本期仍须先说明一件与内容无关、但影响读者判断的事实：arXiv 当前可供检索的最新公告批次，与 #028、#029 覆盖的是同一批。 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 80 条，三路全部成功返回（HTTP 200，本期未出现 #023 记录的 429）；三路各 80 条、合计 240 条，去重后 213 条，其中 published 为 2026-09-17 的有 204 条、为 2026-09-16 的有 9 条（后者与 #027 批次重叠，本期已剔除），没有更早的条目，也没有任何 published 为 2026-09-18 或之后的条目——与 #028、#029 记录的构成完全一致。 另用 submittedDate:[202609180000 TO 202609220000] 对 cat:cs.CV 做区间探测（HTTP 200），totalResults 为 0；把起点推到 9 月 19 日、对 cat:cs.CV、cat:cs.CL、cat:cs.AI 三路各测一次（均 HTTP 200），totalResults 全部为 0。 arxiv.org 的 /list/cs.CV/recent 与 /list/cs.CL/recent 两个列表页的日期页头均仍为「Fri, 18 Sep 2026」（分别标注 showing first 50 of 125 entries 与 showing first 50 of 104 entries）， 即索引最新指向的仍是 9 月 17 日提交、18 日公告的这一批。 因此本期不从「最新批次」里选，而是从同一批 204 篇中选取 #028、#029 均未覆盖的五篇，方向互补；本刊已在各篇中标注其 arXiv ID 与发布日期，读者可自行核对它们与前两期是否重叠。 五篇的 arXiv ID、发布日期、分类、作者、comments 字段与摘要全文均取自官方 API；本刊未直读任何 PDF 正文，也未打开 HF Papers 页面、GitHub 仓库、项目页或权重页（第 4 篇摘要给出的三个地址与第 2、3 篇给出的代码地址本刊均未打开）；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。

五篇合起来问的，是一个 #029 擦到边、但没有正面问的问题：在「看见」与「做到」之间那一段，能不能被拆成一个可测量、可训练、可被单独考核的环节。 第 1 篇把这一段定义成评测对象——把完整的「观察—推理—行动—修正」闭环作为基准，结果最强模型在目标定位上拿到 100.0%，在三次运行的宏平均任务成功率上却只有 53.93±3.17%，而主动控制相机能把一次匹配比较的成功率从 27.86% 抬到 57.50%。 第 2 篇把它定义成一个学习问题——从一副智能眼镜助手的真实使用记录里学「该看哪儿」，让人工评定的「完全可核验率」从 34.8% 提到 41.7%。 第 3 篇把它定义成一个统计问题——在线错误检测的既有协议有结构性缺陷，作者改评测协议、改状态表示、加序贯检验，在 0.1 次误报/分钟的预算下把召回从 .128 提到 .154。 第 4 篇把动作直接接进生成模型——用相机轨迹（PRoPE）、64 维动作流与具身标识控制一个视频世界模型，5 阶段的全部训练跑在两张 L20 48GB 上，因果模型在单卡上以 832×480、24 fps 实时流式生成。 第 5 篇把可迁移性建立在人的触觉上——在人手与机器人手上装同一套传感布局，固定 5 小时真机监督，把人类交互从 0 小时加到 100 小时，在留出的机器人域预测任务上看到改善。

1. VA-Bench：把「观察—推理—行动—修正」整环作为基准，最强的模型目标定位 100.0%，任务成功率 53.93%

论文：VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control（2026-09-17，cs.RO/cs.CV）

资源：HF Papers

作者：Zhongbo Zhang、Jiayi Jin、Yifan Wang、Zaibin Zhang、Haiwen Diao、Lijun Wang、Huchuan Lu

问题。 作者把「空间智能」从描述能力里拆出来，并把缺口说得很直接：「Spatial intelligence requires more than describing object locations. Under incomplete observation, models must identify and acquire missing evidence, interpret it in a common spatial frame, and act on it.」 ——三个动作被依次指出：识别并获取缺失的证据、在共同的坐标框架里解释它、然后据此行动。 为了测这三步，作者把被测对象的信息条件压得很紧： 「Models receive no privileged object poses, oracle trajectories, or learned action heads.」

方法亮点。 两个部件，一个是闭环定义，一个是控制器约束。① 闭环定义： 「We introduce VA-Bench to evaluate the complete observe-reason-act-revise loop.」 ——模型的行为被拆成四步：从纯 RGB 演示里学程序性上下文、主动选择相机视角、发出度量制（metric Cartesian）指令、根据执行反馈修正。 ② 控制器约束（本刊认为这是本篇最值得记的一处设计）： 「A fixed model-agnostic controller executes only model-specified targets.」 ——控制器是固定的、与模型无关的，且只执行模型明确给出的目标，也就是说，动作能力不构成变量，变量只有模型「要什么」。 ③ 规模： 14 个基础任务族（11 个单臂、3 个双臂）、7 个留出的几何／布局变体、以及一个长时程的五物体组合赛道；12 个主模型条件、每个基础任务 20 个「物理验证过的」随机种子、三次独立运行；报告终局成功率、9 项轨迹级行为诊断与子任务进度。

