本期覆盖 arXiv 当前可检索批次：发布日期 2026-09-08 至 09-09，编号段 2609.09396–2609.10540——经 export.arxiv.org/api/query（cat:cs.CV + vision-language 关键词，sortBy=submittedDate 倒序）直查核验，下列五篇的摘要全文均取自官方 Atom feed 原文。先说清批次：与 #019 覆盖的 2609.088xx–2609.0915x 段相邻但更靠后，本刊从该批次选出五篇方向互补者，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。

五篇合起来恰好是两条线索。线索一「重设接口」（Show-Harness、Programmable World Model）：两篇都不增加模型容量，而是重新设计与模型交互的那层语义接口——前者把「VLM 控机器人」变成「定义一组离散语义动作单元 + 本体专属解释器」，后者把「世界怎么演化」从视频模型的隐式学习里拿出来，变成可执行程序显式维护的状态。线索二「做实度量」（UOT-Gap、AlignCP、VANTAGE-Bench）：三篇都在回答「我们的评测/不确定性估计在什么条件下会失效」——modality gap 的分布级分解、conformal prediction 在非可交换条件下的修正、以及一类被基准体系整体忽略的应用域。两条线索的共同气质是「不堆参数，改协议」——这在本期日报 #020 的产业侧（ChatGPT Images 2.5 把改图交互改成圈选批注、Cognition 把成本写进 RL 奖励、HSImul3R 把「物理可执行」写进重建验收标准）是同一条方法论潮流的学术侧。

1. Show-Harness：让 VLM「直接开机器人」——离散语义动作单元 + 本体专属解释器；同一接口既能零样本解锁闭源前沿 VLM，也能几 GPU 小时微调开源小模型，还能用 GUI 采演示（GUMI）

论文：Show-Harness: Just a VLM Agent Can Play Robots（2026-09-09，cs.RO/cs.AI/cs.CV/cs.MM）

资源：HF Papers

问题。 基础 VLM 对世界有广泛的智能，但把这种智能转成机器人控制一直很难。根本矛盾在于：VLM 擅长的是语义层面的离散推理，机器人需要的是连续的、本体专属的细粒度物理动作——两者之间的翻译层怎么设计，决定了「VLM 的智能能否被用在机器人身上」。既有路线（VLA）通常依赖大规模本体专属预训练来弥合这个落差。

方法亮点。 Show-Harness 的方案是把这件事明确定义成一个接口设计问题，而非容量问题：它暴露一组离散的语义动作单元（discrete semantic action units）给 VLM 推理——这是 VLM 天然能处理的表示；再由本体专属解释器（embodiment-specific interpreters）确定性地把它们接地为本地机器人动作，从而让 VLM 仍然对细粒度物理决策直接负责（而不是把决策权交给一个中间策略网络）。基于同一接口，作者演示了两件此前被认为需要专门训练才能做到的事：① 直接解锁闭源前沿 VLM 做零样本机器人控制；② 仅用几 GPU 小时的微调，就让小规模开源 VLM 适应低成本部署。他们进一步做出 GUMI（GUI Manipulation Interface），把同一套语义动作空间扩展到基于 GUI 的演示采集——人类和 agent 都可以在不需要专门遥操作硬件的情况下跨本体「玩」机器人。

证据。 摘要声明（作者口径）：大量实验显示配备 Show-Harness 的 VLM agent 在任务、本体与环境上稳健泛化，优于代表性的 agentic 与 VLA 范式。摘要未给出任何量化数字（无成功率、无任务数、无对比表格），也未说明「几 GPU 小时」的具体规模与硬件。

