本期取自 arXiv 当前最新的公告批次：published 字段为 2026-09-16（周三），对应公告日 2026-09-17——与 #026 覆盖的 2026-09-15 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 60 条，三路全部成功返回（HTTP 200，本期未出现 #023 记录的 429）；三路各自 60 条的 published 全部为 2026-09-16，没有更早或更晚的项，与 #024 至 #026 记录的「单一公告日、无跨日混杂」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，未打开 HF Papers 页面、项目页或代码仓库；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一律不做补充，并在各篇「边界」中逐条标出。
五篇合起来回答的是同一个问题的四个侧面：「视觉信息到底进到模型里的哪里了，以及它有没有走出去。」 第 1 篇从机制侧给出了一个意外干净的答案——在四个模型上被因果判定为「对 OCR 必要」的注意力头，其实是通用语义头，把它们指向一只鸟的翅膀，模型输出的 token 是「羽毛」；而把这些头的注意力权重收拢成一个变换之后，从第 0 层开始就能读出可解释的语义标签，也就是说图像表征在很早的层就已经与语言对齐了。 第 2 篇从诊断侧给出另一半——在 Gemma-3 与 Qwen3.5 上，稀疏读出在全部六个二分类任务上都优于模型的原生预测（Qwen 平均 0.740 对原生 0.432），而「仅做标定」的路由修复就能补回平均缺口的 93.3%；作者据此把问题定性为路由而不是表征。 第 3 篇从输入侧提醒一件容易被忽略的事——只要存在一张图，即使提示词问的不是图中那个具体实例、只是它所属的概念，回答也会被那张图带偏，而带偏的方向取决于那张图怎么拍（物理术语占比从纯文本的 18% 升到主语聚焦的 45%、主语在场景中的 40%）。第 4 篇把「该看哪里」变成一个学习问题——用一个轻量重排序器从稠密候选裁剪里挑一个，把每次查询的 VLM 调用压到一次，换来 1.4 倍推理加速，并在所有主干与屏幕尺度上把定位准确率平均提高 5.5%。 第 5 篇把「看到的东西能不能变成动作」交给一个可验证的执行层——在真机试验中，人类的视频示范在完全没有机器人动作标签的情况下就能提高任务完成率。
1. OCR Heads：被判定为「对 OCR 必要」的注意力头，其实是通用语义头——把它们收拢成一个变换后，从第 0 层起就能读出图像语义
论文：Using OCR Heads to Verbalize Image Semantics（2026-09-16，cs.CV/cs.AI/cs.CL；标注 21 pages, 22 figures）
资源：HF Papers
作者：Sheridan Feucht、Benno Krojer、Sarah Wang、Henry Abrahamsen、Byron C. Wallace、David Bau
问题。 作者把一个大问题拆成了一个窄问题，并说明了这么做的理由：总问题是「VLM 如何从像素映射到语义」，而他们选择切入的窄问题是「VLM 如何做光学字符识别」——换句话说，他们挑的是一个模型必须真的看图、且输出必须与图上文字严格对应的任务，因为在这个任务上「看没看见」是可以被直接判定的。
方法亮点。 三步，每一步都可以单独核验。① 定位：在四个模型上找出对 OCR 因果必要的注意力头。 ② 意外发现并加以利用：「这些头实际上是通用目的的头，能在所有图像 token 上输出可解释的语义特征。」 作者给出的两个对照例子足以说明这一点：把这些头指向一个含有单词「bike」的图像 token，Qwen3-VL-8B 会输出「bike」；把它们指向一只鸟的翅膀，模型输出的是 token「feathers」。 ③ 收拢成一个变换：「我们把这些头的注意力权重收拢为一个单一的 verbalization lens 变换，它能在所有层的隐状态里揭示可解释的语义特征。」 再把它与词表空间的投影结合起来，作者称「我们可以从第 0 层开始就得到可解释的标签，表明图像表征在早期层就已经与语言对齐」。
