexHAND Workshop, ECCV 2026，非档案非论文集，4 页，已核验）

资源：HF Papers

问题。 视觉运动模仿策略（visuomotor imitation policies）在分布内视觉条件下可以做得很好，但一旦出现视觉上相似的干扰物体或干扰容器就会失败。作者把这个现象重新定义为条件视觉接地（conditional visual grounding）问题：成功控制所需的视觉目标会随操作阶段变化、在更复杂任务中还随观测到的任务状态变化——也就是说，策略不仅要「看见」，还要在正确的时刻把注意力放在正确的目标上。此前的工作大多把这类失败笼统归因于「泛化差」，这篇论文要做的是精确回答：什么时候、因为哪种相似性、在哪个操作环节上失效。

方法亮点。 用 ACT（Action Chunking with Transformers）做载体，系统性引入颜色与形状相似度受控的干扰物体与干扰容器，把失败定位到 picking 与 placement 两个环节；基于诊断结果，设计三类互补干预——干扰物增强（distractor augmentation）、阶段相关注意力正则（phase-dependent attention regularization）、基于外观的视觉提示（appearance-based visual prompting）——目标是在改进目标选择的同时保留控制所需的空间信息。论文没有止于单一策略族：同一个失效模式也在预训练 VLA 策略的状态条件器械操作任务上复现（器械的观测状态决定正确目的地），从而把结论推广到不同策略学习范式。

证据。 摘要量化声明（作者口径）：① 干扰物敏感性同时取决于视觉相似的类型与操作阶段（颜色相似 vs 形状相似的失效环节不同）；② 三类干预在仿真与物理 UR3e 机械臂上都「substantially improve」鲁棒性（摘要未给具体百分比）；③ 关键的定性结论——视觉干扰物即使在不触碰底层操作技能的情况下，也会造成错误的物体或目的地选择，而显式改进目标选择可以显著恢复性能。作者 6 人：Vivek Chavan、Pengtao Xie、Yahuan Shi、Oliver Heimann、Kevin Haninger、Jörg Krüger。

边界。 摘要未给出任何量化提升数字与失败率分布（4 页 workshop 短文的容量限制）；受控干扰物的相似度设计与真实场景（光照、遮挡、纹理）的距离未讨论；干预组合的消融（哪一项贡献最大）未在摘要展开；「保留空间信息」与「强化目标选择」之间的权衡缺少量化刻画；真机实验规模（UR3e 上的任务数/回合数）未说明。

我的判断。 这是 #017 RoboSPA「VLA 卡在哪」的下钻版：RoboSPA 给宏观诊断（空间/记忆是软肋），这篇给微观机理——干扰物失败不是「技能坏了」，而是「接地环节选错了目标」，且这个错误是阶段相关的（pick 阶段与 place 阶段对相似性的敏感度不同）。这个区分在工程上很值钱：如果病根是「目标选择」，就不需要重训整个策略或换更大的模型，只需在注意力/提示层面做手术——这与 #017 LSS「把推理烙进表征」、日报 #018 基元律动「把路由经验写进参数」是同一个思路的具身版：先定位失败发生在哪一层，再决定在哪一层修复。对做模仿学习的读者，这篇的实操启示是：报告 VLA 性能时若不加「干扰物压力测试」，你可能根本不知道策略的接地环节有多脆。

2. 同组背靠背：神经符号程序推理——显式任务图 + 多模态程序记忆 + 伪注视引导，给长程 VLA 装「结构」（ECCV 2026 X-Reason Workshop oral）

论文：Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation（2026-09-04，cs.RO/cs.CV；comments 标注 Accepted as an oral presentation at the X-Reason Workshop, ECCV 2026，非档案扩展摘要 6 页，已核验）

