本期取自 arXiv 当前最新的公告批次：published 字段为 2026-09-14（周一），对应公告日 2026-09-15（周二），与 #024 覆盖的 2026-09-11 批次不重叠。 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（HTTP 200，无 429）；cs.CV 一路的 40 条 published 全部为 2026-09-14，没有更早或更晚的项，与 #024 记录的「106 条去重后全部为 2026-09-11」形态一致。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。

五篇合起来是一条方法与一条底线。方法是一条：把「对照项」换掉。 这五篇都没有做新任务，它们各自把评测或传输里的某个默认对照换成了另一个东西——第 1 篇把输入条件从「与训练一致」换成「与训练冲突」；第 2 篇把「发送多少视觉 token」从固定比例换成由问题决定；第 3 篇把「被问的那张图」换成另一张（配对换图审计）；第 4 篇把「评测方式」从问答换成程序化重建；第 5 篇把「相似度」换成经过人类判断校准的分数。底线是一条：换掉对照之后，五篇给出的答案都不太客气。 ① 视频模型在没有能力的地方其实有信号——它只是不用，而且这个「用不用得上」存在一条清晰的深度边界；② 隐私防护可以做到「少发 60% 的 token 而不掉性能」，但攻击成功率从 0.99 只降到 0.76–0.79；③ 一份已经包含答案的报告会让医学 VLM 对图像变化的敏感度从 20.94% 掉到 4.26%；④ 一个能把视频「重建得很像」的 agent，只保留了 53.7% 的时空事实；⑤ 把图文相似度做成标定分数时，「检索性能」「与人类判断的一致性」「阈值标定」是三个会互相打架的目标。

1. A Chosen Future Can Still Be Rewritten：视频模型「会正确的运动但不用它」，而且存在一条清晰的深度边界

论文：A Chosen Future Can Still Be Rewritten: Causal Writability in Video Models（2026-09-14，cs.LG/cs.CV；34 页 33 图）

资源：HF Papers

问题。 作者的提问方式很干净：当一个视频模型生成了物理上错误的运动，究竟是它没学会正确的运动，还是学会了但没有用上？ ——这个区分决定了「加数据」「改架构」和「改干预方式」哪一条才是正确的修法。

方法亮点。 作者把问题做成了一个可以分离两种解释的受控实验：训练数据中红色物块的振荡是慢的、蓝色物块的振荡是快的；测试时给一个「红块被观测到快速运动」的冲突条件。 在这种冲突下，即使模型生成了慢动作，一个「由简单物理变量预测出来的低维编辑（low-dimensional edit）」也能把正确的快速运动恢复出来。 作者给这个能力起名为 causal writability（因果可写性）——它指的不是「模型输出正确」，而是「模型的中间状态仍然可被指向正确方向地改写」。

证据。 摘要给出的结果分四组（作者口径）。① 一条尖锐的深度边界：在固定强度（fixed strength）下，同一个编辑在边界之前能改变视频、在边界之后不能；作者把这条边界称为该次写入的 commitment（承诺点）——即模型在某个深度上已经把选择「定死」了。 ② 但信号并没有消失：运动信号仍然存在，一个更强的下游写入可以恢复物理运动——代价是「过大的增益会过冲（overshoots）」，也就是存在一个有用的区间而不是单调的关系。③ 有预测力：「早期因果可写性」可以预测哪些错误会被后续训练纠正——那些在更多网络深度上可写的错误，比那些最终持续存在的错误，更容易被训练修正。 ④ 可推广性：作者在一个预训练的 1.3B 视频模型上复现了因果可写性及其尖锐的闭锁（closure），以此支持该现象在模型规模与训练范式上的通用性。