证据。 除了上述两点（四个模型上的因果必要性、指向鸟翼得到「feathers」），作者给出的第三项证据是因果编辑： 「我们发现也可以用这个变换的逆来编辑非单词概念，例如在一张自然图像里把拖拉机替换为左轮手枪，这提供了因果证据，说明这个子空间不只在 OCR 上有用。」
边界。 这篇摘要的写法很克制，但正因为克制，缺口也很清楚：「四个模型」没有点名其中任何一个是哪一族的哪些规模（摘要中只在举例时出现 Qwen3-VL-8B），因此无法判断这些头在更小的模型或更新的模型上是否同样存在；「因果必要」的判定方式（是消融、激活替换还是路径修补）、判定标准与显著性检验，摘要均未给出——这直接决定了「必要」这个词的强度；「所有图像 token」「所有层」是两个很强的全称表述，而摘要只给了两个例子（bike 与 feathers），没有给出覆盖度统计；「从第 0 层开始就能得到可解释标签」这句话的信息量取决于「可解释」是人工判断的还是自动评分的，摘要未说明；拖拉机换左轮手枪是一个漂亮的定性演示，但摘要未给出这项替换的评估指标（是视觉相似度、分类器判定还是人工），也未说明是否在多个图像上重复；摘要是本次五篇中唯一未提任何量化结果的之一——全文没有任何一个准确率、层数分布或头数的具体数字，本刊照此如实记录；摘要未提代码或数据是否公开，也未标注会议。
我的判断。 这篇的贡献可以压缩成一句可以被检验的话：模型内部负责「读字」的那套机制，同时也是负责「读意思」的那套机制。 这个结论如成立，它的含义比 OCR 大得多——它意味着视觉表征与语言表征之间并不存在一个需要被翻译的鸿沟，至少在语义层面，两者用的是同一套词汇表。 这一点值得与本期第 2 篇并读：如果第 2 篇的结论是「表征在、但没被路由到输出」，那么本篇给出的就是「表征在」的那个「在」具体是什么样子——不只是数值上存在，而是已经可以用词表里的词把它读出来。 保留意见：我认为「从第 0 层就能读出可解释语义」这个说法有一个需要小心的地方——从隐状态里能解码出某个词，不等于模型在图到文的任务路径上使用了这个信息。 这是一个经典的区分（「信息在表征里」与「表征被用于决策」），而本篇在 OCR 这一支上确实做了因果编辑（换概念的逆变换），在「早起对齐」这一支上给出的是解码结果而非因果干预。 换句话说，论文最强的证据落在了 OCR 上，而它最吸引人的声称落在了泛化上。 给读者的实用建议：如果你在做多模态的可解释性或数据筛选，这篇可迁移的是一个具体做法——先找一个「必须真看图」的窄任务把机制定位出来，再看这个机制是否顺手解释了其它现象。 「窄任务切入、机制泛化出去」这个顺序，比先提出一个泛泛的解释再做验证要容易出成果得多。
2. Decodable but Misrouted：稀疏读出的分数远高于模型自己的预测，而「仅做标定」就能补回 93.3% 的缺口——瓶颈是路由，不是表征
论文：Decodable but Misrouted: Sparse Features Uncover a Readout Gap in Vision-Language Models for Harmful Meme Detection（2026-09-16，cs.CV/cs.AI/cs.CL/cs.LG；标注 40 pages, 9 figures）
资源：HF Papers
作者：Girish A. Koushik、Diptesh Kanojia、Helen Treharne
问题。 作者给出的问题设定精确到一个二选一：「当一个大视觉语言模型误判了一张有害模因时，这个失败可能反映的是内部证据缺失，或者是有能力把已被表征的证据路由到输出。我们在 Gemma-3 与 Qwen3.5 上区分这两种情况。」 ——这个框架值得单独指出：它把「答错」拆成了「没看见」与「看见了但说不出来」，而这两者的应对方式完全不同。
方法亮点。 四个工具的组合：稀疏自编码器、角色条件探针、因果干预，以及恢复实验；评测面是六个有害内容基准，并额外加入西班牙语与印地语—英语混码的评测。
