本期取自 arXiv 当前最新的公告批次：公告日 2026-09-14（周一），对应 API 中 published 字段的 2026-09-11。核对路径如实说明：cat:cs.CV、cat:cs.CL、cat:cs.AI 三路均经 export.arxiv.org/api/query 按 submittedDate 倒序各取最新 40 条，三路全部成功返回（这一点与 #023 记录的情况不同——上一期 cs.CV 一路本机持续 429，本期三路均未出现限流）；106 条去重后，published 字段全部为 2026-09-11，没有更早或更晚的项，因此本期与 #023 所覆盖的 2026-09-10 批次不重叠。下列五篇的 arXiv ID、发布日期、分类、作者与摘要全文均取自官方 API，本刊未直读任何 PDF 正文；所有数字均引自摘要原文并归因于作者，摘要中未出现的数字本刊不做补充。
五篇合起来是一条主线加一次反向追问。主线是「把「观测」换成「世界」」：视频 tokenizer 篇主张视频不是图像序列，而是对一个动态 3D 世界的观测，因此学的 token 天生带着「以观测为中心」的偏差，于是把 token 空间直接拆成静态与动态两半；3D 部件分割篇主张细粒度操作依赖的是「部件」而不是「整个物体」，并为此用 16 万个 Objaverse 资产造了 800 万对文本—部件监督；长视频 agent 篇主张不要往 VLM 上下文里塞帧（会产生 context rot），而是让它按需调用专家工具去取证；VLA 篇把语言、观测、目标与动作全部表示为离散 token，用同一个掩码扩散骨干承担四种互补目标；多模态歧义篇则反过来问：当任务要求「给出一个既开放又可解释的提示」时，模型给出的是什么。追问的答案是两条不太好听的观察：① 长视频理解的能力可以来自「逐步取证」而不是「一次看全」，即使调度器本身视觉很弱甚至是纯文本的；② 模型在需要「恰到好处的模糊」的场合会出现「歧义坍缩」，并且几乎不做文化性引用——即使被明确要求使用典故与比喻。 本期气质与日报 #024 相通：真正的分歧不在「模型看不看得见」，而在「你把什么当作世界的单位」。
1. VideoTok4D：把视频 tokenizer 从 2D 观测提升到 4D 世界——静态与动态分离，存储量最多降低四个数量级
论文：VideoTok4D: A 4D-Aware Video Tokenizer for Compact World Representation（2026-09-11，cs.CV；9 页 5 图）
资源：HF Papers
问题。 作者的批评很直接：视频 tokenizer 已成为现代视频建模的基石（支撑压缩、重建与生成），但当前的 tokenization 范式基本仍停留在 2D 视觉范畴——把视频当作图像序列，而不是「对一个底层动态 3D 世界」的观测。其后果是学到的 token 继承了这种「以观测为中心」的偏差，限制了紧凑地表征真实世界 4D 场景的能力。
方法亮点。 VideoTok4D 的设计被作者归纳为三处。① 时空解耦（spatiotemporal disentanglement）：把视频分解为静态 token 与动态 token 两路，用于整体性的世界建模——即把「场景本身」与「场景里发生了什么」分成两套可分别利用的表示。② 轨迹感知动态注意力（track-aware dynamic attention）：聚合与轨迹对齐的线索，用以促进跨视角的运动一致性。③ Co4DGen：在 VideoTok4D 的 token 空间上学习一个扩散先验，用于高效的 4D 场景生成。
证据。 摘要给出的数字（作者口径）：所提方法达到 state-of-the-art，同时所需的存储量比稠密的 4D 表示最多低四个数量级（up to 4 orders of magnitude less storage）；此外，紧凑的 token 空间显著缩短了扩散序列，使生成变得高效。作者原话是「大量实验已证明」这两点，但摘要未列出具体数据集、评测指标名称与逐项数值。