边界。 全程无数字是最大短板：「稳健泛化」与「优于 VLA 范式」在什么任务集上成立、优势多大均未披露；语义动作单元这一层抽象的表达力边界未讨论——哪些任务无法用离散语义单元表达（例如需要连续力控或高频反馈的操作）是这套方案的天花板，而摘要回避了这一点；「本体专属解释器」意味着每换一种机器人仍需工程工作（只是从训练成本换成了接口实现成本），这个成本有多大未量化；GUMI 走 GUI 采集演示的路线，其采集效率与数据质量相对于遥操作的实际优劣需看正文；零样本控制「前沿 VLM」时是否需要访问权重或仅靠 API（涉及商业模型使用条款）也未说明。

我的判断。 这一篇是本期的思想密度最高者之一：它把「VLM 控机器人」的瓶颈从「模型不够强」重新定位为「中间表示不对」。这个判断有很强的经验支撑——VLM 的强项在语义层面的组合推理，而机器人控制的难点在长时程的语义决策与细粒度执行的分工；Show-Harness 的做法相当于把细粒度执行外包给确定性的解释器，把语义决策留给 VLM，正好各取所长。对产业的实际含义是：如果「几 GPU 小时微调 + 一套接口」就能让开源小 VLM 落地，那么具身智能的门槛将从『训练资源』转向『接口工程与数据采集』——这也解释了 GUMI 为什么重要（把演示采集从遥操作硬件里解放出来，是数据成本问题）。需要保留的怀疑是：摘要无数字，且「优于 VLA」这种整体性声明通常意味着对比条件经过选择；离散语义单元能否覆盖真实操作任务的长尾，是这套方案能否成为范式的关键，必须等正文。

2. Programmable World Model：把世界状态从视频模型里「拿出来」——agent 把自然语言指令翻译成可执行程序，显式维护全局状态，再用 3D OBB 编译成渲染条件；CombatStateBench 上 94% 计数准确/98% 状态准确

论文：Programmable World Model（2026-09-09，cs.CV）

资源：HF Papers

问题。 近期视频世界模型能生成越来越真实、可交互的视觉体验，但缺乏在长时交互中维持持久世界状态、并施加可编程规则的可靠机制。换句话说：模型能把画面生成得像，但**「世界里到底发生了什么」这件事并没有被显式记录**——实体在屏外时是什么状态、有哪些非视觉属性（生命值、库存、任务进度），都对模型是不可见的隐变量，长时程自然漂移。

方法亮点。 核心是解耦：Programmable World Model 把「世界状态演化」与「视觉观测生成」彻底分开。上半部分是可编程状态机——一个 agent 把自然语言指令翻译成可执行程序，程序明确指定实体状态与状态转移规则，从而直接控制单个实体及其交互；一个轻量引擎执行这些程序，维护一份显式、持久的全局世界状态，其中包含屏外实体与非视觉属性。下半部分是渲染——作者提出 state-augmented 3D oriented bounding boxes（状态增强的三维有向包围盒，OBB）作为中间表示，把世界状态与目标相机轨迹确定性地编译成像素对齐的时空条件信号，驱动一个预训练视频模型作为生成式渲染器。这个设计让用户可以创建带有预设机制的「可玩游戏」、直接控制单个实体，并在整个游玩过程中保持世界状态持久。作者还提出 CombatStateBench，用于评测可编程世界模型。

证据。 摘要声明（作者口径）：在 CombatStateBench 上，该方法达到 94% 的 Count Accuracy 与 98% 的 State Accuracy，显著优于现有交互式视频世界模型，并支持连贯的长时程生成。

边界。 只有两个指标且均来自作者自建基准（CombatStateBench 的题目构成、与既有世界模型基准的关系、是否可被第三方复现均未说明）；94%/98% 的具体含义（计数与状态准确率如何定义、分母是什么、是否包含屏外实体）需要看正文；「可执行程序」的表达力边界未展开——复杂物理交互（碰撞、刚体堆叠、流体）能否用显式状态转移规则描述，还是只能处理规则化的游戏逻辑，这是该范式能否泛化到真实场景的关键；两段式架构引入了「状态正确但渲染错误」的新失败模式（状态对了、画面没跟上），摘要未讨论；作为渲染器的视频模型其推理成本与延迟未提及；「可玩游戏」的演示域几乎必然是游戏/合成场景，向真实世界迁移的证据为零。