证据。 摘要给出的数字分四组，是本期五篇中最完整的一组（作者口径）。① 主结果：稀疏读出在全部六个主要二分类任务上都优于原生预测——「Qwen 平均 0.740，对原生 macro-F1 的 0.432，而残差重建达到 0.486；Gemma 则从 0.532 提升到 0.714。」 ② 对这组差距的定性：「这些差异反映的是监督下的可接近性，而不是一个既存的、原生的决策规则，且最有影响力的 token 角色取决于任务。」 ③ 敏感度对照：「在本文评估的分数尺度下，Qwen 的静默特征消融对探针的敏感度是被路由特征修补的 24–63 倍，而在字面是/否任务上的被路由特征修补对输出的敏感度则是静默特征消融的 16–140 倍。」 ④ 最实用的一条： 「仅做标定的路由可恢复平均缺口的 93.3%；探针蒸馏出的 LoRA 能改进原生预测，尽管共享的多任务适配会带来负迁移。」 ⑤ 案例研究： 「对 Gemma-3-12B 在 Facebook Hateful Memes 上的案例研究发现了一个分布式的 rank-32 图像—提示交互，达到 0.756，对原生 macro-F1 的 0.685。」 ⑥ 稳健性对照： 「信号延伸到英语之外，不能被随附的 OCR 单独解释，并且依赖成对的视觉证据。」 ⑦ 结论句：「因此，路由，而不只是表征本身，是有害模因分类中反复出现的瓶颈。」
边界。 这一篇的边界与其他几篇的性质不同——它给足了数字，问题出在这些数字的可比性上：「0.740 对 0.432」这两个数分别来自「稀疏读出」与「原生预测」，而摘要自己就说明了这不是同一类量——前者是「监督下的可接近性」，后者是模型的实际输出，因此这个对照说明的是「信息可被读出」，而不是「模型本可以在现有训练下做到」；「仅做标定可恢复缺口的 93.3%」是本篇最具操作价值的一句，但摘要没有给出「标定」的具体形式（是温度缩放、类别先验调整，还是别的什么）——而这恰恰是决定它能否被直接套用到一个新模型上的关键； 「24–63 倍」与「16–140 倍」两组区间都很宽，且摘要注明是在「本文评估的分数尺度下」，因此这些倍数与 logit 尺度的选择有关，跨论文引用时需要一起引用尺度约定；「静默特征（silent features）」这个术语在本摘要中未被明确定义——从上下文可以推测是在探针上可解码但对原生输出无影响的特征，但摘要没有给出定义句；两个模型的具体规模未点名（只给了 Gemma-3 与 Qwen3.5 两个族名，另有案例中的 Gemma-3-12B）；「六个有害内容基准」没有列出名称，因此无法判断其覆盖的内容类型与语言分布；「探针蒸馏出的 LoRA 改进原生预测」与「共享多任务适配带来负迁移」是两个方向相反的结论，摘要未给出各自的实验条件，因此无法判断何时该用哪一种；rank-32 的「分布式图像—提示交互」是单个案例的结果，摘要未说明它是否在其它样本上重复；摘要未提代码或数据是否公开，也未标注会议。
我的判断。 这篇是本期的核心，因为它给本期提供了一个可以复用的诊断范式：把「模型答错」拆成「表征没到位」与「表征到位但没走到输出」两步，然后分别测量。 它的结论——路由是瓶颈——如果成立，对做多模态安全的人有一个非常直接的推论：继续加视觉编码器或加图像分辨率，未必能改善有害内容的判定，因为问题可能不在输入端。 而「仅做标定就能补回 93.3%」这一句如果复现，意味着相当大的改进空间不在表征层，而在输出层的尺度与阈值上——这是一个便宜到几乎不像真的结论，因此也最需要被独立复现。 保留意见：我认为这篇最需要读者留意的是它自己的那句限定——「这些差异反映的是监督下的可接近性，而不是一个既存的、原生的决策规则」。 这句话把「稀疏读出优于原生预测」这一发现的性质说清楚了：探针是带监督训练的，所以它天然比无监督的原生输出更接近标签，这个比较里含有一部分同义反复。 真正有信息量的是后面两条——消融/修补的敏感度差异（说明两类特征在因果结构上确实不同）与标定恢复率（说明缺口的一部分确实是尺度问题）。 给读者的实用建议：如果你在做多模态内容审核，这篇给出的最小实验是——把同一个模型在「直接分类」与「线性探针读出中间层」两条路径上的分数同时报出来，并额外报一次「只做标定」的版本。 三者之间的落差，就能大致告诉你问题在输入端还是在输出端。