边界。 「最多降低四个数量级」是本篇最容易被断章取义的数字——它比较的对象是「稠密的 4D 表示」而不是其他 4D-aware tokenizer，也不是原始视频，因此这个比值里同时包含了「把稠密 4D 换成紧凑 token」与「把 2D tokenizer 换成 4D 感知 tokenizer」两部分收益，摘要没有把两者拆开；「静止/动态解耦」并不是新想法（视频表征学习里长期存在静态背景与运动分离的路线），本摘要没有说明它与既有路线在什么条件下有差别；「跨视角运动一致性」依赖轨迹对齐，而摘要没有说明轨迹从何而来（是否需要显式追踪模型、是否只适用于多视角或相机运动的视频）；摘要未给出评测数据集与基线名，「SOTA」的适用范围无从判断；Co4DGen 的生成质量没有任何指标；这篇只出现在 cs.CV 一个分类下、9 页 5 图，看起来是一篇会议投稿而非长文，摘要未提代码或权重是否公开。
我的判断。 这篇的价值不在于它是否已经赢了别的 tokenizer，而在于它把「token 的单位」当成一个可研究的对象：如果 token 学的是像素的规律，那么下游模型学到的是「画面像什么」；如果 token 学的是世界的状态与变化，那么下游模型有可能学到「什么发生了」——这正好是本刊 #020/#021 记录的 World in World（把控制证据做成带标签的状态）与 #022 的 CFD（把「看多少帧」变成查询级成本）在表征层的对应物。保留意见：「4 个数量级」是这篇的传播点，也是最需要被追问的地方——紧凑 token 与稠密 4D 表示本就不是同一类对象（前者是学习到的隐空间、后者是显式几何场），把两者直接比存储量并不构成「同样的东西更省」的结论。真正该看的是两个问题：解耦后的静态 token 在跨场景复用时是否真的可迁移，以及它所假设的「动态 3D 世界」是否只对相机运动的视频成立。给读者的实用建议：如果你在做视频生成或世界模型，这篇提供了一个便宜的检查项——把你现有 tokenizer 的潜空间按「静止/运动」切开，看下游任务在不用显式 3D 监督的情况下能受益多少。
2. UniPart：把「语言指哪、就分割哪」的 3D 部件分割做成零样本，并用 800 万对文本—部件监督撑起规模
论文：UniPart: Towards Zero-shot Language-Grounded 3D Part Segmentation for Embodied Interaction（2026-09-11，cs.CV/cs.AI/cs.RO）
资源：HF Papers
问题。 作者的题设是：细粒度机器人操作依赖对「部件」的理解，而不仅是整个物体。现有 3D 基础模型要么泛化但只懂「物体」级别，要么懂「部件」但被限制在闭集分类法内，这削弱了零样本迁移能力。 因此作者研究的是文本条件化的 3D 部件分割：用一段自由形式的短语，在一份点云上选出某个功能性部件。
方法亮点。 ① UniPart 本身是一个前馈的跨模态 3D Transformer，条件化的是 CLIP 文本嵌入——即文本与几何在同一前馈网络里对齐，不需要逐场景优化。② 为了扩大监督，作者构建了 LangPart-1M：160K+ 个 Objaverse 资产、8M 个「文本到部件」配对，生成方式是多视角一致的部件生成（multi-view consistent part generation）。③ 另外人工标注了一个高质量子集 LangPart-4K，用于微调与评测——也就是说，他们清楚自动生成的 8M 配对不能直接当作评测集。
证据。 摘要给出的结果（作者口径）有三条：在开放词汇的部件基准上取得很强的零样本结果；能迁移到真实世界的「语言条件化部件抓取」；以及上述数据集规模数字。摘要未给出任何具体准确率、IoU 或基准名称。