边界。 这套实验的受控程度同时是它的长处与它的局限：「红块慢、蓝块快」的两类合成运动是一个刻意简化的代理任务，摘要没有说明它在自然视频、多物体交互或文本条件生成上是否仍成立——而「因果可写性」这个概念的实用价值，恰恰取决于它在真实生成模型里是否可测；「低维编辑由简单物理变量预测」是被研究的最关键的一步，但摘要没有说明这些物理变量是什么、如何取得、是否需要知道模型生成的「正确答案」才能构造——如果构造编辑需要先知道正确运动，那它在实际纠错中的可用性会大打折扣；「固定强度下的尖锐边界」是一个很强的结构性主张，摘要未给出边界的位置随模型深度、层类型或规模如何变化；「过大的增益会过冲」说明存在最优强度，但摘要没有给出该强度如何选取；「早期可写性预测后期可被纠正」是一条相关性主张，摘要未给出预测的准确率、样本量或对照基线；1.3B 是摘要中提到的最小规模复现，本刊未读到更大规模的验证；这是一篇 34 页 33 图的长文，摘要密度有限，摘要未提代码或权重是否公开。

我的判断。 这篇是本期最「方法论」的一篇，而它真正的贡献不是那个名字，而是它把「模型不做得对」这件事拆成了至少三种状态：没学会、学会了但被覆盖、学会了且可被改写。 这个三分在工程上是有直接后果的——如果失败主要落在第三种状态上，那么对一个已经训练好的模型，「加数据」可能不如「在中层做一次定向干预」划算；而第 2 条「边界之后写入仍存在，只是需要更大增益」说明这个干预不是二元可控的，存在一个容易过冲的窗口。 保留意见：这类机制研究最常见的失败模式是被过度推广——在「红块/蓝块」上得到的尖锐深度边界，很可能与特定架构、特定数据集（两类周期运动）和特定训练配方绑定，摘要给出的唯一推广证据是「在另一个 1.3B 模型上复现」，这只能说明它不是某一个 checkpoint 的偶然，不能说明它是生成模型的一般性质。 另外，摘要里「causal」一词用得比惯常更宽：它测的是「干预模型内部状态能否改变输出」，这更接近机制可解释性里的可干预性（intervenability），而不是严格意义上的因果推断——读者在引用这个词时应留意这一点。 给读者的实用建议： 如果你在做视频生成或世界模型，「模型在冲突条件下失败」这个现象本身值得单独建一个探针——因为这条工作提示的是，失败的成因至少有两个不同的指纹：一个在中层可写、一个在任何深度都不可写。

2. Don’t Send What You Don’t Need：按问题裁剪视觉 token，用约 40% 的预算守住 VQA 精度，把成员推断攻击成功率从 0.99 降到 0.76–0.79

论文：Don’t Send What You Don’t Need: Question-Guided Token Pruning as a Privacy Defense for Vision-Language Models（2026-09-14，cs.CV/cs.AI/cs.CR）

资源：HF Papers

问题。 作者的场景设定很实际：VQA 与 VLM 越来越多被用在隐私敏感且带宽受限的环境。联邦学习（FL）、拆分学习（SL）与 U 形拆分学习（USL）都能让原始数据留在本地，但把全部视觉 token 跨模型分片传输依然昂贵，并且可能暴露隐私信息。 ——换句话说，问题不在「要不要上传原图」，而在「即使只传特征，传得太全也会泄露」。

方法亮点。 作者提出 QPriv-VL：一个面向 FL、SL、USL 的、由问题引导且隐私感知的视觉 token 裁剪（pruning）框架——它在传输之前，按「任务效用」与「隐私敏感度」两个维度决定保留哪些视觉 token。 核心组件是一个轻量的 Dynamic Threshold Predictor（DTP，动态阈值预测器），在一次前向中同时估计样本级的裁剪比例与 token 级的保留掩码。DTP 把两种信号合起来：① 由视觉 patch 与池化后的问题嵌入之间的跨模态相似度算出的「问题相关性」；② 由冻结的 DINOv2 特征导出的「敏感度信号」。这套设计的目标是「抑制可能敏感的区域，同时保留对回答该问题有用的 patch」，而且明确声称不需要敏感度标签（without requiring sensitivity labels）。