3. 只存在一张图就会改变回答，而且改变的方向取决于这张图怎么拍——物理术语占比从纯文本的 18% 升到 45% 与 40%
论文：Visual Input and Its Framing Affect Attribute-based Descriptions Produced by Large Vision-Language Models（2026-09-16，cs.CV）
资源：HF Papers
作者：Xiaomeng Wang、Martha Larson、Zhengyu Zhao
问题。 作者的切入点是日常使用中一个被默认忽略的前提：「大型视觉语言模型通常只用一个文本提示作为输入，或者再加上一张图像。」 ——他们问的是：加上的那张图，究竟在多大程度上改变了本来与它无关的回答。
方法亮点。 这篇摘要没有给方法细节，而是直接给了设计上的关键区分：当图中出现的不是提示词所问的那个具体实例，而只是它所属的概念时，影响依然存在。 作者给的例子是：提示词只要求描述某个犬种的属性，而一张描绘该犬种某只具体的狗的图像，就会让回答发生偏移。 第二个关键区分是「框架」： 「进一步说，这个具体实例在图像中如何被框取，决定了回答向哪个方向偏移。」
证据。 摘要给出的量化结果只有一处（作者口径），但它有一个清晰的三点对照：「详细分析还显示，在回答中，物理术语的占比从纯文本的 18% 增加到主语聚焦（subject-focused）框取的 45%、以及主语在场景中（subject-in-situation）框取的 40%。」 结论句是： 「总体而言，视觉线索对 LVLM 的这些意外影响，凸显出在评估 LVLM 稳健性时需要理解图像是否存在以及它的框取方式。」
边界。 这篇是本期五篇中证据最薄的一篇，而它的证据类型与第 1、2 篇完全不同：全文只给出一个量化结果（18% / 45% / 40%），而「物理术语」的判定方式（词表、标注者、还是自动匹配）、样本量与所涉任务数均未说明；「回答会偏移」这个核心声称在前半段是定性的，摘要没有给出偏移幅度的指标——读者不知道该偏移是措辞层面的还是结论层面的，两者的严重性差别很大；「框取方式影响偏移方向」这一条尤其需要细节：摘要没有说明「主语聚焦」与「主语在场景中」这两类之外还有哪些框取，也没有说明是否存在反向的框取；所测模型未点名，规模、家族与数量均未给出；「属性描述」任务的具体提示词模板未给出，因此无法判断这个效应在多大程度上依赖于某个特定的提问措辞——这是一个在提示敏感性研究里非常关键的控制项，摘要中看不到；摘要未提代码或数据是否公开，也未标注会议。
我的判断。 这篇本身是一个小结果，但它指向的评测盲区很大，值得单独记下。 它的核心主张可以这样概括：在多模态评测里，「图」不是提示词的一个可选附件，而是一个独立的、会改变答案的输入通道，且这个通道有自己的编码方式（怎么框取）。 这意味着任何只报「加了图之后分数变化」而不报「图怎么拍的」的多模态评测，都遗漏了一个可能相当大的变量。 与本期前两篇并读会更清楚：第 1、2 篇问的是「模型内部有没有用上视觉信息」，这一篇问的是「视觉信息在输入侧是如何被摆布的」——两者其实是同一件事的两端，而「框架效应」这一端几乎没有被当过评测变量。 保留意见：我认为这篇的结论方向可信，但当前的证据强度不足以支撑「18%/45%/40%」这组数字被广泛引用。 原因有三个：只有一个量化指标（物理术语占比），而「物理术语多」本身不等于「描述变得更准确或更不准确」——它也可能只是模型被图引导到了更具体的措辞上，这未必是坏事。 换句话说，这篇测的是「变化」，而它的结论语气是「问题」。 给读者的实用建议：如果你在做多模态系统的评测或 A/B 测试，这篇给出的最小改动成本极低——把同一批提示词在「无图」「主体特写图」「主体在场景中的图」三种条件下各跑一遍，并把三个版本的分数同时报出来。 这三者之间的差距，就是你当前评测里被忽略的一个方差来源。
4. RankGround：把「多裁剪找目标」压成「一次 VLM 调用 + 一个轻量重排序器」——推理快 1.4 倍，定位准确率平均提高 5.5%