我的判断。 这篇是本期的「概念最干净」的一篇：它指出交互式视频世界模型的根本缺陷不是画质，而是「没有可寻址的世界状态」。一旦把状态显式化，很多事情立刻变得可能——精确计数、规则约束、存档、回放、以及「可编程」本身。它给世界模型提供了一种与「扩大视频模型」正交的技术路线，而这条路线恰好与本期日报 #020 里高德的 3D 原生 3DGS（把几何当生成目标）在精神上一致：不要指望一个像素生成模型隐式学会物理与状态，把它显式建出来。 更值得记的是它和本期第 1 篇（Show-Harness）的呼应：两篇都在做同一件事——给一个强生成/理解模型套一层「离散、可推理、可验证」的中间接口，然后让模型专注做它擅长的部分。局限也很清楚：目前证据全部来自一个自建的游戏化基准，规则化程序能从游戏逻辑走到多少真实世界的复杂度，是这条路线的生死线。

3. UOT-Gap：用非平衡最优输运给 CLIP 的 modality gap 做免训练诊断——配对残差与检索退化的 Spearman 达 0.973（均值 gap 只有 0.392），且「降输运目标」反而降检索

论文：UOT-Gap: A Variational Principle for the Modality Gap in Vision-Language Models via Unbalanced Optimal Transport（2026-09-09，cs.CV）

资源：HF Papers

问题。 CLIP 之类的 VLM 把图像与文本嵌入同一个空间，但两类模态的分布在实践中往往彼此分离（即 modality gap）。已有解释把它归因于初始化、对比学习动力学与信息不平衡，但这些因素在分布层面与配对层面各自对检索性能的贡献仍未被厘清——也就是说，我们知道 gap 存在，但不知道gap 的哪一部分真正伤害检索。

方法亮点。 UOT-Gap：一个免训练（training-free）的变分诊断，用非平衡熵最优输运（UOT）建模冻结的图像与文本嵌入。UOT 的最优解把现象分离成三部分——输运（transport）、耦合复杂度（coupling complexity）、边缘质量变化（marginal mass variation）；在此之上，作者提出一个配对感知残差（pair-aware residual），把观测到的真实图文配对与 UOT 的软匹配做对比，用来捕捉那些「几何上说得通、但配对关系错位」的部分。

证据。 摘要量化声明（作者口径）：① 在 Flickr8K 与 COCO-1K 上，用冻结的 CLIP、OpenCLIP、SigLIP 编码器测试——标题退化（caption degradation）使 Flickr8K 的 Recall@1 从 0.559 降到 0.003（用于构造一个「已知会坏」的对照）；② 在六种数据集—模型组合下，配对感知残差对检索退化的跟踪能力为平均绝对 Spearman 0.973，而均值 gap 仅 0.392；③ 该关联在 5 个随机 COCO-1K 子集上稳定，为 0.954±0.026、最小值 0.943；④ UOT 重心更新（barycentric updates）会降低输运目标，却同时使检索变差——作者据此区分「几何目标的下降」与「任务表现的改进」。摘要将这些结果确立为「UOT-Gap 可作为标题质量、模态对齐与检索鲁棒性的诊断工具」。

边界。 实验集中在**检索（Recall@1）**这一任务上，未涉及生成、分类、组合推理等其他下游；「标题退化」是人为构造的受控扰动，真实世界 caption 质量分布是否同样被该残差跟踪未验证；样本规模较小（Flickr8K、COCO-1K 而非 COCO 全量），Spearman 的高值可能有小样本效应；三部分分解（输运/耦合/边缘）各自的诊断价值未被分别验证，被验证的主要是「配对残差」这一个汇总指标；作为诊断工具，它不直接给出「如何修好」的方案（第 ④ 点恰恰说明按几何目标去修是错的）；仅覆盖冻结编码器，训练中的模型是否同样适用未讨论。