证据。 摘要给出的结果分三组（作者口径）。① 评测面：在 GQA、OK-VQA、VQAv2、SLAKE、VQA-RAD 与 PathVQA 六个数据集上，对抗四类隐私攻击：FSHA、FORA、iDLG，以及属性推断型成员推断攻击（attribute-inference MIA）。 ② 主要数字：DTP 在与固定比例裁剪（fixed-ratio pruning）持平或更好的同时，使用的传输 token 显著更少；在 VQA-RAD 上，它把成员推断攻击的成功率从 0.99 降到 0.76–0.79，相对固定比例裁剪降低了 FSHA 与 FORA 的重建 PSNR，并在约 40% 的原始视觉 token 预算下保持了有竞争力的 VQA 精度（preserves competitive VQA accuracy）。③ 机制层面的两个观察：敏感度排除比（sensitivity exclusion ratio）为 1.20 ± 0.18，表明模型确实在优先移除隐私敏感的 patch；可解释性分析显示，保留策略会随问题语义而调整，而不是依赖通用的视觉显著性（generic visual saliency）。

边界。 最重要的边界是那个「0.76–0.79」本身：攻击成功率从 0.99 降到 0.76–0.79 是一个明确的相对下降，但在绝对值上它仍然意味着「大约四分之三的成员推断尝试仍然成功」——摘要没有为「这个水平在部署上是否可接受」给出任何门槛，而本刊认为这才是读者最需要的那个数；「有竞争力的 VQA 精度」没有给出任何数值，因此「40% 预算下不掉性能」这个结论目前只有方向，没有幅度，也没有说明 40% 是六个数据集的平均还是某一个数据集的结果；「相对固定比例裁剪降低了 FSHA 与 FORA 的重建 PSNR」同样只有方向，没有 PSNR 数值；敏感度信号来自冻结的 DINOv2，这是一个通用视觉骨干而不是隐私模型，因此「敏感」在这里是一个代理概念——「不需要敏感度标签」既是这套方法的卖点，也意味着它无从校验自己移除的是否真的是「该移除的东西」；四类攻击族并不穷尽（例如未提到针对医学影像的扩散式重建或针对性梯度反演），且攻击强度设定未在摘要中说明；1.20 ± 0.18 这个比值的定义（相对什么基线、如何统计）摘要未给出；六个数据集中有三个是医学 VQA 数据集（SLAKE、VQA-RAD、PathVQA），而主要数字都来自其中之一，这是一个需要留意的选择性呈现可能；摘要未提代码或模型是否公开。

我的判断。 这篇的价值不在数字漂亮，而在它把「隐私」从一个声明变成了一个可以用四个攻击族测量的量——「裁剪多少 token」这个决定，从此可以被写成一条「效用—泄露」曲线的取点问题，而不是一个凭直觉设置的超参。 它与本刊 #024 第 3 条（QPriv 之外，VideoXAgent 用「按需取证」替代「稠密打包」）在结构上同源：都是「不要一次把全部证据送过去，按需要发」，区别是 #024 那篇省的 token 是为了省钱，这篇省的 token 是为了少泄露。 保留意见：我认为这篇目前最缺的不是方法而是门槛——0.76–0.79 的攻击成功率在一个医疗场景里应当被读作「仍未解决」，而不是「已显著缓解」；而摘要的措辞（「matches or outperforms」「preserves competitive」）恰好选择了不给出那个最容易引起追问的数字。给读者的实用建议：如果你在做拆分学习或端侧 VLM 部署，这篇给出的是一个可复用的设计模板（问题相关性 × 冻结骨干的敏感度，单次前向同时出比例与掩码），但请在做任何部署决策前要求作者补三张表：六个数据集各自的 VQA 精度、四种攻击的逐项成功率，以及「敏感度排除比」的定义。

3. ModaLens：一次配对换图审计——只要报告在手，医学 VLM 对图像变化的敏感度从 20.94% 掉到 4.26%

论文：ModaLens: Measuring Image Sensitivity in Report-Conditioned Medical VLMs（2026-09-14，cs.CV/cs.AI）

资源：HF Papers

问题。 作者的题设只有一句话，但刺得很准：一份放射学报告本身已经能回答一个临床问题，因此很难分辨一个视觉语言模型究竟有没有在用图像。 ——这不是在问「模型答得对不对」，而是在问「模型答对的时候，看的是图还是文字」。

方法亮点。 ModaLens 是一次配对换图审计（paired image-swap audit），它测量的是「报告可用性如何改变图像敏感度」。具体设定：模型为 MedGemma-27B；数据为来自 293 名患者的 3,199 组配对 MIMIC-CXR 病例；每一例问全部 14 个问题（13 个具体发现 + 1 个复合问题）；对每一次试验，把图像替换成「另一项检查」的图像——通常是同一名患者的——而问题与报告保持不变。 ——关键设计是「通常同一患者」：这使替换图在解剖上高度相似，从而把「模型是否依赖这张图的具体内容」放大成一个更锐利的检验。