论文：RankGround: Efficient High-Resolution GUI Grounding via Lightweight Reranker-Guided Crop Selection（2026-09-16，cs.CV/cs.CL/cs.HC；标注 Accepted to ACM Multimedia 2026 (MM ’26)，10 pages, 6 figures）
资源：HF Papers
作者：Liyang Fan、Xinping Bi、Yitai Li、Shuaimin Li、Hui Li、Min Yang
问题。 作者把它描述成一个取舍，而不是一个能力缺口：「现有方法面临准确率与效率之间的根本取舍：直接整图推理往往无法捕捉小的或视觉上相似的 UI 元素，而多裁剪策略以每次查询多次昂贵的 VLM 调用为代价来提高定位。」 ——注意这里的场景是 GUI 接地：多模态 agent 要读懂自然语言指令并与数字界面交互，而界面元素往往又小又相似。 「小而相似」是这个任务的结构性难点，也是多裁剪策略存在的理由。
方法亮点。 三步。① 架构：一个两阶段框架，「每次查询只做一次 VLM 调用」，其中枢是一个名为 GroundRanker 的轻量多模态重排序器，负责「从一个稠密候选集中识别出最有希望的裁剪」。 ② 一个被明确承认的数据缺口与它的解法： 「由于不存在现成的排序数据集，我们从既有的接地数据集构造排序监督数据。一个严格的包含判据与边界感知的正样本增强，改善了杂乱布局中的对齐与空间覆盖。」 ——这两项设计（严格包含判据、边界感知增强）说明作者在构造监督时最担心的是标签噪声与边界框贴合问题。 ③ 训练：两阶段课程——「先由一个 pointwise 目标学粗略的包含关系，再由一个 listwise 目标在视觉相似的裁剪之间精炼细微的语义与空间区分。」
证据。 摘要给出的结果分两组（作者口径）。① 效率： 「它实现了 1.4 倍更快的推理。」 ② 精度： 「在全部主干与屏幕尺度上，相较第二好的方法，定位准确率平均提高 5.5%，在 GUI 接地的效率与精度两方面都建立了新的最先进水平。」
边界。 这篇的数字是本期最干净的（一组加速比、一组精度提升，且都带对照基准），但它的边界集中在两处：其一，「第二好的方法」没有被点名，摘要也未给出参与比较的方法数量与各自的具体分数——「平均提高 5.5%」这个平均是对「全部主干与屏幕尺度」做的，因此读者看不到在单个主干的单个屏幕尺度上，提升是否一致为正； 其二，也是更要紧的：「平均提高 5.5%」中的「5.5%」是一个相对值还是绝对百分点，摘要的表述无法确定——这两种读法在含义上差别很大（一个 60% 到 65.5% 的提升与一个 60% 到 63.3% 的提升是两回事），本刊照录原文并不做换算；「1.4 倍更快的推理」是在什么硬件、什么批大小、什么分辨率设置下测的，摘要未给出，而 GUI 接地任务的延迟对分辨率极度敏感，缺少这个上下文会让加速比很难被外推；「稠密候选集」的规模（生成多少裁剪）未给出，而这个数字直接决定了重排序器的成本是否真的可忽略——如果候选集很大，把「多次 VLM 调用」换成「一次 VLM 调用 + 一次重排序」，收益来自哪里就需要更细的账；「构造的排序监督数据」的规模与来源数据集未列名；无现成排序数据集这一表述是作者在投稿时的判断，本刊未核实；摘要未提代码或权重是否公开。
我的判断。 这篇在方法上最值得带走的一句话是那句关于数据缺口的坦白：「由于不存在现成的排序数据集，我们从既有的接地数据集构造排序监督数据。」 它揭示的是一个常见但很少被写出来的事实——在「选择」类方法里，瓶颈常常不在模型，而在缺少监督信号。 而作者的解法（严格的包含判据 + 边界感知的增强）本质上是在说： 「裁剪选得对不对」这个标签可以从既有接地数据里半自动地推出来，只要你把「什么算选中」定义得足够严格。 与本期其它四篇并读，它构成了一个有意思的位置：第 1、2 篇在问「模型内部的信息有没有走出去」，第 3 篇在问「输入是怎么被摆布的」，这一篇在做的是「不要让模型看整张图，先帮它挑一个窗口」——也就是在输入侧做减法。 