资源：HF Papers

问题。 VLA 能执行短操作技能，但在需要持久任务状态、依赖感知推理、条件决策与可靠接地（grounding）的长程程序中依然脆弱——这与第 1 篇的诊断（接地脆弱）同源，但发生在更长的时间尺度上：几十步之后，策略还记得「进行到哪一步、哪些已完成、下一步依赖什么」吗？

方法亮点。 神经符号框架：学习的 VLA 控制 + 显式任务图 + 多模态程序记忆。任务图编码动作依赖、合法转移与分支条件；记忆维护活动步骤、已完成动作、文本上下文与任务相关的视觉证据——两者共同引导物体选择、目的地接地、子目标派发与期望状态转移的验证。另一个亮点是人类演示的时空引导：通过注视/显著性线索提供额外引导；为避免跨视角注视迁移的干扰，初期研究直接在机器人视角遥操作视频上标注伪注视（pseudo-gaze），并在 VLA 微调与推理时使用。

证据。 摘要陈述（作者口径）：在两个长程操作域（workspace clearing 与手术器械操作）上研究——二者都需要有序执行、视觉接地决策与条件分支；评估覆盖正确选物、目的地选择、子任务完成、任务进度、步序一致性、完整任务成功与程序性/执行错误。摘要未给任何结果数字，属于「框架+评估设计」型 workshop 论文。作者 5 人：Vivek Chavan、Yahuan Shi、Oliver Heimann、Kevin Haninger、Jörg Krüger——与第 1 篇同团队同日发布（第 1 篇多一位 Pengtao Xie），两篇分别从「单步接地的微观诊断」与「长程程序的结构化」两侧夹击 VLA 的可靠性问题。

边界。 无结果数字，疗效未知；任务图与程序记忆由谁构建（人工/自动）未在摘要说明——这是神经符号路线的经典命门：符号结构本身的成本与可扩展性；伪注视标注的规模与成本未披露；「手术器械操作」域停留在仿真还是含实机未说明；与纯端到端长程 VLA 的对照设置未展开。

我的判断。 把第 1、2 篇放在一起读，这个团队（Fraunhofer/柏林工大背景的 Haninger/Krüger 系）的立场很鲜明：VLA 的可靠性问题不能只靠更多数据与更大模型解决，需要在「目标选择」（第 1 篇）与「任务结构」（第 2 篇）两层加显式机制。第 2 篇的神经符号选择与 #017 RoboSPA 的诊断结论（记忆密集型规划是软肋）咬合：记忆密集型任务的解药可能不是更强的隐式记忆，而是把记忆显式化（任务图+状态追踪）。它与日报 #018 的呼应同样直接：OpenAI 用一万个 agent 解 NS、基元律动做 Routing Harness——「给大模型外挂显式结构」正在从机器人领域蔓延为通用方法论。值得跟踪的是：如果伪注视+任务图真能显著提升长程成功率，它将给「VLA 数据稀缺」提供一条不依赖海量真机数据的出路。

3. MCPO：用不到 900 个样本压缩多模态思维链——NCMI 剪枝自动剔除「与图像无关」的推理步，CoT 长度最高 -69.5%、端到端 3.34x 加速、保持精度

论文：MCPO: Modality-Contrastive Preference Optimization for Multimodal Chain-of-Thought Compression（2026-09-04，cs.CV/cs.AI）

资源：HF Papers

问题。 多模态大推理模型靠长思维链（M-CoT）拿下复杂任务，但过长的推理轨迹带来高昂计算成本与显著的 KV-cache 压力。既有的 CoT 压缩与对齐范式依赖静态规则或单维偏好，缺乏细粒度的跨模态约束——结果容易诱发「视觉懒惰（visual laziness）」与幻觉式推理：模型不再真正看图，而是在文本惯性里越走越远。压缩多模态推理链，难点在于不能只砍长度，还要砍得「模态正确」。