证据。 摘要给出的结果分三组（作者口径）。① 主数字：在一条显式作答指令下，模型生成的答案在「有报告」时于 4.26% 的试验上发生变化，在「无报告」时于 20.94% 的试验上发生变化，配对差值（paired increase）为 16.7 个百分点，按患者聚类的 95% 置信区间为 15.6 到 17.7——即报告可用性降低了换图敏感度。 ② 稳健性：用原始提示词、以小写首 token 读取时，得到的是 4.70% 对 17.07%（方向一致）；并且替换图像还会移动连续的答案分数，即使在二元预测没有改变的情况下。 ③ 机制与可复现性：标签本身是从报告中导出的，这限制了对「视觉正确性」下结论的能力；该方向在另外两个模型谱系中可复现（the direction replicates in two further model lineages）；代码、确切提示词与每个数字的运行记录在 github.com/criticaldata/MODALENS。

边界。 这篇的边界写得比多数论文更诚实，而其中三条对读者最重要：① 作者自己指出「标签来自报告」，因此本刊不建议把它读成「模型看错了图」——它测的是「输出对图像的敏感度」，不是「视觉判断的正确性」；一个模型完全可能对图像敏感却是敏感在错误的特征上。 ②「有报告时 4.26%」不是零，即报告在手时图像仍然在轻微地起作用（约 1/23 的试验会因换图而改变答案）；摘要没有讨论这个残差是有意义的视觉依赖还是噪声。 ③「另外两个模型谱系方向可复现」没有给出幅度、模型名或数据集是否一致——而方向可复现与幅度可复现是两件不同的事：如果另外两个模型是 18% 对 12%，结论会完全不同。 另有四点值得记：主结果只给出 MedGemma-27B 一个模型；数据集只有 MIMIC-CXR 一个，单中心、单一影像模态；「通常是同一患者」是一个会显著影响结果的设计选择（同一患者的两次检查差异可能极小，这让审计更严格，但也让「4.26% 对 20.94%」的差距更依赖这个选择的强度），摘要未说明非同患者替换占多大比例；14 个问题全部为发现级与复合问题，未见「必须看图才能答」的问题类型（例如定位、比较、左右侧）是否单独统计；本刊未直读其 GitHub 仓库，无法确认运行记录是否覆盖了摘要中的每一个数字。

我的判断。 这是本期最应该被临床 AI 团队直接拿去用的一篇，因为它的方法成本极低、而它测的东西此前几乎没人测：「模型在有文本捷径时，还会不会看图」不是靠消融训练能回答的问题，而是靠一次换图就能测出来的审计。 把这条与 #023 第 1 篇（New Evidence, Same Choice：把「该不该再测一次」单独拿出来考）并读，两篇在做同一件事——把评价体系默认忽略的一个行为维度单独变成一道可打分的题。 保留意见：「4.26%」这个数字在直觉上很刺眼，但它的解释有两种，而这篇文章目前只排除了其中一种：一种解释是模型在报告可用时把图像当成了冗余输入（这确实是一个失败模式，因为临床上报告可能有误）；另一种解释是「通常同一患者」的替换图本来就没有可区分的信息，因此 4.26% 是设计使然。 摘要没有给出「非同患者替换」条件下的对照数字，而这一条对照恰好能把这篇文章从「一个令人不安的发现」变成「一个已被归因的发现」。 给读者的实用建议：如果你想在自己的多模态系统上抄这个审计，把「换图」拆成两个强度分别测——同一患者的另一次检查，以及另一名患者的检查。两个数字之间的落差，就是「模型有没有在看图」这件事的信息量。

4. BVB：用「能不能在 Blender 里重建」替代问答——最好的模型拿到了 88.6 的感知相似度，却只保留 53.7% 的时空事实

论文：BVB: Benchmarking Agentic Video Understanding via Programmatic Reconstruction in Blender（2026-09-14，cs.CV）