这与本刊 #026 第 4 篇（BrainFocus 的 EEG 引导 ROI 裁剪）属于同一族： 都是用一个廉价的额外部件来决定「该看哪里」，从而省下昂贵的模型调用。 保留意见：我认为这篇的方法论比它的结果更有可迁移性，理由是那个未解的口径问题（5.5% 是相对还是绝对）。 在一个「小而相似的 UI 元素」上做接地，单点准确率的提升本来就容易被少数难例主导，因此读到「平均提高 5.5%」时，最该问的是「在哪一类元素上提升为负」。 给读者的实用建议：如果你在做 GUI agent 或高分辨率多模态落地，这篇给出的最小可用改动是——在多裁剪流程前面加一个轻量的裁剪打分器，然后把「一次查询的 VLM 调用次数」从 N 压到 1。 即使你不复现它的具体模型，这个结构本身就能让你把「看哪里」的成本与「看懂」的成本分开核算。
5. GPT-Policy：把上下文学习做成「编译器 + 提议 + 受约束执行器」——人类视频示范在完全没有机器人动作标签时也能提高完成率
论文：In-Context Robot Learning with VLM Agents（2026-09-16，cs.CV/cs.RO）
作者：Dongzhou Cheng、Taoran Yi、Ye Fang、Xingwu Zhang、Fan Feng、Yixuan Li、Gengxiong Zhuang、Rongze Wang、Shuai Yang、Wei Song 等共 15 人
问题。 作者给出的动机是一个关于覆盖面的论证：「任何有限的示范集合都无法覆盖机器人将遇到的每一个任务与情境，因此从部署时的上下文中学习的能力，对泛化来说是必需的。」 而现实是：「这种上下文学习（ICL）在很大程度上仍超出了现存机器人策略的能力范围。」 于是他们把问题指向了商业 VLM： 「商业视觉语言模型（如 GPT-6 Astra）广泛的 agent 能力提出了一个引人注目的问题：这些模型能否从示范、示例与交互反馈中学习，然后在没有梯度更新、也不对任务专用参数做持久改动的前提下，把这些信息翻译成从一个新的初始状态出发的可执行、可验证的机器人行为？」 ——这句话里有两个限定词很关键：没有梯度更新，以及可验证。
方法亮点。 GPT-Policy 由三个部件组成：① 一个上下文编译器（context compiler），用于保留任务相关的视觉转换；② 一个 VLM，负责提议机器人工具动作；③ 一个受约束的控制器，负责验证并执行每一个动作、并报告其结果。 ——注意这三个部件的分工方式：编译（挑出与任务相关的视觉转变）、提议（产生动作候选）、验证与执行（决定这个动作能不能真的做、做完了会怎样）。 这与 #026 第 5 篇（sensVLA 把几何从语义模型中剥出去）是两种不同的解耦思路：sensVLA 解耦的是「空间」与「语言」的建模，GPT-Policy 解耦的是「提议」与「执行验证」。
证据。 摘要给出的评估设计本身值得记：「我们通过任务成功与效率指标、跨模型的配对比较，以及受控的上下文消融来评估其可靠性与局限。」 结果分两条（作者口径）： ①「在真机试验中，人类的视频示范在即便没有机器人动作标签的情况下也能提高任务完成率。」 ②「而对齐过的动作参考（aligned action references）则在接触敏感的任务上带来进一步的增益。」 作者的定位表述是： 「这些发现把 GPT-Policy 定位为迈向通过上下文学习实现机器人适配的一步，为把 VLM 的通用能力翻译成物理行为提供了经验基础，并澄清了可靠部署必须克服的挑战。」
边界。 这篇的边界集中在「证据的量化程度」上，而它的摘要写得比本期其它几篇更含糊：全文没有任何一个数字——没有任务完成率的数值、没有配对比较的幅度、没有消融带来多少变化、没有真机试验的任务数与试次数；「人类视频示范提高完成率」这一条是本篇最实用的结论，但没有给出提高多少，也没有给出在多少个任务上成立——而没有这个基数，读者无法判断该结论的适用范围；「对齐过的动作参考」中的「对齐」具体指什么（时间对齐、坐标系对齐、还是与机器人动作空间的对齐）未定义；「接触敏感的任务」这一类别未列名，摘要也没有说明它占评测任务的多大比例——而这恰恰是第 ② 条结论唯一适用的子集；作为对照的基线未给出：摘要只提到「跨模型的配对比较」，但没有说明比了哪几个模型、以及 GPT-Policy 相对它们的表现；「没有梯度更新、参数也不做持久改动」是一个很强的工程声称，摘要未说明在同一初始状态下重复运行是否稳定；所用的商业 VLM 在正文中应以具体版本出现，但摘要只在问题陈述里举例提到 GPT-6 Astra，本刊无法从摘要确定实验用的是哪一款；评测为真机试验但摘要未说明是否包含闭环长时序任务；作者主动提供了项目页与代码仓库地址，本刊本期未打开。