证据。 摘要给出四组结果（作者口径），且是本期的量化最完整的一篇。① 最强的模型在「看」上几乎满分，在「做」上只有一半： 「the best-performing model scores 100.0% on target localization and 78.9% on spatial relations in the annotated run. Its three-run macro-average task success is only 53.93+/-3.17%.」 ② 主动相机控制是有效的： 「active camera control significantly improves task success over passive multi-view observation. In one matched comparison, success rises from 27.86% to 57.50%.」 ③ 换几何就掉： 「held-out geometric transfer can reduce task success by over 30 percentage points.」 ④ 长时程仍然无人完成： 「No model completes a strict long-horizon episode, despite substantial partial progress.」

边界。 本篇的缺口集中在「一个结果有两种统计口径，而摘要没有解释它们的关系」上：「100.0% 目标定位 / 78.9% 空间关系」限定在「in the annotated run」这一个运行里，而「53.93±3.17%」是三次运行的宏平均—— 本刊无法判断标注运行与宏平均运行是否同一批任务、同一批种子，也无法判断 100.0% 是单次最优还是常态；12 个「model conditions」没有列名，因此读者不知道被比较的是哪些模型、是否包含闭源前沿模型；「nine trajectory-level behavioral diagnostics」未给定义——而这九项诊断恰恰是这篇最有价值的部分，因为它把「失败在哪一步」变成了可读的指标；「fixed model-agnostic controller」未说明其实现、动作空间的分辨率与是否含抓取（任务含双臂与五物体组合，摘要在这一点上没有交代）；「over 30 percentage points」是上限表述（over），没有给出具体数值，也没有说明是哪一类几何变体造成的；「20 个物理验证过的种子」中的「物理验证」未定义；「active camera control」的匹配比较只给了一组（27.86% → 57.50%），本刊不知道它在其余条件上是否同样成立；摘要未说明数据集与代码是否公开，也未标注会议或提交场合。

我的判断。 这篇最值得带走的一句不是任何一个百分比，而是它把「主动获取缺失证据」从一句方法论口号变成了一次可复算的对照实验。 27.86% → 57.50% 这一组之所以有说服力，是因为它是一次匹配比较**：同一批任务、同一套控制器、模型能力不变，唯一变化的是「视角由模型自己选」还是「被动给多视角」。** 本刊认为这个设计比它的分数更重要，因为它把争论从「模型够不够聪明」移到了「我们有没有给它取得证据的手段」。 把它与 #029 第 1 篇并读，可以看到同一件事在两个层次上被讨论： #029 第 1 篇减少的是「每次调用要看多少个视觉 token」（内部预算），本篇增加的是「能不能自己决定看哪里」（外部动作）——一减一增，但都在回答「哪些信息必须在推理时在场」。 保留意见：我认为这篇最需要补的是那九项行为诊断。 「53.93% 成功率」本身只告诉读者任务很难，而「100.0% 目标定位 + 78.9% 空间关系」暗示失败大概不发生在「看见」这一步—— 也就是说，这篇目前的读数指向一个更有意思的结论： 在自主取得证据的能力被补上之后，瓶颈可能已经移到了「把证据翻译成一个动作」这一步。 但摘要只给了三项总数，没有把失败分解到诊断项上，因此这个推断本刊只能标为待验证。 给读者的实用建议：如果你在做具身或 GUI 一类「观察—行动」闭环的评测，这篇给出的最小改动是把你现有的被动式评测加一路对照——让系统自己选一个视角或区域再作答，其余条件不变。 两次结果的差距会直接告诉你，你的系统缺的是感知能力，还是取得感知的能力。

2. INSPECT：让人形机器人的「该看哪儿」从一副智能眼镜的助手记录里学出来，人工评定的完全可核验率 34.8% → 41.7%

论文：INSPECT: Learning Robot View Selection from Assistant Use（2026-09-17，cs.RO/cs.CV）

资源：HF Papers · 代码（地址见摘要，本刊未打开）

作者：Di Wen、Kailun Yang、Wenhao Guo、Yitian Shi、Junwei Zheng、Yufan Chen、Ruiping Liu、Jiale Wei、Rania Rayyes、Kunyu Peng

问题。 作者把任务定义成一个检验问题，并指出证据的来源就在人的动作里：「Robots inspecting an assembly must determine which parts are present and whether they are correctly installed. During egocentric assembly assistance, head motion and workpiece handling reveal evidence for these checks, while spoken state confirmations link observations to procedural outcomes.」 ——注意这里分了两类信号：头动与工件操作（视觉证据的位置）与口头状态确认（把观察接到流程结果上）。