资源：HF Papers

问题。 作者的出发点是一个很干脆的断言：多模态 agent 已经能通过写代码在 Blender 这类软件里造出复杂视频（不依赖扩散模型），但视频理解基准仍然主要用问答来评。 如果 agent 真的理解了一段视频，它就能把这段视频程序化地重建出来。 ——这等于把「理解」的验收标准从「能回答关于它的问题」换成了「能从零把它造出来」。

方法亮点。 BVB（Blender-VideoBench）要求 agent 把真实世界视频重建为 Blender 里的动画场景。 为保证可比性：每个 agent 都通过一个轻量 harness（Mini-BVB）在完全相同的沙箱里、在共享的成本上限下编写重建程序。评测时从重建场景的动画相机渲染，并在两个轴上评分：① Dual VQA——衡量重建保留了多少时空事实（spatiotemporal facts）；② Latent Similarity——衡量重建与源视频在感知上有多接近。总分是二者的平方根均值（square-root mean），设计意图是奖励均衡的表现——即在一个轴上极强、另一个轴很弱不会得到高分。

证据。 摘要给出的结果分四组（作者口径）。① 规模：评测了来自 10 个模型族的 51 个配置，并从语义保留、感知相似度、推理开销（reasoning effort）与成本四个维度做了分析。② 主数字：最好的模型达到 88.6 的 Latent Similarity，但只保留了源视频中原本答对的那部分时空问题中的 53.7%。③ 一个反直觉的干预结果：增加推理（additional reasoning）会改善视觉相似度，却不会缩小事实准确度上的那道缺口。 ④ 一条人类关联性验证：在一项 15 名评分者、5 个配置的盲评中，Latent Similarity 与人类偏好强相关。

边界。 「88.6 对 53.7%」这个落差是本篇的传播点，也是最需要被追问的地方：这两个数不在同一量纲上（一个是相似度指标、一个是保留率），而「平方根均值」把两个异质量纲合成了一个总分——摘要没有给出各配置的具体总分，也没有给出两个轴各自的权重敏感性分析，因此「均衡」这个设计意图是否真的在实践中成立，本摘要无法判断；「人类偏好与 Latent Similarity 强相关」的验证只有 15 名评分者与 5 个配置，样本极小，且它验证的是「感知相似度」这一轴，没有对应地验证「Dual VQA 保留率」是否也与人判断一致——而这恰恰是本文主张「语义保留是主要挑战」所依赖的那一轴；「共享成本上限」的具体值与「Mini-BVB」的实现细节摘要未给，因此「51 个配置可比」这句话无法被独立检查；用 Blender 编程重建来测「视频理解」有一个天然混淆：它同时测了编码能力（把理解翻译成可运行的程序）——一个理解得很好但不会写 Blender 脚本的模型会在这里被低估，摘要未给出对这一混淆的对照实验（例如给人类同样的预算让人重建，或分离「写出正确脚本」与「脚本渲染出正确画面」两个阶段）；「真实世界视频」的来源、数量与分布摘要未说明；「推理开销」是作者自定的度量，其定义未给出；摘要未提代码、数据或 harness 是否公开。

我的判断。 这篇的贡献在于给「视频理解」找到了一个比问答更难作假的验收面——问答可以被语言先验与选项分布刷分，重建不能：重建要求模型把「相机怎么动、物体在哪、先后关系如何」全部外化成可执行的几何与时间结构。 而它给出的结果与本期第 1 篇形成了一个有意思的呼应：第 1 篇说视频模型内部有正确的运动信号却输出错误的运动；这篇说 agent 能重建出「看起来很像」的结果却丢掉了近一半事实。 两篇从不同方向指向同一个结论：在视频这件事上，「像」与「对」是两个可以独立失败的量——而目前的评测习惯（相似度、FVD、人眼偏好）主要量的是「像」。 保留意见：我认为本文最强的结论其实是那句不起眼的否定结果——「增加推理改善视觉相似度，但补不上事实缺口」；它说明这道缺口不是靠「多想一会儿」能填的，而这恰好与 #024 记录的 VideoXAgent（长视频靠逐步取证而非一次看全）形成对照：那篇主张的是「换交互方式」能提升事实获取，这篇主张的是「加推理」不能。 给读者的实用建议：如果你在评估视频理解系统，本文提供的最可迁移做法不是 Blender，而是「双轴 + 不许偏科」的评分结构——感知相似度与人可核验的事实保留率必须分别报告，任何单一总分都应该被要求给出两轴的分解。