方法亮点。 两阶段、样本高效的 MCPO（Modality-Contrastive Preference Optimization）：压缩阶段提出步级归一化跨模态互信息（NCMI）剪枝——通过比较「有图」与「无图」两种上下文下的推理差异，自动识别并剔除与视觉无关的推理步骤，同时减少冗余与幻觉内容；对齐阶段先做 SFT 领域自适应初始化，再用非对称多模态长度控制偏好损失微调——该损失采用高度非线性的 odds-ratio 形式：在有图上下文中提供陡峭梯度以强化偏好轨迹的长度约束，在无图上下文中用放缩的平梯度线性差保持模态一致性，实现稳定的跨模态偏好对齐。

证据。 摘要量化声明（作者口径）：训练样本少于 900 条；在 Qwen3-VL-Thinking 等主流基座上的实验显示——CoT 长度最高减少 69.5%，端到端推理加速最高 3.34x，同时保持原有准确率。作者 7 人：Guangheng Yang、Zhenliang Ni、Zhenkai Wu、Han Shu、Juan Feng、Wenming Yang、Jie Hu。

边界。 摘要未给「保持精度」的具体数字与任务分布（哪些 benchmark、长链占比多少）；「-69.5% 与 3.34x」是否在同一配置下同时取得未说明；NCMI 剪枝需要成对的「有图/无图」推理，推理期开销翻倍的成本没有计入（剪枝若在离线完成则无此问题，摘要未澄清）；「视觉懒惰」的检测依赖互信息代理，其与真实视觉接地的相关性未验证；样本少于 900 的构成与通用性（跨任务类型）未展开。

我的判断。 这篇与 #017 的 LSS 是同一场战役的两翼：LSS 在训练期把推理「烙进」表征、推理时零成本；MCPO 在推理链层面做「模态感知剪枝」——两者共同的靶子是同一个病：推理文本里大量的 token 其实不承载跨模态信息。MCPO 最有意思的设计是 NCMI 的「有图 vs 无图对比」：它把「这段推理是否真的依赖图像」变成可计算的量，这比按长度/关键词的静态剪枝高一个维度——剪枝标准从「文本冗余」升级为「模态依赖」。对做多模态推理部署的读者，<900 样本的样本效率是实用信号（意味着在自家基座上复刻的成本可控）；但「推理期要跑两遍（有图/无图）才知道剪哪里」如果属实，其实际加速要打折扣——这是正文需要回答的关键问题。与日报 #018 Mercury 1107 token/s 的架构级效率叙事相比，MCPO 属于「给现有长链模型做减脂手术」的务实路线，两者不冲突、可叠加。

4. WeAgent-MMGenEdit：把图像生成/编辑改造成「多模态 Agent 工作流」的全栈配方——23K 监督轨迹 + 14.7K RL 任务 + 三层可验证清单，30B 总参/3B 激活逼近 1T 参数 agent

论文：WeAgent-MMGenEdit: A Full-Stack Recipe for Multimodal Agentic Image Generation and Editing（2026-09-04，cs.CV）

资源：HF Papers

问题。 图像生成/编辑模型进步飞快，但一旦 prompt 需要外部世界知识就不可靠——模型参数里的知识有界且长尾，「直接生成」与「先推理再生成」都拿不回所需的事实与视觉外观。已有的 agentic 生成/编辑方法靠检索工具缓解，却受困于视觉验证不足、策略模型过载、检索到的文本与视觉证据整合弱三个问题。换句话说：agent 会「查」，但不擅长「查完核验、核验完用」。

方法亮点。 全栈配方（full-stack recipe），四件套：① WeAgent-Harness——多模态运行时，带持久证据管理与专用验证与集成工具，把检索到的多模态证据组织成「稠密载体（dense carrier）」供策略使用；② 可扩展数据管线——prompt 合成与 agentic 轨迹采集，产出 23K 条监督轨迹与 14.7K 个 RL 任务，每个任务配三层可验证清单（把「做对」变成可自动检查的分层条件）；③ WeBench-MMGenEdit——双语基准，覆盖知识密集型图像生成与多图像编辑；④ 双侧后训练——对 agent 策略与图像后端分别做 SFT+RL，让「会调工具的脑袋」与「会画图的躯干」一起变强。