方法亮点。 四个部件，第一个是本篇的结构性新意。① 数据来源的替换： 「We introduce INSPECT, which learns robot view preferences from records of a smart-glasses assistant that answers part queries and provides next-step guidance.」 ——学习信号来自助手曾经怎么用**，而不是来自标注好的「正确视角」。** ② 消除身份捷径： 「Presence-Invariant TwinSwap (PI-TwinSwap) calibrates object evidence through paired identity interventions.」 ——用成对的身份干预来校准「证据」，也就是说，让模型学的不是「这个东西长什么样」，而是「有没有」。 ③ 把监督按主张索引： 「Claim-indexed supervision separates evidence requirements from camera-reproducible observation changes.」 ——这一步的作用是把「这条主张需要什么证据」与「换个相机能不能看见」分开，避免模型把后者的变化误当成前者的满足。 ④ 视角偏好与机器人姿态的适配： 「Object-centered calibration adapts relative view preferences to robot poses, while clause-level screening checks predicted evidence.」 ⑤ 两条关键约束（本刊认为这是全文最重要的两句）： 「The robot selects views using only its current observation and known poses, without candidate images.」 以及评测设定 「Evaluation uses annotated assistant-video replay to simulate state feedback, without target-domain view labels for policy training.」

证据。 摘要给出两组数字（作者口径）。① 物理齿轮箱装配图像上： 「INSPECT achieves the highest view utility among the compared non-oracle policies and raises human-rated full verifiability from 34.8% to 41.7% compared with keeping the current view.」 ——对照组是「保持当前视角」，这是一个很朴素的基线，而提升幅度是 6.9 个百分点。 ② 迁移到 IMPACT 数据集里的商用角磨机录像： 「the transferred relative-view selector increases the correct decision rate from 50.6% to 54.3% with a frozen perception head.」 ——注意「frozen perception head」，即感知部分被冻结，变化的只有「看哪儿」这一层。

边界。 本篇的缺口集中在「指标定义与提升幅度」上：「view utility」没有定义——它由谁评定、是否由人评、与任务成功率的关系是什么，摘要均未说明，而这决定了「最高」这个词的比较基础；「human-rated full verifiability」是人工评定，摘要未给评定人数、一致性或评定标准，也未说明 34.8% 与 41.7% 是否同一批评定者所评；两处提升都不大（+6.9 个百分点、+3.7 个百分点），而第二处的基线 50.6% 接近随机水平（角磨机录像上「保持当前视角」的正确决策率），本刊因此无法判断这是能力提升还是任务本身就很难；「without candidate images」是很强的工程约束（机器人只能靠当前观测与已知位姿决定往哪看），但摘要未说明它在遮挡、多候选、需要回溯检查的场景下是否可行；PI-TwinSwap 的「paired identity interventions」是全部机制的核心，摘要未说明干预是渲染出来的还是人工构造的、以及它在真实装配件上的可行性；「annotated assistant-video replay to simulate state feedback」意味着闭环是在回放上模拟的，真实机器人上的时序、延迟与晃动都未被测；「without target-domain view labels for policy training」说明它不需要目标域标签，但本刊注意到它仍然需要助手视频的标注；摘要标注 9 页、3 图、5 表，未标注会议。

我的判断。 这篇的价值在于它把「该看哪儿」当成一个可以从行为里学的偏好，而不是一个需要人指定的规则。 理由是本刊这几期反复看到同一类瓶颈：具身系统在「识别」上进步很快，在「决定下一步要不要多看一眼前」几乎没有可用的训练信号，因为没有人会去标注「此刻正确的做法是换个角度」。 助手记录恰好补上了这一路信号——人类助手在真实协助中会不断调整自己的头部朝向，而这些调整本身就是「什么情况下需要挪一下」的样本。 把它与本期第 1 篇并读，两篇的结论方向一致但证据强度不同： 第 1 篇用匹配比较证明了主动选视角有效（27.86% → 57.50%），本篇则说明这种能力可以从既有的行为记录里学出来，代价是它目前的增益只有 7 个百分点以内。 保留意见：我认为这篇最需要补的是「view utility」与「full verifiability」两个指标的口径，以及那个 50.6% 的基线为什么如此之低。 如果「保持当前视角」在一个真实工业场景里只有一半的正确率，那么读者首先应该关心的是这个任务本身的难度分布，而不是方法的那 3.7 个百分点。 另外，本刊提示一点：本篇与本期第 3 篇的作者名单高度重合（Di Wen、Kailun Yang、Ruiping Liu、Yufan Chen、Jiale Wei、Junwei Zheng、Kunyu Peng 等出现在两篇上，代码仓库同属 github.com/Kratos-Wen），因此两篇可视为同一团队在同一批第一人称数据上的两个方向，读者不宜当作两个独立来源的交叉印证。 给读者的实用建议：如果你在做装配检验、巡检或任何需要多角度确认的任务，这篇给出的最小可用的思路不是整套方法，而是那个判据——把「人为什么要换角度看」当作监督信号记录下来，而不是把「正确视角」当作标签去标。

3. PROVIA：在线错误检测的既有协议有一个结构性缺陷——一个从不看视频的固定时间规则，在该协议下每个案例都对

论文：PROVIA: Procedure State Tracking for Online Mistake Detection in Egocentric Videos（2026-09-17，cs.CV）