我的判断。 这篇的价值在于把一个长期停留在直觉层面的现象（modality gap）拆成可测量的分量，并指出「均值 gap」其实是个坏指标——0.973 vs 0.392 的差距相当大，意味着很多论文里用平均距离刻画 modality gap 的做法，与检索性能几乎不相关，而配对的残差才是真正相关的量。第 ④ 点是全文最锋利的发现：「降低输运目标」会同时降低检索，这是对「优化几何目标就等于优化任务目标」这一隐含假设的直接反驳——对任何做 CLIP 微调、嵌入对齐或跨模态检索的人，这都是一句应当抄下来的警告。我的保留是：作为诊断它很漂亮，但它目前只诊断不治疗；而且实验全部在冻结小模型小数据集上，「配对残差」在真实 caption 噪声下的行为、以及它能否被用作训练时的正则项，才是它能否从「分析论文」变成「实用工具」的关键。

4. AlignCP：少样本医学 VLM 里「有监督适配」与「conformal 有效性」的矛盾——学一个重加权校准分布，在非可交换条件下修 coverage

论文：Learning to Adapt and Calibrate: Score Distribution Alignment for Few-Shot Uncertainty Prediction in Medical VLMs（2026-09-09，cs.CV）

资源：HF Papers

问题。 医学 VLM 的不确定性估计近年大量采用 conformal prediction，因为后者提供无需分布假设的覆盖率保证（distribution-free coverage guarantees）。但标准 conformal prediction 依赖校准集与测试集之间的可交换性（exchangeability），且通常要求校准集足够大才能得到可靠覆盖率。这两个假设在少样本迁移场景下都难以满足：只有很小的有标注支持集（support set）用于把预训练 VLM 适配到一个新的医学任务，而无标注查询集（query set）用于评测。矛盾就在这里——在支持集上做有监督微调会改变模型参数，从而移动非一致性分数（nonconformity score）的分布、破坏校准样本与查询样本之间的可交换性，导致分布偏移下覆盖率不可靠。已有的 transductive conformal 适配方法通过避免有监督更新来维持有效性，虽然保住了假设，却浪费了稀缺的有标注数据、限制了任务适配——而后者恰恰是少样本学习的首要目标。作者给出了一个立场鲜明的判断：在这种设定下，conformal prediction 应当作为支撑「已适配模型」的不确定性层，而不是阻止适配本身。

方法亮点。 AlignCP：一个在非可交换条件下调和「有监督少样本适配」与「conformal 不确定性估计」的框架。 核心机制是学习一个重加权的校准分布（reweighted calibration distribution），用以缩小有标注支持集与无标注查询集在分数层面的差异——通过对一维非一致性分数分布做对齐，在不使用查询标签的前提下，闭合由适配引入的覆盖率缺口（coverage gap）。

证据。 摘要为纯方法性陈述，未给出任何数字：无数据集名、无覆盖率数值、无与 baseline 的对比表、无适配带来的性能提升幅度。

边界。 零量化证据是本篇最大的短板（连使用哪个医学数据集、覆盖率的经验偏差是多少都没说）；「减小分数分布差异 ⇒ 闭合 coverage gap」这一因果链依赖一维分数分布对齐的充分性——多模态/多类别任务中该假设是否成立未讨论；重加权分布的估计本身需要多少无标注查询数据（transductive 方法常见的隐含成本）未说明；若查询集分布与真实部署分布不一致（少样本场景下很常见），该方法是否仍有效未知；未与「直接放弃适配」的基线做代价对比（适配带来的任务收益是否值得 coverage 的波动）；医学场景下的临床后果（覆盖率偏差如何映射到漏诊率）完全未涉及。