我的判断。 这篇最重要的不是结果，而是它选择的表述方式。 它把一件通常被描述成「大规模模仿学习」的事，重新描述成一个「没有梯度更新的上下文学习」问题，并配上一个必须验证动作再执行的控制器。 这个重组有两个直接后果：其一，它把「机器人能不能学会新任务」的答案从「需要多少条示范」变成了「需要多好的上下文」；其二，它把安全边界从训练阶段搬到了运行阶段——由控制器在每一次执行前验证，而不是靠策略在训练时学会不做危险动作。 这与 #026 第 1 篇（Video-HolmesV2 把「必须给出证据」写进评分规则）在结构上同源：两者都是把「验证」从离线评测搬到了在线执行路径上。 保留意见：我认为这篇当前最像一个「可行性演示」而不是一个可比较的方法，主要原因是它没有给出任何数字。 「视频示范在无动作标签时也能提高完成率」这一条如果成立，价值很高（因为它绕开了昂贵的动作标注）；但在没有幅度与任务数的前提下，它也可能只是在一个小任务集上的一次成功。 「上下文编译器」这个名字也值得留意——它暗示输入侧的处理方式（挑出与任务相关的视觉转变）对结果影响很大，而这恰好是本期第 3 篇所警告的那类变量。 给读者的实用建议：如果你在做机器人或 VLA 落地，这篇最可迁移的不是架构，而是那条报告纪律——把「人类视频示范」「对齐的动作参考」「无示范」三种上下文条件分别报出来。 三者之间的落差，同时告诉你两件事：数据可迁移到什么程度，以及「上下文里放什么」比「模型有多大」重要多少。
今日阅读线索
一句话：这一批五篇从机制、诊断、输入、成本、执行五个位置分别回答了同一个问题——视觉信息进到模型里之后去了哪里；而五篇给出的答案是同一句话的两半：表征很早就与语言对齐了，但从表征到输出的那一段路，目前是我们最不了解、也最便宜可以改进的一段。
三条线索值得带走：
其一，本期第 1 篇与第 2 篇互为对方的另一半，而它们在同一批次里独立出现这一点值得记录。 第 1 篇证明的是「信息在，而且可以直接读出来」——OCR 头是通用语义头，把它们收拢成一个变换后从第 0 层起就有可解释的标签。 第 2 篇证明的是「信息在，但没走到输出」——稀疏读出在六个任务上全部优于原生预测，而仅做标定的路由就能恢复平均缺口的 93.3%。 两篇合起来意味着：对于相当一部分失败样本，问题不在视觉编码器、不在数据、也不在模型的容量，而在最后一公里的路由与尺度。 这是一条相当廉价的改进线索，也正因为它廉价，本刊建议读者等一等独立复现——本刊这两篇都只读了摘要，未读正文，未做任何复算。
其二，「该看哪里」在本期出现了两条实现，而它们的共同点是把一个廉价的外部判断插在昂贵模型的前面。 一条在图像里：RankGround 用轻量重排序器从稠密候选裁剪中挑一个，把每次查询的 VLM 调用压到一次，代价是要自己构造排序监督数据（因为不存在现成的排序数据集）。 一条在机器人的上下文里：GPT-Policy 的上下文编译器负责保留「任务相关的视觉转换」，再由 VLM 提议动作、控制器验证执行。 两条的收益口径也正好相反： RankGround 给足了指标（1.4 倍加速、平均 5.5% 提升）但没有点名比较对象，GPT-Policy 给了清晰的评测设计（配对比较、上下文消融）但一个数字都没有。 本刊不裁决哪种写法更好，只指出一个规律：自动化程度越高的方法，越容易给出干净的加速比；越涉及真实环境的方法，越容易退回到定性描述。 读者引用时应对后者格外保守。