资源：HF Papers · 代码（地址见摘要，本刊未打开）

作者：Di Wen、Kailun Yang、Jimmy Weissert、Luc Maria Scherrer、Cedric Zöllner、Ruiping Liu、Yufan Chen、Jiale Wei、Junwei Zheng、Kunyu Peng

问题。 作者指出的是一个评测协议的缺陷，而不是一项能力缺口，这也是本刊本期读到的最锋利的一条批评：「The first-mistake protocol that current online methods report on cuts each recording at its first mistake, so a fixed-time rule that never looks at the video is right on every case.」 ——也就是说，在「每条录像只到第一次错误为止」的协议下，一个只看时间、从不看画面的固定规则在每个案例上都正确，因此该协议无法区分「真的看懂了」与「什么都没看」。 前两句给出了正确的设定： 「An assistant watching egocentric video should notice a mistake from past frames alone, before the next step begins, and keep working once the person recovers.」 以及为什么状态表示很关键： 「A mistake changes the state of the work, so every later step has to be read against what was done rather than against the plan.」 ——注意这里的措辞是「against what was done」而不是「against the plan」。

方法亮点。 两本账、一条转移规则、一个统计检验。① 两本账（本刊认为这是本篇最值得记的设计）： factual state 是**「a learned summary of the steps each actor performed, mistakes included」；accepted progress 是「an exact posterior over the state of an automaton induced from correct demonstrations by Bayesian state merging and over the execution status of each actor」**。② 转移规则： 「Procedure-state transitions occur only in the correct-status branch; the mistake and correction branches retain the source state.」 ——即错误分支与纠正分支都不改变「被接受的过程状态」，这等于让系统把错误记在案上但不推进流程。 ③ 报警： 「A sequential test turns the per-frame mistake probability into alarms.」 ④ 评测设定： 「We evaluate on complete trials, where mistakes and recoveries arise naturally, under a validation false-alarm budget and against controls that use timing alone.」 ——三项都换掉了：完整试次（而不是切到第一次错误）、验证集误报预算、以及与「只使用时间信息」的对照。

证据。 摘要给出三组结果（作者口径）。① 排名： 「PROVIA ranks mistakes best among the evaluated controlled baselines on CaptainCook4D, IndustReal, HoloAssist and IMPACT-ego」（四个数据集）。② 一组带预算的召回数字： 「At a validation budget of 0.1 false alarms per minute it recalls .154 against .128 on CaptainCook4D and .034 against .015 on HoloAssist, where it leads at every budget.」 ③ 速度： 「The pipeline runs at 58-70 frames per second.」

边界。 本篇的缺口集中在「一个漂亮的重构之后，绝对数字仍然很低」这件事上：召回率 .154 与 .034（对应每 0.1 次误报/分钟的预算）绝对值都很低—— 本刊认为这恰恰是作者换掉旧协议的直接后果：当「只看时间」不再能蒙对时，真实难度就显出来了，读者不应把 .154 读成「可用」，也不应把 .128 到 .154 读成「显著改进」（摘要未给置信区间或显著性检验）；基线没有被点名，「controlled baselines」指的是哪几类方法、是否包含前 SOTA，摘要未说明；「with one filter and one optimization rule」这一句措辞含糊—— 本刊无法判断它指的是哪种滤波器（序贯概率比检验？贝叶斯滤波？）与哪一条优化规则，而这决定了这套方法的调参成本；「an exact posterior」的精确性是相对其自动机模型而言的，而该自动机由「correct demonstrations」经 Bayesian state merging 归纳而来， 因此若演示本身含错误、或同一任务存在合法的多种步骤顺序，自动机可能退化——摘要未讨论这一情形；四个数据集未给规模、划分方式与场景差异，因此本刊无法判断「在每个预算上领先」是普遍现象还是特定数据集的产物；58–70 FPS 未给硬件与输入分辨率，也未说明这是否包含自动机更新与序贯检验的开销；摘要标注 9 页、2 图、4 表，未标注会议。

我的判断。 这篇是本期的核心一篇，理由不在于它给出的数字，而在于它示范了一种很少见的工作：先去检查评测协议本身有没有系统性漏洞，再谈方法。 「一个从不看视频的固定时间规则在旧协议下每个案例都对」这一句，是一份可以被同行复算的指控；它指向的不是某篇论文的分数虚高，而是整条研究线在过去一段时间里可能一直在测一个不需要看画面的代理任务。 本刊认为这与 #026 记录过的一条同类工作（请教员与研究生逐题复核物理基准、发现评测本身有问题）属于同一个方向： 当某个任务的分数长期停滞在一个区间，有时需要先怀疑尺子。 保留意见：我认为这篇的价值目前主要在协议与状态设计上，而不是在那两个召回数字上。 「两本账」的设计——把「事实状态」与「被接受的进度」分开，并规定错误与纠正分支不推进状态——是一个可以被直接搬走的表示方法，适用于任何「有流程、会出错、会恢复」的在线监控场景，而它是否值得被采用，取决于读者自己场景里的误报预算。 另外，如本期第 2 篇所记，本篇与 INSPECT 同属一个团队的相近数据集工作，两篇在「第一人称视频 → 状态/证据」这条线上互补，但读者不应把它们当作独立验证。 给读者的实用建议：如果你在做任何在线检测（不只错误检测，也包括异常、越界、告警），这篇给出的最小检查是——先构造一个「完全无视输入、只用时间或先验」的基线条，看它在你的评测协议下能得多少分。 如果它接近你的模型分数，那么问题出在协议，不在模型。