5. Congruency Score：把「长文本图文一致性」做成标定分数——检索性能、人类一致性、阈值标定是三个会互相打架的目标

论文：Human-Grounded Calibration for Long-Text Image-Text Congruence in Vision-Language Models（2026-09-14，cs.CV/cs.CL；3 图 2 表）

资源：HF Papers

问题。 作者的题设是一个正在变得普遍的工程需求：当视觉语言系统需要判断一段详细文本描述是否匹配视觉内容时，「长文本图文一致性打分」就变得重要。 但双编码器模型给出的原始相似度分数很难被解释为「标定过的一致性度量」，尤其在图像与文本嵌入之间那道 modality gap 之下。 ——换句话说，问题不是「相似度能不能排序」，而是「相似度能不能当阈值用」。

方法亮点。 作者提出 Congruency Score（CS）：一个轻量的标定层（calibration layer），把图文相似度的证据映射到一个有界的分数上。 ——注意它的形态是「映射函数」而不是「新模型」：底下的视觉语言骨干保持冻结，被研究的对象是「如何把相似度转成一个可用阈值解释的量」。

证据。 摘要给出的结果分三组（作者口径）。① 一个否定性结果：在 DOCCI 与 Urban1k 上评测四个冻结的视觉语言骨干后，作者发现「投影后质心距离（post-projection centroid distance）的下降」并不一致地改善图文检索性能——即一个常被用来证明「gap 被弥合了」的指标，在检索上未必带来收益。 ② 一个权衡：在 DOCCI 上的人类校准评测显示，直接的 post-hoc 标定保持了与人类判断的高关联性，而某些基于投影的配置可以降低「与阈值相关的斜率与截距畸变」，代价是检索性能与关联强度。 ③ 结论句：这两条结果共同把「长文本图文一致性打分」确立为一个「标定分数估计问题」——在这个问题里，检索性能、与人类判断的关联性、以及阈值标定必须作为三个不同的目标分别评测。

边界。 摘要给的都是方向性结论，没有给出任何数值——「并不一致地改善」没有说明在几个骨干上是改善、几个上不是；「与人类判断的高关联性」没有给出相关系数；「降低斜率与截距畸变」没有给出畸变量；「代价是检索性能与关联强度」同样没有幅度——而「权衡」这一类论断如果没有幅度，就无法判断它是一次工程取舍（例如牺牲 1% 换个可用的阈值）还是根本性的冲突；「四个冻结的骨干」没有被点名，因此本刊无法判断这四个模型是否代表了当前的骨干谱系；数据集只有 DOCCI 与 Urban1k 两个，而人类校准只在 DOCCI 上做，样本量与标注协议摘要未给；CS 的「轻量标定层」具体形式（是否为单调映射、是否含可训练参数、训练目标是什么）摘要未展开——而这决定了它是「一个可复用的校准方法」还是「针对这两个数据集的一个拟合」；「三个目标必须分别评测」是一个规范性主张，摘要没有给出把三者放在同一评测里会出现的具体反例；这是一篇 3 图 2 表的短文，摘要密度有限，摘要未提代码是否公开。

我的判断。 这篇是本期的「一张反对票」，而它反对的东西很具体：用「弥合 modality gap」来论证模型更好。 它给出的反例结构是：质心距离下降 ≠ 检索变好 ≠ 与人类判断更一致 ≠ 阈值更好用——这四个量目前的评测习惯是把它们当成同一件事。 把这一条与本期第 3 篇（ModaLens）并读，会发现两篇在同一条线上：都在问「我们用的那个分数，到底在测什么」——ModaLens 问的是「模型答对了是因为看了图还是看了报告」，这篇问的是「相似度高是因为真的匹配还是因为嵌入空间被投影塑形了」。 保留意见：我认同这个区分，但这篇摘要的证据强度不足以支撑它的规范性结论——在没有数值的情况下，「检索性能、人类一致性、阈值标定是三个不同目标」更像是作者从两组实验里读出的解释，而不是被证明的命题。 如果要在引用时保守一点，我会只引用它最硬的那一半：「投影后质心距离的下降并不一致地改善图文检索性能」——这是一个清晰、可被他人复现检验的否定结果，而它对当前很多多模态对齐工作的宣传口径是一个直接的挑战。 给读者的实用建议：如果你在做图文匹配的线上系统，请把「排序指标」和「阈值指标」分开做表格——这篇提示的是，优化排序的那套手段（包括投影与对齐）可能会让分数看起来更「收敛」，却让阈值更难设定。