边界。 「8M 文本—部件配对」是本篇的力量来源，同时也是最需要被审视的地方：这些配对来自「多视角一致的部件生成」这一自动流程，摘要没有说明生成器的来源、部件划分的一致性如何验证、以及文本短语的句式分布——用自动生成的监督去训练开词汇分割，模型很可能学到的是「与生成器的部件划分风格一致」的分割，而不是「人所说的功能部件」；作者构建 LangPart-4K 这一动作本身说明他们意识到了这个缺口，但摘要没有说明 4K 子集相对 8M 的覆盖度、以及两者在测试时的分工；「零样本」的含义需要限定——它是指在未见过的资产/类别上零样本，还是在未见过的文本句式上零样本，摘要未区分；「迁移到真实世界的语言条件化部件抓取」只有定性描述，没有抓取成功率；被选中的「功能性部件」如何定义（可由人操作？可拆卸？）摘要未给规则；摘要未提代码、数据或权重是否公开。
我的判断。 这篇是本期最「工程化」的一篇：它把「部件」当作操作的第一等对象，并且老老实实用「先自动造大规模监督、再人工标一个小集来兜底」的两段式做法去解决数据问题——这是当前具身数据领域最典型的工作方式，而它的风险也正在这里：如果自动生成的部件划分本身偏离人类的功能直觉，规模越大，偏差越稳。保留意见：摘要只给了「很强的零样本结果」而没有数字，本刊无法判断它相对闭集方法进步多少；把「160K+ 资产 / 8M 配对」当作核心卖点是可以的，但在读这篇时应当把 LangPart-4K 的评测结果与 8M 预训练的作用分开看——如果 4K 微调贡献了大部分性能，「8M 自动监督是否有效」这个问题其实还没有答案。给读者的实用建议：如果你在做 VLM 与机器人的接口，这篇提供了一个可复用的判断标准——语言条件化的 3D 分割好不好，不看它在自家分类法上的 mIoU，而看同一条短语在「换一个资产、换一处措辞」之后还能不能落在同一个部件上。
3. VideoXAgent：长视频理解不靠「塞满上下文」，靠一个按需取证的在线 harness——一小时视频只需约 5 万 token 的 agent 上下文
论文：Online Video Agent Harness for Long Video Understanding（2026-09-11，cs.CV/cs.AI；35 页 12 表 10 图）
问题。 作者把长视频理解直接类比为**「视觉版的针在草堆里」**：与查询相关的证据稀疏地分布在很长的时间跨度上，而把稠密帧塞进单一 VLM 上下文既会产生 context rot，又带来高成本。现有视频 agent 则依赖「与查询无关的离线预处理」或零散拼凑的工具集，前者会漏掉查询特有的细节，后者会浪费算力。
方法亮点。 ① VideoXAgent 是一个「纯在线（purely online）」的视频 agent harness：从给定的视频文件与用户查询出发，自行规划并分解任务，按需调用专门的专家工具，汇总多模态证据给出最终答案，并在观察之间解决冲突。 ② 为支持按需调用，作者按一份「原子能力的数据驱动分类法」设计了一组异构专家工具，横跨脚本、VLM 与领域模型（例如检测、OCR、ASR、人脸识别）。 ③ harness 还强制「客观证据提示（objective evidence prompting）」与「预算感知控制（budget-aware control）」，用以抑制幻觉与不终止。
证据。 摘要给出的数字（作者口径）：在 Video-MME-Long、LongVideoBench-Long、LVBench 与 MINERVA 上，VideoXAgent 在更小的上下文占用下与前沿 LMM 和视频 agent 具有竞争力——每个样本约 5 万 token 的 agent 上下文，即便视频长达一小时；在 MINERVA 这类复杂视频推理基准上，它在达到同一水平的同时只用了 1,024 帧稠密打包基线约 15% 的上下文。作者还报告了一个机制层面的发现：即使调度器（orchestrator）在视觉上很弱、甚至只做文本，harness 依然有效，由此他们提出**「强的长视频理解可以来自逐步的 agentic 取证，而不是把整个视频塞进一个上下文」**。