4. Astronex-World 1.0：把相机轨迹与 64 维动作流接进视频世界模型，两个阶段的全部训练跑在两张 L20 上，单卡实时流式生成

论文：Astronex-World 1.0: Real-Time Interactive World Model Foundation（2026-09-17，cs.CV/cs.AI/cs.RO）

资源：HF Papers · 项目页 world.astronex.com.cn（本刊未打开） · 代码 github.com/Astronex-Robotics/Astronex-World（本刊未打开） · 权重 huggingface.co/Astronex-Lab/Astronex-World（本刊未打开）

作者：Xin Zhou、Cong Miao（两人）

问题与定位。 作者的定位句是**「an open controllable video world-model foundation」：「Given a text prompt (text-to-video) or an initial observation (image-to-video), the model predicts future visual states under frame-aligned camera trajectories, continuous actions, and an embodiment identifier, and accepts text events inserted at a specified position of a rollout.」** ——注意输入里有四样东西：文本（或初始观测）、帧对齐的相机轨迹、连续动作、具身标识；另有一样是「在 rollout 指定位置插入的文本事件」，也就是说它允许在生成过程中注入一个语义事件。

方法亮点。 三个部件。① 双版本： 「a bidirectional model for full-context generation and a causal model with block-causal attention and cross-block KV caching for persistent generation, both built on the Wan2.2-TI2V-5B prior.」 ——两个版本共用同一个 5B 先验。 ② 控制注入方式： 「PRoPE injects camera intrinsics and extrinsics, while a 64-dimensional action stream modulates every Transformer layer.」 ——相机参数走位置编码，动作走每一层的调制，两条通道分开。 ③ 五阶段训练路径（本刊认为这是本篇最值得记的一段工程细节）： 「A five-stage training path develops bidirectional camera and action control, converts the backbone to block-causal generation, distills a few-step student, restores mixed-domain dynamics, and applies asymmetric DMD/DMD2 distribution matching.」

证据。 摘要给出的结果有三组（作者口径），且给出了一个不太常见的算力口径。① 生成规格与算力： 「The causal model generates 832x480 video at 24 fps. All five training stages run on two NVIDIA L20 48 GB GPUs, and the causal model streams in real time on one.」 ② 基准分数： 「It scores 73.5 on WBench Navi and 70.0 on WBench Full.」 ③ 一个带比较对象的位次声明： 「On Full, this 5B model is above the 13.6B LongCat-Video and the 14B Helios, within one point of the 22B LTX-2.3, and above YUME 1.5, which is post-trained from the same 5B prior on NVIDIA A100 GPUs.」 ④ 面向下游的接口： 「The reserved action input and output interfaces allow post-training for embodied intelligence and autonomous driving.」 摘要另标注这是一份技术报告（25 页、13 图、10 表）。

边界。 本篇的缺口集中在「算力口径与位次声明之间的张力」上：「所有五个训练阶段跑在两张 NVIDIA L20 48GB 上」是本篇最引人注目的信息，但摘要没有给数据规模、训练时长、token 量与后训练数据来源—— 而这三项恰恰决定了「5B 超过 13.6B 与 14B、逼近 22B」这一组比较是否公平：一个用更多数据与更长时间训练的小模型，与一个大模型之间的对比，不能只按参数量读；YUME 1.5 被作为「在同一 5B 先验上后训练、但用 A100」的对照，然而摘要未说明两者的训练预算是否可比，本刊因此认为这条对照的说服力有限；「within one point of the 22B LTX-2.3」只给了距离、没给分数，四个被比较对象的具体分值摘要均未列出；WBench 未给指标定义、测试集构成与基线清单，本刊无法判断 73.5 与 70.0 的绝对水平；「帧对齐的相机轨迹」这一输入要求很关键——它意味着推理时需要一条已知的、与帧对齐的轨迹，而摘要未说明该轨迹是由仿真器／渲染器提供真值，还是允许从视频估计（后者会引入估计误差，前者会限制适用场景）；832×480 是本刊在本期看到的较低生成分辨率，24 fps 为「实时」线，但摘要未给单帧延迟、显存占用与并发能力；「具身标识（embodiment identifier）」未说明其取值范围与训练时覆盖了多少种具身；摘要未给许可证、权重可商用性，也未标注会议。