其三，本期两篇评测类工作各自暴露了一个此前很少被当作变量的量。 第 3 篇指出的是「图的框取方式」——同样的提示词，配一张主体特写与配一张主体在场景中的图，回答里的物理术语占比分别是 45% 与 40%，而纯文本只有 18%；这意味着「有没有图」与「图怎么拍」是两个独立的方差来源，而多数多模态评测只报前者。 第 4 篇指出的是「一次查询要调用几次模型」这个成本维度——多裁剪策略在准确率上的收益，是用每次查询 N 次昂贵调用换来的，而把这个 N 压到 1 本身就是一个可以独立评估的目标。 把这两条与 #025 第 3 篇（ModaLens 的配对换图审计）、#026 第 2 篇（Not Another Text Benchmark 把选项从文本换成图像）连起来看，本刊近三期记录的评测主线其实在缓慢地收敛到同一句话上： 多模态评测里，除了模型和题目，输入侧的每一个摆布方式都是一个需要被显式声明与逐项对照的变量，而目前被系统声明的只有很少几个。
另附一篇（不属本期五篇，但与本期主线直接相关，且与本刊今日 AI 日报的第 5 条相互引用）：ReFigBench 把「harness」本身当成了被测对象。 论文：ReFigBench: Benchmarking Scientific Figure Reconstruction as Editable PowerPoint Artifacts（2026-09-16，cs.CL/cs.CV；标注 31 pages, 7 figures；作者 Liyang Fan、Chi Wei、Yitai Li、Xinping Bi、Guhong Chen、Chenghao Sun、Haoxiang Yang、Qingwen Li、Kai Yan、Hong Li 等共 11 人）。摘要要点（作者口径）：任务是把一张科学综述图重建为可编辑的 PowerPoint 幻灯片，需保留文字、拓扑、布局与原生文档结构；基准由 1000 张取自 arXiv 论文的真实综述图构成，并带完整出处；四个模型族的编程 agent 在两种工作流（直接代码生成与专门的 PPTX 工作流）下重建每一张图，最强的模型还在两个商用 harness 里运行，合计得到十种配置；评测组合了确定性产物检查、由两个模型族的评审者做重复自动打分，以及盲测人工比较。 作者给出的四条发现是：①「感知仍是瓶颈，迭代渲染只能部分偿还它的代价」；②「工作流的投入能否转化为质量，取决于模型与它的 harness 一起——同一个模型在一个 harness 内从专门工作流中获益，在另一个 harness 内反而受损，而 harness 即使在同一份直接提示下也会改变分数」；③「专门工作流在每一种配置下都会抹掉原生连接线，但人工评判者在多数配对中仍偏好它的渲染结果」；④「即便最强的 agent 也达不到评分细则的上限」，作者据此把「保真与可编辑性之间的张力」定为核心挑战。 本篇在今日 AI 日报的第 5 条中被引用为「harness 已成为成绩的主要解释变量」这一判断的直接来源；本刊此处只是记录其摘要，未读正文，也未验证那 1000 张图的来源。
本刊注：本期覆盖 arXiv published 字段为 2026-09-16 的公告批次（对应公告日 2026-09-17），与 #026 覆盖的 2026-09-15 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 60 条，三路全部成功返回（HTTP 200，本期未出现 429）；三路各 60 条的 published 全部为 2026-09-16。 五篇正文的 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、项目页或代码仓库。 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（第 1 篇的头数与层数分布、第 2 篇「标定」的具体形式与「静默特征」的定义、第 3 篇的样本量与偏移幅度指标、第 4 篇「5.5%」是相对值还是百分点、第 5 篇的全部量化结果与基线名单）本刊一律不做补充，并已在各篇「边界」一节逐条标出。本期涉及的一处会议标注（第 4 篇的 ACM Multimedia 2026）取自摘要的 comment 字段，本刊未核对会议方信息。 另附一篇（ReFigBench，2609.18844）仅记录摘要要点，未列入本期五篇，理由已在正文中说明。