我的判断。 这篇的问题表述比方法更有价值。它精准地指出少样本 + conformal 的组合里存在一个被普遍回避的取舍：要么保住统计有效性而不适配（放弃少样本学习的目的），要么适配而让覆盖率失去理论保证。AlignCP 选择第三条路（用无标注数据把分数分布对齐回来）在思路上是合理的，也与本期第 3 篇（UOT-Gap 用分布级诊断）气质相通——都在把「分布层面的失配」当作一等公民来处理。但摘要完全没有数字，意味着目前无法判断它在真实医学任务上把 coverage gap 闭合到什么程度（几成？还是接近零？），也无法判断它相对「不做适配」的净收益。对做医疗 AI 部署的读者，我的建议是把它当作问题清单来用：如果你的流程里同时有「支持集微调」和「conformal 覆盖率承诺」，那么你当前的覆盖率保证在数学上已经失效——这一点值得立刻自查，而 AlignCP 是否是最好的修法，需要等它给出实验。

5. VANTAGE-Bench：给被忽略的「Infrastructure AI」立标准——固定摄像头场景下，17 个模型的缺口集中在事件核验、指代与时间定位（各尺度落后 9–24 分），时间维度最弱（无系统超过 55.7 mIoU 时间定位）

论文：VANTAGE-Bench: Evaluating the Infrastructure AI Gap in Vision-Language Models（2026-09-08，cs.CV/cs.AI）

资源：HF Papers · 数据集/评测工具/榜单

问题。 随着 VLM 走向物理部署，注意力一直集中在面向动作的具身智能上、且在以主体为中心的消费级视频上评测。这忽略了一整类普遍存在的 Physical AI：Infrastructure AI——它依赖固定摄像头做开环洞察，例如安全监控与运营记录。这类场景的数据分布、任务形式与失败模式都不同于消费视频，但整个评测体系几乎不为它提供标准。

方法亮点。 VANTAGE-Bench：一个专门度量这个「Infrastructure AI 缺口」的基准。 它的设计有四处明确的推进：① 覆盖三个运营域——物流（Logistics）、交通（Transportation）、智能空间（Smart Spaces）；② 在语义、空间、时间、时空四个能力维度上统一图像与视频评测；③ 不再局限于多选题，扩展到八种任务形式（含密集描述与时空接地）；④ 新增单次通过的轨迹协议（single-pass trajectory protocol）用于单目标跟踪，作者称这是据其所知的首次在固定摄像头基础设施视频上做此类评测，并以专家跟踪器为对照打分。标注规模（摘要原文）：3,346 个媒体资产，覆盖三种标注体制，含 3,342 条视频任务标注、4,281 条图像接地标注、27,404 个检测框。

证据。 摘要给出的核心发现（作者口径）：① 零样本评测 17 个模型，发现相对消费级基准的缺口是「集中的而非普遍的（concentrated, not general）」——具体地，事件核验（event verification）、指代表达（referring expressions）与时间定位（temporal localization）在每个模型规模档上都落后约 9 到 24 分；而视频问答与 VideoMME 的差距在 5.3 分以内、二维空间指向相对 BLINK 没有缺口；② 时间维度在绝对值上最弱：没有任何系统在时间定位上超过 55.7 mIoU，或在密集视频描述上超过 37.3 SODA_c；③ 跟踪上，前沿模型在短时程内与专家跟踪器相差约 5 分，但随视界拉长而拉开差距；④ 开源权重模型在二维目标定位上直接领先——作者据此指出「规模或闭源都不能解释这个模式」。

边界（本刊标注）。 域覆盖为物流/交通/智能空间三类，均为工业与城市基础设施；评测为全零样本，因此结论描述的是「现成模型的即插即用缺口」，不能推出「微调后仍存在缺口」；「落后 9–24 分」是跨任务的分数落差分档，不等价于统一的百分点差（不同任务的分数量纲不同）；「集中而非普遍」的判断依赖作者选定的对比基准（VideoMME、BLINK）——换基准是否仍成立需看正文；四个能力维度的加权方式、以及「缺口是否重要」需要结合具体应用的风险等级（安全监控的漏检与运营日志的漏记，代价完全不同）；作者列表含 NVIDIA 相关研究者（摘要未给机构，以论文页为准），基准的长期中立性需观察；数据是否含有隐私敏感内容、如何脱敏未在摘要说明；55.7 mIoU / 37.3 SODA_c 这类「天花板数字」是当前系统的最优值，会随模型迭代快速过期。