我的判断。 这篇值得读者注意的不是那两个基准分数，而是它把「可控性」列成了与世界建模能力并列的一等目标： 相机轨迹、连续动作、具身标识、以及在 rollout 中途插入的事件，四类接口都属于「输入」而不是「结果」。 本刊认为这是世界模型这条线在本期最明显的一个转向—— 从「预测得多准」转向「能被什么控制」，而从工程上看，后者才是它能否被具身智能与自动驾驶拿去当模拟器用的前提。 摘要里那句保留动作输入输出接口、供具身与自驾后训练，正是这个转向的自述。 训练算力那一条（五阶段、两张 48GB 卡）之所以值得单独记，是因为它把「做世界模型的成本」从一个模糊印象变成了一个可比较的数字： 如果两张 L20 就能走完五阶段，那么这条线的门槛主要落在数据与工程上，而不在集群规模上。 保留意见：我认为这篇最需要补的是数据规模与训练时长。 在缺失这两项的情况下，「5B 打赢 13.6B」只能读作一个位次声明，而不能读作一个效率结论—— 它可能说明架构与训练路径更省，也可能只说明它被喂得更多。 此外，本刊提示读者注意「两张 L20」与「开放基座」两个说法之间的差别：前者说的是训练侧成本，后者说的是可用性，而摘要未给出许可证与权重发布状态（本刊未打开它给出的 Hugging Face 地址，huggingface.co 本机不可达）。 给读者的实用建议：如果你在做具身或自驾的仿真环境，这篇给出的最小判断不是它的分数，而是它的接口清单——相机轨迹、连续动作、具身标识、可插入事件。 拿这四样去对照你现在的模拟器，缺哪一样，就说明你的闭环里有哪一步还不能被单独控制。

5. DexTouch-WM：在人手与机器人手上装同一套触觉阵列，用 100 小时人类交互去监督机器人接触动力学

论文：DexTouch-WM: Learning Action-Conditioned Tactile World Models from Human Touch for Dexterous Robot Manipulation（2026-09-17，cs.RO/cs.CV）

资源：HF Papers

作者：Yan Qin、Yue Chen、Wenwei Lin、Shujia Liu、Chuqiao Lyu、Kailun Su、Chenze Yu、Ping Luo、Wenbo Ding、Tianxing Chen、Renjing Xu

问题。 作者把触点丰富任务的困难定位在数据的两重成本上：「Learning predictive models of contact-rich dexterous manipulation requires dense tactile interaction, but such data are costly to scale on real robots and remain tied to embodiment-specific sensors.」 ——「scalable」与「tied to embodiment」是两件事：前者是量的问题，后者是迁移的问题。

方法亮点。 一个可证伪的迁移假设，加三条实现路径。① 假设（本刊认为这是本篇最值得记的一句）： 「human and robot manipulation share transferable contact dynamics when their tactile observations and action spaces are made compatible.」 ——注意条件从句：「当触觉观测与动作空间被做成兼容的」。 ② 硬件的做法： 「We deploy flexible piezoresistive arrays with a shared sensing layout on both human and dexterous robot hands」 ——同一套传感布局装在人手与机器人手上，这是让观测可比的第一步。 ③ 动作空间的做法： 「retarget human motion into the robot action space so that human interaction can supervise the same dynamics model used for real-robot prediction.」 ④ 模型结构： 「DexTouch-WM couples a pretrained video expert with a lightweight tactile expert using anatomy-aware tactile tokens and aligned action conditioning.」 ——一个预训练视频专家加一个轻量触觉专家，用一个解剖学感知的触觉 token 与对齐的动作条件把它们耦合起来。

证据。 摘要给出的结果有三组（作者口径），且包含一组很干净的缩放实验设计。① 缩放实验： 「we keep five hours of real-robot supervision fixed while increasing human interaction from 0 to 100 hours, and observe substantial improvements in held-out robot-domain visual, geometric, and contact prediction despite disjoint human and robot task sets.」 ——真机监督固定 5 小时，人类交互从 0 加到 100 小时；观测对象是留出的机器人域任务；作者特别声明人类与机器人的任务集合不相交。 ② 作替代环境： 「we evaluate the world models as surrogate environments for policy evaluation」。③ 作数据生成器： 「as generators of synthetic trajectories for real-robot policy learning」，作者的总结是 「showing that scalable human interaction provides a complementary data axis for learning dexterous robot world models.」

边界。 本篇是本期五篇中唯一一篇结果全为定性表述的，它的缺口集中在「唯一的具体数字是一次实验设计，而不是一次测量」上：全文没有任何一个量化结果——没有预测误差、没有对比基线、没有策略成功率、没有延迟或显存，也没有说明「substantial improvements」有多大；唯一的具体数字「0 到 100 小时」是一个自变量**，而摘要没有给出对应因变量的任何读数——本刊因此无法回答最关键的三个问题：增益是单调的、饱和的，还是到某个时长后就不再上涨；「disjoint human and robot task sets」是很强的泛化声明，但摘要未说明两侧任务空间的重叠程度与「不相交」的判定标准，也没有说明这 100 小时人类交互由谁采集、什么任务、什么速率；「shared sensing layout」的物理实现未说明——人手上的柔性压阻阵列与机器人手上的阵列在尺寸、空间分辨率、标定与噪声特性上如何对齐，摘要未交代，而这一步决定了「共享动力学」这一假设是否真的被满足；「a pretrained video expert」未说明是哪个预训练模型、规模多大、是否冻结；「anatomy-aware tactile tokens」的构造方式未给；「surrogate environment」（作策略评估的替代环境）这一用法未给任何验证指标——替代环境的可信度通常需要「在仿真里评出来的排名与真机一致」这类证据，摘要未给；摘要标注这是 IROS 2026 Workshop RoBoWoMo 的 Lightning Talk 录用，篇幅可能限制了摘要的信息量，本刊照录这一标注，并提醒读者该工作尚未以正式论文形态出现。