边界。 「约 5 万 token / 约 15% 上下文」是本篇的核心数字，但它比较的是 token 数而不是美元或时延——按需调用 OCR、ASR、人脸识别等专家工具的成本并未被折算进这个数字，而一个「一小时视频、逐次调用多个工具」的流水线，其端到端时延与外部模型调用费用可能远高于一次稠密打包；「与前沿 LMM 具有竞争力」没有给出具体分数与基线名单（摘要只点了基准名）；「调度器视觉很弱甚至纯文本仍然有效」这个结论依赖具体的工具集，它说明的是「工具覆盖得好时编排可以很便宜」，而不是「视觉理解不重要」；工具集是按作者自定分类法组织的，摘要未说明这些工具的具体实现（是否依赖第三方 API）；「预算感知控制」的具体预算与终止策略未给出；四项基准上样本数、时长分布与评测协议未列出；这是一篇 35 页 12 表 10 图的长文，摘要密度有限，本刊未读正文。
我的判断。 这篇与本期第 1 篇构成一组方法论上的对照：VideoTok4D 想通过「换表示」让世界更紧凑，VideoXAgent 则根本不换表示，而是换交互方式——不预打包、按需取证。 两者的共同假设是「稠密上下文是错的」，但一个在潜空间里省，一个在调用层面上省。 保留意见：这类 harness 论文最容易被误读的地方就是「低成本」——只有在工具调用近乎免费时，token 才是正确的成本单位；对真正在意部署成本的读者，应当要求作者补一张「token × 工具调用次数 × 时延」的账单。另外，「纯在线」是这篇真正的技术约束（不能预先扫描整段视频），它让这项工作比离线预处理型 agent 更接近实际使用场景，但摘要没有说明在线规划在长视频上的稳定性。给读者的实用建议：这篇给出的可迁移判断是——长视频任务上，「上下文里放了多少帧」不该作为主指标，主指标应是「为回答这个问题一共取证了几次、花了多少」。
4. Dynin-Robotics：把语言、观测、目标与动作统一成离散 token，用同一个掩码扩散骨干学四种互补目标
论文：Dynin-Robotics: Omnimodal Unified Diffusion Vision-Language-Action Model（2026-09-11，cs.RO/cs.AI/cs.LG；36 页 13 图 15 表）
资源：HF Papers
问题。 作者的出发点是把两件常被分开做的事接起来：视觉目标预测与动态预测可以分别为「语言条件化的机器人策略」提供①一个目标结果、②一种「动作依赖的场景变化」的表征。这篇工作把这两种预测带进动作生成与动作选择，做法是让它们共享同一个轨迹模型。
方法亮点。 ① 实现载体是 Dynin-Omni，一个全模态掩码扩散（omnimodal masked-diffusion）骨干，把语言、视觉观测、目标与动作统一表示为离散 token。 ② 通过改变「条件跨度」与「目标跨度」，同一个模型学会了四种能力：动作预测、以动作为条件的下一观测预测、终态目标预测、以及「轨迹到指令」的重建（trajectory-to-instruction reconstruction）。③ 这些接口支持测试时扩展（test-time scaling）：通过目标预测、动作候选评估、以及动作与未来状态预测的联合精修。 ④ 训练流程是先在约 133 万条轨迹、来自 48 个 Open X-Embodiment 数据集上做持续预训练，再分别适配到下游领域。
证据。 摘要给出的结果（作者口径）分四组：① 在两个 VLABench 任务上，机器人预训练在固定的 Stage-2 步数预算内改善了适配；且在同一个耦合解码器下，完整的目标混合比「仅策略（Policy-only）」后训练在「指令被改写（shifted-instruction）」的成功率上更好。② 把目标引导与「动作—下一状态联合去噪」组合，比仅解码动作进一步提升改写指令的成功率——但作者明确加了一句限制：「收益取决于这些预测如何被组合」。③ 在 LIBERO 与零样本 LIBERO-Plus 上取得有竞争力的表现，并在一台 Franka Research 3 机器人上、四种操作条件下取得 78.4% 的平均成功率。④ 一个优化过的块并行实现，在作者报告的 profiling 设置下把模型侧的动作解码加速最多 29.2 倍。
