本期选取 5 篇 arXiv 于 10 月 8 日提交的视觉语言与世界模型相关论文。摘要中的数字均保留作者口径；本文不把摘要结果当作独立复现。

1. FastBench：高速视频流里，模型还不会判断何时该看清

论文：FastBench: Can Streaming VLMs Perceive High-Dynamic Real-World Streams? · Hugging Face Papers · 提交于 2026-10-08

问题。 流式 VLM 面对高动态视频时，必须在历史长度、空间分辨率与采样频率之间分配有限上下文；1–2 FPS 可能直接错过快速事件。

方法亮点。 FastBench 从高帧率片段生成问答，用 SAM3 与 CoTracker3 轨迹核验答案，并经过三轮人工检查；数据包含 306 个问答，覆盖 8 个领域、6 类能力和三种时间范围。作者还提出无需训练的 ProactiveFrame，用文本 token 调整输入帧率。

证据。 摘要报告 Gemini-3.5-Flash 得分 50.7%；Qwen3-VL-8B 从 2 FPS 的 32.9% 提升到 24 FPS 的 44.6%。ProactiveFrame 相比稀疏均匀采样提高 5.4 和 1.5 个百分点，但仍低于 oracle-guided focusing。

边界。 这些结果来自作者构建的基准；摘要没有给出完整提示、统计显著性与跨数据集稳定性。

我的判断。 流式 VLM 的瓶颈不只是“看得更快”，而是能否在事件发生前后主动决定何时提高观察密度。

2. OneSearch-VL：把图像、视频检索统一成证据图

论文：OneSearch-VL: Unified Multimodal Deep Research Agent for Image and Video · Hugging Face Papers · 提交于 2026-10-08

问题。 单图、多图和视频深度研究需要不同视觉操作，但都要完成视觉定位、外部检索和事实组合；如果证据依赖丢失，最终答案即使流畅也难以追溯。

方法亮点。 OneSearch-VL 用 Visually Grounded Evidence Graph（VGEG）记录视觉锚点、实体关系、来源事实与答案操作，并据此构造 OneSearch-VL-SFT-110K、OneSearch-VL-RL-10K 和证据感知奖励 EVGR。

证据。 作者称，OneSearch-VL-8B 相比带工具的 Qwen3-VL-8B，在两个新基准上分别提升 20.2 与 17.6 个百分点，并在 7 个图像基准和 VideoDR 上取得额外提升。

边界。 摘要没有展开工具调用失败率、证据图标注成本和长视频中的检索延迟；提升幅度也仍需结合完整实验表核对。

我的判断。 对研究型 VLM 而言，“答案来自哪一块视觉证据”正在从解释性附加项变成训练信号。

3. WOVEN：用视觉状态转移作为通用训练原语

论文：WOVEN: Weaving Visual World Modeling into Multimodal LLMs · Hugging Face Papers · 提交于 2026-10-08

问题。 多模态模型在空间、具身、物理和时间推理上的失败，可能共享一个更底层的缺口：不会推断视觉状态如何转移。现有基准往往把这些能力分开测，难以比较。

方法亮点。 WOVEN 按场景、动作和推理类型组织视觉转移监督，数据包含 36,076 个样本，覆盖 20 类场景、5 类动作和 8 类推理类型。作者用多种规模的 MLLM 验证训练配方，并在外部基准上做迁移评估。

证据。 摘要称，训练仅约 2,000 条样本的若干子集后，26 个外部基准中有 22 个得到提升，最高提升 27.3 个百分点；WOVEN 数据还可替代目标任务 30–50% 的自有训练数据并保持相近准确率。

边界。 这些数字来自作者的训练与评测设置；摘要没有说明不同模型规模的详细成本，也没有给出每个外部基准的完整分项结果。

我的判断。 如果视觉状态转移确实能跨任务复用，世界模型训练就可能从“按场景堆数据”转向“按推理操作选监督”。

4. SpaceCast-Bench：空间智能的难点是预测未观察到的结果

论文：SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models · Hugging Face Papers · 提交于 2026-10-08

问题。 许多空间基准只要求模型读出输入中已经可见的关系；真实空间智能还需要根据观察构造场景、推断干预后的变化，并回答未直接呈现的结果。

方法亮点。 SpaceCast-Bench 采用 observe-transform-infer 框架，包含来自 182 个真实场景的 3,862 个问题，覆盖 16 类任务和静态感知、局部预测、全局预测三个层级。

证据。 作者评测 21 个模型后报告，最强模型为 58.0%，人类为 87.2%；在作者的程序生成数据上微调后，Qwen3-VL-4B 从 34.0% 提升到 65.7%，并在 6 个域外基准上取得宏平均提升。

边界。 摘要没有展开域外基准的绝对分数和训练数据规模；模型对桥接视角与显式 3D 证据的依赖，也可能限制其在遮挡更强的真实环境中的表现。

我的判断。 “看见关系”与“预测变化”应当分开测量，否则 VLM 的空间能力会被静态识别分数高估。

5. LeWAM：让 JEPA 潜空间服务于机器人动作规划

论文：LeWAM: A JEPA World Action Model with Diffusion-Steering-Based MPC · Hugging Face Papers · 提交于 2026-10-08

问题。 传统世界动作模型的重建表示会携带噪声和冗余视觉信息，可能增加动作预测难度；模型既要预测未来，也要服务于闭环控制与规划。

方法亮点。 LeWAM 在不解码图像的 JEPA 潜空间中，用双向 Transformer 联合学习前向、后向、逆动力学和策略预测，并通过 diffusion-steering-based MPC 在策略头的噪声空间中规划。

证据。 摘要称，LeWAM 的潜变量在线性探针下更容易读出机器人与物体状态，同时对视觉干扰的忽略能力不差于普通 Le 世界模型；在匹配规模的闭环评估中，其表现与同编码器训练的 flow-matching 策略相当。

边界。 摘要没有给出任务数量、成功率和硬件配置，也没有说明在更复杂动作空间中规划噪声空间的计算代价。

我的判断。 这项工作更像把“预测”和“行动”压进一个可规划的表示层，价值取决于潜空间是否能在不同机器人任务间稳定迁移。

今日阅读线索

五篇论文共同指向有限观察与推理预算下的能力分配：FastBench问模型何时提高帧率，OneSearch-VL问证据如何沿视觉锚点传递，WOVEN问哪些状态转移监督可以复用，SpaceCast-Bench把空间理解推进到未观察结果，LeWAM则把预测表示连接到闭环行动。后续阅读应优先核对三件事：完整实验表、计算与数据成本、以及在真实长视频或真实机器人上的失效模式。