我的判断。 这篇的价值在于它提出的那条可迁移性条件是一句可以被证伪的话，而不是一个工程口号。 「human and robot manipulation share transferable contact dynamics when their tactile observations and action spaces are made compatible」—— 前半句是假设，后半句是前提；把前提写清楚意味着读者可以自己去检查它成立与否。 本刊认为这是触觉这条线目前最需要的一步： 视觉领域之所以能靠人类视频做预训练，是因为「像素」这个观测在两个具身之间天然可比；触觉没有这个便利，因为传感器本身就不一样。 本篇的做法是用同一套传感布局去构造可比性，而不是用模型去学一个跨传感器的映射——前者的上限受限于硬件人手与机器人手的贴合程度，后者则需要大量配对数据。 这个取舍值得读者单独记住。 保留意见：我认为这篇目前只是一份工作假设的说明，而不是一份结果报告。 「固定 5 小时真机、人类交互 0→100 小时」是一个很干净的实验设计，但摘要没有给出任何一个点上的数值，也没有对比「不接视频专家」或「只接真机数据」的对照； 在这两样都缺失的情况下，读者无法判断增益来自「人类触觉的可迁移性」，还是来自「多了一个数据域」这件事本身。 把它与本期第 4 篇并读，两篇在同一个方向上给出了不同的回答： 第 4 篇的做法是把动作与相机变成输入接口**，让模型可以被控制；本篇的做法是把人的动作重定向到机器人动作空间，让人类数据可以监督同一个模型。** 两者都在回答「怎么让动作进入预测」，而它们的区别在于：一个选择在架构上开一个口，一个选择在数据上造一个对应关系。 给读者的实用建议：如果你在做接触密集的操作策略，这篇给出的最小验证不是整套框架，而是那个缩放设计的骨架——固定一小段真机数据不动，只增加人类接触数据（用同一套或尽量对齐的传感布局），然后看留出的真机预测任务有没有改善。 如果固定真机数据、只加人类数据就能改善，你就获得了一条比真机采集便宜得多的数据轴；如果不能，问题大概率出在两端的传感可比性上，而不是模型结构。

来源汇总（本期五篇）：arXiv 官方 API（export.arxiv.org/api/query，cat:cs.CV／cat:cs.CL／cat:cs.AI 三路各 80 条，以及 cat:cs.CV、cat:cs.CL、cat:cs.AI 三路的 submittedDate 区间探测）与 arxiv.org 的 /list/cs.CV/recent、/list/cs.CL/recent 列表页；各篇摘要页为 2609.19554、2609.20615、2609.20638、2609.20034、2609.20649。

今日阅读线索

一句话：这五篇从评测、视角、状态、控制与触觉五个位置问同一件事——「看见」与「做到」之间的那一段能不能被单独切开；而五篇给出的答案可以合成为一句：这一段既能被测量（VA-Bench 的匹配比较），也能被学习（INSPECT 的助手记录），也能被重新定义（PROVIA 的两本账），但把它接进生成模型时，读者目前拿到的仍然是接口声明，而不是效率读数。

三条线索值得带走。

其一，本期第 1 篇与第 2 篇讲的是同一个动作的两个阶段：证明「主动取证有用」与证明「主动取证可以学」。 第 1 篇在受控条件下把这件事量化了：同一批任务、同一套固定控制器、模型能力不变，只把视角的主动权交给模型，一次匹配比较里的成功率从 27.86% 抬到 57.50%； 第 2 篇则把训练信号换成了「助手当时怎么用」——不需要目标域的视角标签，只需要一副智能眼镜在真实协助中留下的记录，效果是人工评定的完全可核验率从 34.8% 升到 41.7%。 两篇合起来给出的读数很清楚： 「该看哪儿」这件事的收益很大（20 个百分点量级），但目前能从行为里学到的部分还很小（7 个百分点以内）。 本刊认为这个落差本身就是一个值得注意的结论： 收益之所以大，是因为它把「被动接受一组固定视角」换成了「按任务需要取证据」；而学习之所以难，是因为「正确的视角」这件事没有标签，只能从人的动作里间接推。 保留意见：第 1 篇的 100.0% 目标定位限定在一次「annotated run」里，与 53.93% 的宏平均是两个口径；第 2 篇的两个指标（view utility、full verifiability）都没有定义，且两篇同属一个团队，不构成独立印证。