今日阅读线索

一句话：这一批五篇的共同动作是「换掉对照项」——把输入条件换成冲突的、把发送内容换成按需的、把被问的图像换成另一张、把评测方式换成重建、把相似度换成校准分数；而五篇换完之后给出的答案指向同一件事：「看起来对」与「实际用上了」是两件可以独立成立的事。

三条线索值得带走：

其一，本期有三篇独立地论证了同一个结构：模型（或 agent）手里存在正确的信号，但它没有让这个信号决定输出。 视频模型篇（第 1 篇）给出的是最直接的机制证据——正确的运动仍在模型内部，可被一次低维编辑恢复，而且这个可恢复性随深度出现一条尖锐边界；医学审计篇（第 3 篇）给出的是行为层面的证据——一旦报告在手，图像引起的答案变化从 20.94% 掉到 4.26%；重建基准篇（第 4 篇）给出的是产出层面的证据——视觉相似度 88.6、时空事实只留 53.7%，而「多想一会儿」只改善前者。三篇的量表不同（内部状态、行为敏感度、产出保真度），但描述的是同一个失败形态：冗余输入或表层相似度被当成了「理解」。

其二，「裁剪」和「校准」在这一期里都被重新定义成了一句成本会计，而不是一次性能优化。 第 2 篇的裁剪对象是传输的 token，它的两个货币是「精度」与「攻击成功率」——而作者给出的账是：省下约 60% 的 token，换来的隐私改善是攻击成功率从 0.99 到 0.76–0.79；第 5 篇的校准对象是那个阈值的斜率与截距，它的两个货币是「检索性能」与「与人类判断的关联强度」。两篇都拒绝给出一个「更好」的单一结论，而是把结果写成一条需要自己选点的权衡曲线——本刊认为这种写法本身值得记录，因为它是过去几期反复出现的同一句话的又一次落地：指标的口径比指标本身更重要。

其三，这一批里最好用的方法学提示不是任何实验结果，而是两个审计设计。 一个是 ModaLens 的配对换图：把图像换掉、把问题与报告固定，看输出变化多少次——它用一个几乎不需要训练的流程，测出了一个此前需要消融训练才能接近的问题。 另一个是 BVB 的双轴不许可偏科的评分结构：感知相似度与可核验的事实保留率必须分别报告。 把这两个设计与昨晚日报 #025 的三条发布并读，会看到一个有趣的对照：本期论文速递在讨论「如何验证模型真的用了它声称使用的信息」，而日报第 1 条（TypeSafe 的 0% 不是实测而是 schema 保证）与简讯④（一家公司把 checkpoint 和日志一起开源）恰好是同一个问题的两种回答方式——一种靠形式化保证，一种靠过程可追溯。 两种方式本刊都不反对；但本期论文速递的五篇，无一例外选择了后者。

本刊注：本期覆盖 arXiv published 字段为 2026-09-14 的公告批次（对应公告日 2026-09-15），与 #024 覆盖的 2026-09-11 批次不重叠。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，三路全部成功返回（HTTP 200，本期未出现 #023 记录的 cs.CV 一路 429）；cs.CV 一路 40 条的 published 全部为 2026-09-14。 五篇的 arXiv ID、发布日期、分类、作者与摘要全文均取自官方 API 直查；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（逐数据集精度、攻击成功率的部署门槛、重建配置的逐项总分、相关系数等）本刊一律不做补充，并已在各篇「边界」一节逐条标出。本期涉及的两处外部链接（第 3 篇的 github.com/criticaldata/MODALENS、第 1 篇与第 4 篇的篇幅与图表数）均取自摘要自述，本刊未独立核实。