本期选取 arXiv 目前可检索到的最新相关批次，提交日期集中在 2026 年 10 月 9 日。接口暂未返回 10 月 10 日之后的新相关条目，因此以下内容按已索引摘要整理，数字均归因于论文作者。

1. SpatialASM：让模型主动换视角

论文：SpatialASM: Internalizing Active Mentalization for Spatial Reasoning · HF Papers · 提交于 2026-10-09

问题。 复杂空间推理常需要从任务相关视角重新观察场景，但多数 LVLM 不会主动规划视角或进行场景想象。

方法亮点。 SpatialASM 用 allocentric 新视角生成器把假设视角锚定到视觉证据，并提供两类训练信号：显式 ASM 轨迹教模型何时、如何调用视角规划；自动构造的视角转换任务则强化 viewpoint-conditioned scene imagination。

证据。 作者在覆盖感知、多图、跨视角和视角变换的 7 个基准上测试 4 个 LVLM backbone，报告平均准确率提升，同时保留原有通用视觉能力。

边界。 摘要没有给出各基准绝对分数、视角生成成本或新视角质量的独立评测。

我的判断。 空间推理的关键可能不是增加更多视觉 token，而是让模型学会在证据不足时主动改变观察方式。

2. Splat2Act：从场景扫描到个性化操作

论文：Splat2Act: From Captured Scenes to Personalized VLA Manipulation · HF Papers · 提交于 2026-10-09

问题。 通用操作策略迁移到用户家庭或办公室时可能完全失效，而为每个环境收集真实示范成本很高；作者称，π0.5 在其捕获部署场景中的初始拾取成功率为 0%。

方法亮点。 Splat2Act 只需手机扫描场景和用户物体图像，便用 3D Gaussian Splatting 与碰撞几何构建建筑级数字孪生，自动发现容器、生成拾取任务，再用仿真 oracle 产生示范并进行两阶段个性化。

证据。 论文使用 101 个扫描校园环境，生成 852 个容器和超过 68000 条拾取示范；作者报告目标场景个性化策略的聚合成功率为 62.5%，在真实 Stretch 3 的 12 个任务子集上为 63.9%，对应仿真结果为 66.7%。

边界。 这些是作者的仿真与实机设置结果；摘要没有说明手机扫描失败率、场景变化下的重建成本，以及 12 个任务之外的泛化。

我的判断。 “少量现实采集 + 大量仿真示范”比逐场景人工遥操作更接近可扩展的 VLA 个性化，但数字孪生质量会成为新的瓶颈。

3. OccludeBench：模型能找回被遮住的物体吗

论文：OccludeBench: Can VLMs Find What’s Missing? · HF Papers · 提交于 2026-10-09

问题。 图像中物体完全被遮挡时，模型需要从阴影、反射等直接物理线索，或从场景上下文推断缺失内容。

方法亮点。 OccludeBench 区分 direct 与 inferential 两类案例，并用 OccludeTrace 四阶段诊断定位失败发生在哪个环节；作者还测试先生成候选物体、再与可见物理线索对照的 inpaint-then-confront 干预。

证据。 五个 VLM 在 direct 案例上的平均准确率为 42.7%，inferential 案例为 62.7%，相差 20.0 个百分点；人类对应为 63.4% 与 68.5%。带图像生成能力的模型采用干预后，差异降到统计上不显著。

边界。 基准是人工整理的受控集合，不能代表开放世界遮挡；摘要也没有说明干预增加的推理时间和生成错误率。

我的判断。 模型不是“完全看不见”，而是难以把局部物理投影和全图对象对应起来；诊断集比单一总分更能揭示这个缺口。

4. SquintBench：细小文字的空间选择瓶颈

论文：When MLLMs miss what humans read: diagnosing and learning to read squint text · HF Papers · 提交于 2026-10-09

问题。 人眼通过眯眼仍能读到的图中文字，MLLM 可能直接判断“没有文字”；问题既涉及视觉 token 预算，也涉及正确区域的选择。

方法亮点。 论文构建包含 1076 张生产审核图像的 SquintBench 与受控的 SquintCtrl，并提出 Squint OPSD：冻结教师获得缩小视图和真实转写作为特权上下文，再沿 on-policy 轨迹监督学生；推理时学生只看原图。

证据。 作者报告 Squint OPSD 在 SquintBench 上达到 88.61 ANLS，高于未适配 backbone 的 26.50、原图上的最佳通用模型 24.44，以及缩小视图下现成模型的最佳 68.60。

边界。 该结果来自作者的数据和训练方案；摘要没有展开不同语言、字体、压缩失真与真实 OCR 系统的比较。

我的判断。 这项工作把“看不清”拆成了“区域没选对”和“字形没编码好”，说明增加 token 并不必然解决细粒度视觉读取。

5. Dual-Stream Memory：让 VLA 记住执行阶段

论文：Dual-Stream Memory for Vision-Language-Action Policies · HF Papers · 提交于 2026-10-09

问题。 机器人执行中，关键视觉证据可能已经离开当前视野；策略既要跟踪任务进度，也要按需找回历史帧。

方法亮点。 双流记忆用 Gated DeltaNet 将历史压成一个 temporal token，并用进度预测和动作条件特征重建监督；另一路检索超过固定相关性阈值的帧，以每帧 16 个空间 token 做多尺度融合。

证据。 在 16 个 RoboMME 任务上，完整模型平均成功率为 49.22%，高于 FrameSamp+Modul 参考的 44.51%；4 个真实机器人任务平均成功率为 62.5%，参考为 37.5%。作者指出，杯子交换场景仍暴露身份跟踪问题。

边界。 相关性阈值、历史长度和不同传感器设置的敏感性，摘要没有给出；真实机器人任务数量也较少。

我的判断。 对 VLA 来说，记忆不是简单保存更多帧，而是把执行上下文与可检索视觉证据分工；身份持续跟踪仍是落地难点。

今日阅读线索

五篇论文都在回答同一个问题：模型如何获得“当前画面之外”的证据。SpatialASM 主动生成视角，Splat2Act 用数字孪生扩展训练环境，OccludeBench 诊断遮挡推理，SquintBench 纠正细小文字的区域选择，Dual-Stream Memory 则把历史视觉按执行阶段取回。VLM 的下一步竞争，可能从更大的编码器转向更好的证据调度。