我的判断。 这篇的方法论贡献大于它的具体分数：它指出「具身 AI 不等于 Physical AI」，并且用数据拒绝了一个常见的懒惰假设——模型在消费视频上强，就说明视觉能力够用。摘要里最值得记的一句判断是**「缺口是集中的而非普遍的」：不是模型「看不懂固定摄像头」（二维指向、视频问答都不差），而是在「事件是否发生」「这句话指哪个对象」「这件事在时间上的起止」这三个语义—时空接口上系统性失灵**。这对工程实践有非常直接的含义——如果你在做摄像头分析类产品，别指望通用 VLM 的分数能预测你的场景表现，要单独测这三类任务。「时间维度最弱」是所有评测里最稳定、也最不意外的一条（无系统超过 55.7 mIoU 时间定位），它再次印证了本期多篇论文的共同主题：当前多模态系统的短板在时间的一致性、定位与长时程，而不在单帧的理解——这与 Show-Harness 要把长时程语义决策交给 VLM、Programmable World Model 要显式维护状态、HSImul3R 要物理闭环优化，是同一个瓶颈的四个不同侧面。保留意见：全零样本的设定使其更像「现状体检」而非「能力上限」；且作者有相关商业动机，基准的中立性与长期维护需观察。

今日阅读线索

本期的主题可以用一句话概括：当模型本身够用之后，决定成败的是「接口」与「度量」这两层协议。 五篇论文各据一侧：

接口侧，「Show-Harness」与「Programmable World Model」给出了同一套方法论的两种应用——找出模型真正擅长的那层抽象（离散语义、显式状态），然后用确定性的中间层把它接到下游（本体动作、像素渲染）。两篇都刻意不增加参数量，也都把「确定性」当作设计美德（解释器确定性地接地动作、OBB 确定性地编译成条件信号）。这条思路值得带走的原因是它可复用：读者手上的任何「强模型 + 难落地」的组合，都可以先问一句——我漏掉了哪一层中间表示？

度量侧，「UOT-Gap」「AlignCP」「VANTAGE-Bench」分别在表示、统计、评测三个层面揭示了既有做法的失效条件：均值 modality gap 与检索几乎不相关（相关系数 0.392 vs 0.973）、有监督适配会破坏 conformal 的可交换性、以及整类固定摄像头场景被主流基准排除在外。三者共同的教训是**「在错误的量上做正确的优化」是这一领域最昂贵的错误形式**——UOT 那篇甚至给出了直接证据：降低输运目标会降低检索。

如果只跟进一条线，我会推荐时间维度：本期三篇「度量」论文里最强的一条是 VANTAGE-Bench 的「无系统在时间定位上超过 55.7 mIoU」，而「接口」侧两篇要解决的也恰恰是长时程问题（状态持久、长视界跟踪、屏外实体）。时间一致性、时间定位与长时程状态——这大概是当前多模态系统最集中的一块短板，也是下一批论文最可能出现突破的位置。

本刊注：本期五篇论文的 arXiv ID、发布日期、分类与摘要全文，均经 export.arxiv.org/api/query（Atom feed）直查核验；arXiv API 在抓取过程中出现过 429 限流与超时，相关摘要取自已成功获取的官方 feed 原文，未做任何外推或改写。所有性能数字均为论文作者口径，本刊未复现；作者机构以各自论文页为准。摘要中未出现的数字，本刊不做补充；摘要中未讨论的边界（计算成本、数据许可、向真实场景迁移等），已在上文「边界」段落中逐条标注为「未说明/未讨论」。