证据。 摘要量化声明（作者口径）：该配方使一个 30B 总参/3B 激活的策略超越同规模策略模型、逼近 1T 参数 agent 的性能。作者 9 人：Hui Zhang、Zongkai Liu、Liqiang Niu、Juntao Liu、Han Li、Zhen Cao、Wenchao Chen、Chengduo Zhao、Fandong Meng。

边界。 摘要未给 WeBench-MMGenEdit 上的具体分数与「逼近 1T」的差距量化；「三层可验证清单」的自动验证器如何构建（模型自评还是规则）未说明；23K/14.7K 的合成数据质量与真实性（是否引入分布外幻觉）未讨论；双语文基准的中文部分占比与难度未展开；「稠密载体」的具体表征形式（图文如何拼接进上下文）未在摘要呈现。

我的判断。 这篇值得与日报 #018 的产业侧并读：OpenAI 那边，Astra 已经在 Blender 里用 Python 脚本重建 3295 个零件的蒸汽火车（量子位 485854），ChatGPT Images 每周 30 亿张图——「生成式 agent」的产业形态已经跑在学术前面；WeAgent 的价值在于把这条路的工程配方论文化：检索→持久证据管理→验证→集成→后训练的完整闭环，其中「三层可验证清单 + RL」是把 RL 用于图像 agent 的关键（没有可自动检查的 reward，RL 无从谈起）。「30B/3B 激活逼近 1T」的数字若经得起复现，含义与 #017 Mostik「4B+753B 组合」、日报 NeoHorse「4B 打赢 9B」同构——稀疏激活 + 外部工具 + 好数据，正在系统性压缩「单一大模型」的规模优势。对做图像产品的读者，WeAgent-Harness 的「验证工具」设计比策略本身更值得抄作业：图像 agent 的瓶颈从来不在「画」，而在「怎么知道自己画对了」。

5. VLM 当「诊断 agent」：无标签把 detect-to-track 管线调到新域——MOT17→MOT20 恢复 67.8% 丢失余量、距天花板仅 0.029 HOTA，最高密度序列达 86.7%；无标签贝叶斯优化反而会退化强配置

论文：Cross-Domain Tracker Adaptation Without Target-Domain Labels via Vision-Language Agents（2026-09-04，cs.CV）

资源：HF Papers

问题。 把训练好的 detect-to-track 管线搬到新目标域，常规做法是调超参，但没有目标域标签时怎么调？ 传统的无标签路线（如用手工设计的代理目标做贝叶斯优化）在域移小时尚可，大域移下往往失效、甚至把本来不错的配置调坏。作者提出一个反直觉的思路：让 VLM 直接「看」跟踪输出，当诊断医生。

方法亮点。 VLM 作为诊断 agent 的迭代调优闭环：不优化标注指标，而是让 VLM 直接检查渲染出的跟踪输出（rendered tracking outputs）、识别视觉失效模式、推荐参数更新，循环往复。论文先证明「地面真值监督的超参迁移」本身是脆的（为对照提供基线），再对比两种无标签路线：手工代理目标 + 贝叶斯优化 vs VLM 诊断调优。VLM tuner 还有一个关键行为特性：选择性（selectivity）——当视觉诊断显示没有清晰失效模式时，它拒绝改动配置，从而在容易的迁移上保性能、在困难的迁移上做改进。