边界。 「78.4% 平均成功率」这个数字的限定条件很多，读的时候必须带上：它是「四种操作条件」上的平均，摘要没有列出分别是哪四种、也没有给逐条件数值，平均值会掩盖条件间的差异；「改写指令（shifted-instruction）」是本篇的核心卖点，但摘要只给了「更好」这一方向性结论，没有给出具体数字或改写方式——而「指令改写」的难度设定直接决定这个结论的分量；「与 Policy-only 对比」是同一骨干内的消融，不是与外部 VLA 的对比；LIBERO 的「有竞争力」同样没有数值；「29.2 倍加速」明确写的是「模型侧动作解码」在「报告的 profiling 设置下」，不等于端到端推理加速，也不能与「单步动作头」类的推理频率提升直接比较；133 万条轨迹、48 个数据集都是公开数据集，但摘要未说明各数据集权重与筛选策略；「终态目标预测」的质量如何度量、以及它失败时策略如何回退，摘要未说明；这是一篇 36 页 15 表的长文，摘要只给了结论，本刊未读正文。
我的判断。 这篇的贡献在于把「预测未来」从辅助损失升级成了「共享接口」：动作、下一观测、终态目标、指令重建这四件事在同一个离散 token 空间里被当作同一类问题，于是测试时可以在它们之间来回精修——这与本刊 #022 记录的「把控制证据做成可查询的状态」、以及本期第 1 篇的「把观测换成世界」是同一个方向：让模型内部表示更接近「可被操作的中间对象」，而不是「一次性输出」。 保留意见：这类统一模型最常见的失败模式是「指标很多、口径很软」——78.4% 是四条件平均、改写指令只有方向性结论、「有竞争力」没有数字，这三处合起来使本刊无法判断这篇相对既有的 VLA 路线实际提升了多少。如果要读全文，我建议优先看两张表：各条件的逐项成功率，以及指令改写的具体构造方式。 给读者的实用建议：如果只带走一个结论，就是作者自己那句限定——「收益取决于这些预测如何被组合」；这等于承认统一建模本身不保证更好，接口设计才是变量。
5. Calibrated Ambiguity：用 Dixit 桌游测「恰到好处的模糊」——人在找文化参照，模型在描述画面
论文：Calibrated Ambiguity in Multimodal Language Models: Humans reach for cultural references, while models describe the picture（2026-09-11，cs.CL/cs.AI/cs.HC）
资源：HF Papers
问题。 作者的立场是这个领域少见的：歧义常被当作 AI 系统应当解决的 bug，但在人类交流与文化中，歧义也可以是一种生成性资源——从幽默到政治到艺术，人们用「开放到足以邀请不同解读、又受约束到足以可被理解」的词与图像来表达自己。 他们要用一个任务把这种「校准过的歧义」操作化。
方法亮点。 任务取自派对游戏 Dixit（玩家用一句提示指向一张图，既不能太直白也不能太离谱）。作者设计了一份新的、针对「校准过的歧义」的编码量表（coding rubric），用来比较人类与多模态语言模型生成的线索之间的差异。
证据。 摘要给出的两个结论（作者口径）：① 模型持续表现出「歧义坍缩（ambiguity collapse）」——即其输出过度具体化，没有给多种合理解读留下空间；② 与人类线索不同，AI 生成的线索还表现出「文化扁平化（cultural flattening）」——即使在被提示使用典故与比喻性语言时，它们也几乎不引用「有文化处境的知识（culturally-situated knowledge）」。
边界。 这是一篇用小型游戏任务做的对照研究，「模型」的具体清单、数量、是否含闭源前沿模型，摘要均未给出——而「歧义坍缩」是否只是某个模型族的特性，还是会随规模/提示策略改善，是本篇结论能否推广的关键；编码量表由作者新造，「歧义坍缩」与「文化扁平化」都是作者定义的构念，摘要没有给出评分者一致性、样本量或统计量；「即使被提示使用典故与比喻，也几乎不做文化引用」是一个很强的因果性暗示，但摘要未说明提示词的具体写法，因此无法排除「提示不足」而非「能力缺失」；Dixit 的提示目标是「让特定的人猜中特定的一张图」，涉及听者模型，而摘要未说明评测里「听者」是谁 ——一个没有真实听者的歧义任务，本身就会奖励过度具体；摘要未说明图片素材的来源与文化分布（若素材本身偏向某一文化，结论里「文化性引用少」可能部分是素材效应）；摘要未给出任何具体比例数字。