其二，本期第 3 篇是本刊建议优先读的一篇，理由是它做的第一件事不是提出方法，而是指出尺子坏了。 「一个从不看视频、只用固定时间的规则在旧协议下每个案例都对」—— 这句话可以被同行直接复算，也可以被任何一个做在线检测的人移植到自己的协议上做自检。 它的正面方案（把事实状态与被接受的进度分成两本账，并让错误与纠正分支都不推进进度）是一个与具体任务无关的表示方法，适用于任何「有流程、会出错、会恢复」的监控场景。 本刊认为它与 #026 记录过的那条同类工作（请教员与研究生逐题复核物理基准）属于同一种贡献： 在能力停滞时先怀疑评测。 保留意见：换掉协议之后，真实难度就显出来了——在每 0.1 次误报/分钟的预算下，召回是 .154 与 .034，也就是 15% 与 3.4%。 读者应把这个数字读成「任务很难，而此前的报告没有把这份难度暴露出来」，而不是「这个方法已经可用」。 另外，本篇与第 2 篇出自同一团队与同一条数据线，本刊已在两篇内分别标注。

其三，本期第 4 篇与第 5 篇谈的是同一件事的两种做法：怎么让「动作」进入预测模型。 第 4 篇在架构上开口子——相机内参外参走 PRoPE、64 维动作流调制每一层、外加一个具身标识，四类输入都是「接口」；它给出的算力口径是五个训练阶段全部跑在两张 L20 48GB 上、因果模型单卡实时流式生成 832×480。 第 5 篇在数据上造对应关系——人手与机器人手装同一套柔性压阻阵列，把人的动作重定向到机器人动作空间，固定 5 小时真机监督、把人类交互从 0 加到 100 小时。 两者的方向不同，但它们对读者的提示是同一件事： 动作条件的价值不在「多加一个输入」，而在它让「世界会怎么变」这件事变得可以被人指定、也可以被别的具身的数据所监督。 本刊认为这也是多模态这条线在过去一年里最实质的一次外扩： 从「看图说话」扩到「按指令推演未来状态」，而所依据的东西从文本变成了轨迹与接触。 保留意见：第 4 篇缺数据规模与训练时长，「5B 打赢 13.6B」只能读作位次声明；第 5 篇没有任何一个量化结果，唯一的数字是一次实验设计而不是一次测量。 本刊认为这两篇目前都处在「接口清楚、读数不足」的阶段——它们的价值在于告诉你这条路怎么接，而不是告诉你这条路有多快。

最后一句留给本期的批次说明。 由于 arXiv 索引在本期窗口内仍没有出现新的公告批次，本期五篇全部取自 2026-09-17 那一批（#028 已覆盖其中六篇、#029 已覆盖另外六篇，本期五篇与它们不重叠）。本刊在正文开头给出了三路抓取计数、三路区间探测的零结果与两个列表页的日期页头，读者可以据此自行判断「没有新批次」这一结论的依据；一旦出现新的公告批次，本刊会在下一期的开头说明它与本期的时间关系。

本刊注：本期覆盖 arXiv published 字段为 2026-09-17 的公告批次（对应公告日 2026-09-18），与 #028、#029 为同一批次、不重叠取文——本期五篇的 arXiv ID 为 2609.19554、2609.20615、2609.20638、2609.20034、2609.20649，均不在 #027、#028 与 #029 的正文清单中。核验路径：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 80 条（HTTP 200，无 429）；三路合计 240 条、去重后 213 条，published 为 2026-09-17 的 204 条、为 2026-09-16 的 9 条（与 #027 重叠，已剔除），无更早条目、亦无 2026-09-18 及之后的条目；另以 submittedDate:[202609180000 TO 202609220000] 对 cat:cs.CV 做区间探测（HTTP 200，totalResults 为 0），并把起点推到 20260919 对 cat:cs.CV／cat:cs.CL／cat:cs.AI 三路各测一次（均 HTTP 200，totalResults 均为 0），同时核对了 arxiv.org 的 /list/cs.CV/recent（页头 Fri, 18 Sep 2026，showing first 50 of 125 entries）与 /list/cs.CL/recent（页头 Fri, 18 Sep 2026，showing first 50 of 104 entries）两个列表页。五篇的 arXiv ID、发布日期、分类、作者、comments 字段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、GitHub 仓库、项目页与权重页。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（第 1 篇的九项行为诊断定义与 12 个模型条件清单、第 2 篇的 view utility 定义与人工评定流程、第 3 篇的基线名单与滤波器／优化规则的具体形式、第 4 篇的数据规模与训练时长及四个对比模型的分数、第 5 篇的全部量化结果与两侧任务空间的重叠程度）本刊一律不做补充，并已在各篇「边界」中逐条标出。本期五篇中，第 5 篇标注为 IROS 2026 Workshop RoBoWoMo 的 Lightning Talk 录用，其余四篇未标注会议；各篇摘要中的「substantially」「consistent」「Extensive experiments」等定性措辞，本刊照录并已在边界中标出其是否伴随数字。**