证据。 摘要量化声明（作者口径）：MOT17→MOT20 上，源域 oracle 配置直接迁移使平均 HOTA 从目标域天花板 0.357 跌落 0.090 至 0.267；不使用任何目标域标签的 VLM tuner 恢复了这个丢失余量的 67.8%，最终收于距天花板仅 0.029 HOTA；在最高密度的目标序列上恢复达 86.7%。对照：无标签贝叶斯优化 + 手工代理目标在大域移下挣扎、且会退化本已很强的配置。论文还刻画了适用条件：当域移通过暴露的检测级参数显现时该方法有效；而在 MOT17→DanceTrack（源 oracle 已近最优）这类情形下收益有限。作者 3 人：Daniel Davila、Ravikumar Balakrishnan、Mike Cochran。

边界。 恢复 67.8% 而非 100%——剩下的余量为何不可恢复未展开；VLM 诊断的「视觉失效模式」识别依赖 prompt 设计，其失败案例（VLM 误诊）未分析；迭代调优的轮次与每次 VLM 调用的成本未说明；评估限于 MOT 系列与 HOTA 指标，其他跟踪范式（如端到端 transformer 跟踪器）与指标（IDF1 等）未覆盖；「无标签 BO 会退化强配置」的机理解释（代理目标与真实目标错位）是推断还是实验验证未在摘要区分。

我的判断。 这是本期五篇里我最想单独拎出来的一篇——它把「VLM 当评估器」从论文评审（#016 的 WorldReward）、奖励打分（#017 的 ROBORMBENCH）推进到了「诊断-开方-调参」的运维闭环：VLM 不看标签、不建代理目标，直接盯着可视化输出找病根。这之所以成立，依赖一个微妙的假设：视觉失效模式（跟丢、ID 跳变、误检）是 VLM 能「看出来」的，而正确的超参方向可以从失效模式反推——作者用 67.8%/86.7% 的数字给出首个正面证据。它与 ROBORMBENCH（#017）构成有趣的张力：ROBORMBENCH 说 VLM 对措辞脆弱、不能直接当奖励函数；这篇说 VLM 当「诊断者」比「打分者」更合适——也许 VLM 在闭环里的正确生态位不是裁判，而是会看图的医生。「无标签 BO 反而调坏强配置」的对照也值得记住：代理目标与真实目标的错位，在无标签域适应里是比「没有标签」更隐蔽的坑。对做视觉系统工程的读者，这是「把大模型塞进传统 CV 管线」的模范案例——管线没换，换的是调参的人。

今日阅读线索

五篇合起来，本期线索是一条方法论上的合流：「先定位失效发生在哪一层，再决定在哪一层修复」正在成为 2026 年多模态/具身研究的默认姿势。第 1 篇定位到「操作阶段 × 相似性类型」，第 2 篇把「长程失忆」归因于缺显式结构，第 3 篇把「推理冗余」归因于模态脱钩，第 5 篇干脆让 VLM 自己当定位器——四篇论文共享同一个动作：不再整体重训、不再堆参数，而是先诊断。这与日报 #018 的三条产业信号（NeoHorse 把路由经验参数化、Mostik 表征桥、Devin Automations 无人值守）是同一潮流的学术面：AI 系统的改进重心，正从「造更大的模型」转向「给现有模型装可诊断、可干预的结构」。

两点具体提醒：其一，第 1、2 篇是同一团队同日发布的 workshop 短文（ECCV 2026），方向互补但证据都还薄（一个无数字、一个无结果）——把它们当「问题定义与实验设计」读，别当「疗效证明」读；其二，第 3 篇 MCPO 的「推理期是否要跑两遍有图/无图」与第 5 篇 VLM 调参的「每轮成本」是两处必须翻正文核实的效率账——摘要里的加速数字从不包含「诊断本身的开销」，这是近期效率类论文的共性盲区，本刊后续会持续盯。

本刊注：本期五篇均标注日期 2026-09-04（arXiv 当前可检索最新批次，索引自 9/5 起停滞、与 #017 记录一致），其中第 1、2 篇为 ECCV 2026 workshop 非档案短文（已在 comments 字段核验）；所有数字均引自 arXiv 摘要原文并归因于作者，本刊未做任何外推。