我的判断。 这篇是本期最像「一张反对票」的工作，而它反对的是整条评测惯例：绝大多数多模态基准奖励「说清楚」，于是模型被训成「把画面描述完」——而这篇指出，在人类实际使用语言的大量场合里，说清楚恰恰是错的。 它也与本刊 #023 的第 1 篇（New Evidence, Same Choice：把「该不该再测一次」单独拿出来考）在方法论上同源：两者都是「先找到一个被评价体系忽略的行为维度，再把那个维度变成可打分的题」。 保留意见：结论方向我认同，但证据强度在本摘要里不足以支撑「模型缺乏文化能力」这种强解释——「几乎不引用文化性知识」既可能是训练导致的偏好，也可能是解码默认值、提示方式或评测听者缺失共同造成的。如果要引用这篇，我只会引用它较弱但仍重要的那一半：「在被要求提供开放式提示时，模型系统性地倾向于过度具体化」。 给读者的实用建议：如果你在收集人类偏好数据或做提示工程评测，「开放性」应当被作为一个显式的评价维度，而不是默认当作噪声。
今日阅读线索
一句话：这一批五篇的共同动作是「换掉计量的单位」——把视频的单位从帧换成世界状态，把长视频的成本单位从上下文长度换成取证次数，把 3D 的单位从物体换成部件，把 VLA 的单位从单一动作换成可共享的轨迹接口，把语言质量的单位从「说得准」换成「模糊得刚好」。 三条线索值得带走：
其一，「稠密上下文」在本期被三篇独立地判了不划算，但判法各不相同。 VideoTok4D 在潜空间里省（时空解耦＋紧凑 token），VideoXAgent 在调用层面里省（按需取证，一小时视频约 5 万 token），Dynin-Robotics 在目标层面里加（把预测未来接进动作选择）。三者共同的假设是「一次性把全部证据压进一个向量」是错的方向，而它们各自选择的替代方案恰好覆盖了表征、交互与训练目标三个层次——这是本期五篇里最值得横向读的一组。
其二，本期出现了两次「指标的口径比指标本身更重要」的提醒，而且都是作者自己写出来的。 Dynin-Robotics 在给出 78.4% 与「改写指令更好」之后补了一句**「收益取决于这些预测如何被组合」；VideoTok4D 把「最多降低四个数量级存储」的比较对象写明是「稠密的 4D 表示」**。这两处自我限定，比它们各自的主结论更有价值——本刊过去几期反复记录的一件事是：读 VLA 与视频类论文时，真正需要复现的往往不是方法，而是那条限定条件。
其三，评价类论文在本期扮演的是「反向追问」的角色，而它的证据强度与结论强度并不匹配。 「歧义坍缩」与「文化扁平化」都是很好的问题，但摘要里没有任何比例数字、没有模型清单、没有听者设定，因此它现在更像一个研究纲领而不是一个已确立的结论。对照昨晚日报 #024 第 3 条的苹果发布可以看得更清楚：当产品把「理解你的屏幕与私人信息」当作默认能力投放时，我们用来衡量它的标准仍然是「答得对不对」——而本期第 5 篇提醒的是，在相当多的真实场景里，「该不该说得那么具体」本身才是那个没被测量的维度。
本刊注：本期窗口为 9/14 07:25（#023 发布）至 9/15 06:58（北京时间）。核验路径说明：cat:cs.CV / cat:cs.CL / cat:cs.AI 三路经 export.arxiv.org/api/query 按 submittedDate 倒序各取最新 40 条，三路全部成功；106 条去重后 published 字段全部为 2026-09-11（与 #023 覆盖的 2026-09-10 批次不重叠，也与 #023 记录的「cs.CV 一路 429」情况不同）。五篇的 arXiv 编号、发布日期、分类、作者与摘要全文均取自官方 API；本刊未直读任何 PDF 正文，亦未访问 HF Papers 页面或项目页。 所有数字均引自摘要原文并归因于作者；摘要中未出现的数字（如逐条件成功率、基准分数、比例数据）本刊一律不做补充，并已在各篇「边界」一节逐条标出。量子位（qbitai.com）本机本轮不可访问、路透（reuters.com）连接被重置，均与本期论文选取无关，仅在此一并记录。