本期选取 arXiv API 返回的 2026 年 10 月 13 日相关批次，方向覆盖视频理解、机器人规划、动作计数和 VLA 训练。数字均来自论文摘要并归因于作者；摘要没有给出的细节不作外推。

1. OmniCompass：把视频理解拆成时空 grounding

论文：OmniCompass: A Holistic Benchmark for Omni-Modal Video Grounding and Understanding · HF Papers · 提交于 2026-10-13

问题。 现有视频理解基准往往只覆盖部分维度，难以系统诊断模型是否找到了正确的时间、空间和语义证据。

方法亮点。 OmniCompass-VL 评测视觉语言模型，OmniCompass-AV 评测联合音视频模型；两条轨道都包含 temporal grounding、spatial grounding 和 question answering，并设置 text-only 与 text+image 两种配对目标指示。

证据。 作者构建了 OmniCompass-VL 的 820 个视频、2460 个实例，以及包含 240 个视频和 720 个实例的 OmniCompass-AV 子集，并评测 50 个多模态大模型。摘要称，开源模型整体落后于专有模型，精确时空 grounding 即使对领先模型仍然困难。

边界。 摘要没有给出 50 个模型的逐项分数，也没有说明音频质量、视频长度和配对指示对结果的独立贡献。

我的判断。 视频模型的瓶颈正在从“能否描述内容”转向“能否指出证据发生在哪里”；时空定位应当与问答分开报告。

2. ChunkAct：让机器人按动作块调用代理

论文：ChunkAct: Action Chunking for Agentic Robotics · HF Papers · 提交于 2026-10-13

问题。 让 LLM 代理逐个原语控制机器人时，每一步都可能重新读取完整交互历史，推理调用和 token 成本会随动作数量增长。

方法亮点。 ChunkAct 把已经由记忆确定的连续原语编译为动作块：在线执行时一次调用启动一串动作，只有失败才把控制权交回；离线则把记忆编译进动作块，使测试时规划器只处理真正需要推理的决策。

证据。 作者报告，在 LIBERO-Pro 上，相比代理机器人领域的现有最佳方法，任务成功率提高 5.0 个百分点，同时 LLM 调用减少 2.9 倍、输入 token 减少 4.4 倍、输出 token 减少 2.3 倍。

边界。 这些数字来自作者的 LIBERO-Pro 对比；摘要没有说明动作块在长尾失败、环境突变和恢复策略上的开销。

我的判断。 对具身代理而言，减少“重复思考”可能比单纯压缩模型更直接；关键在于动作块必须保留可靠的失败返回机制。

3. LoopWAM：用部署轨迹闭环改进策略

论文：LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts · HF Papers · 提交于 2026-10-13

问题。 真实部署轨迹既有成功也有失败，全部模仿会放大坏动作，过滤失败又会丢掉物理交互及其后果信息。

方法亮点。 LoopWAM 用来源相关的噪声采样统一行为学习和动作条件世界建模，再通过质量 steering 与质量加权监督保留不同质量的完整视频监督；视频和动作 token 在并行去噪中交互。

证据。 在 RoboChallenge Table30-V2 上，作者报告经过三轮部署与训练后成功率从 23.67% 提升到 43.33%，最终得分为 56.80；在 RoboTwin 2.0 和 RoboCasa365 上分别报告 94.5% 和 49.5% 的整体成功率。

边界。 结果依赖论文定义的部署轮次、数据混合和基准；摘要没有展开每轮新增轨迹规模、真实部署成本及失败样本的安全筛选。

我的判断。 VLA 的数据闭环不必把失败样本当噪声清除，但需要把“发生了什么”和“应该模仿什么”明确分开。

4. RepProbe：视频模型会数重复动作吗

论文：RepProbe: Can Video Language Models Count Repeated Actions? · HF Papers · 提交于 2026-10-13

问题。 视频语言模型可以流畅描述动作，却未必能可靠地数出动作重复了多少次。

方法亮点。 RepProbe 构建了 4.2 万个真实与合成视频片段，精确包含 1 到 20 次重复，并控制片段位置、时间覆盖和时长；论文还比较模型输出与从最终层表示训练出的线性探针。

证据。 作者观察到，模型在高重复次数下的计数准确率明显崩溃，而这种崩溃不能由帧采样单独解释。最终层表示仍可线性解码出相当的计数信息，但模型输出偏向少数几个常用数字，形成表示与输出的脱节。

边界。 摘要没有给出不同模型的完整准确率曲线，也没有证明该诊断能直接迁移到开放世界长视频。

我的判断。 “模型看到了线索”不等于“模型能把线索稳定地转成答案”；输出头和解码过程可能是视频数量推理的独立瓶颈。

5. AXIS-Bench：比较 VLA 如何使用示范质量

论文：What Matters in Quality-Aware VLA Pretraining: A Benchmark and Empirical Study · HF Papers · 提交于 2026-10-13

问题。 VLA 预训练中的示范质量应当被加权、过滤，还是作为条件输入，现有结论很难比较，因为数据和训练预算往往不同。

方法亮点。 AXIS-Bench 使用 5000 条自然产生的次优人类示范和 24 个目标任务，控制不同质量标签、奖励定义和训练预算，并记录物体与接触状态，允许在共享轨迹上重新计算质量标签。

证据。 作者在三个 VLA 上发现，带有 episode 质量条件的训练平均成功率高于普通行为克隆；在其真实世界实验中，仿真预训练后成功率从 9.6% 提升到 31.7%。摘要同时指出，条件化与过滤对 episode 标签和 chunk 标签的偏好会因模型而反转。

边界。 摘要没有给出各模型的逐项结果，也没有说明仿真到真实迁移中哪些质量标签最稳定。

我的判断。 示范质量不是一个固定的标量；它更像是与任务阶段、动作粒度和模型结构共同决定的条件变量。

今日阅读线索

这批工作把“视觉理解”拆成了几种可检验的证据流：OmniCompass 检查时间与空间指向，RepProbe 检查模型是否能把表示转成数量，ChunkAct 和 LoopWAM 则把视觉证据接入动作规划与部署反馈，AXIS-Bench 进一步追问哪些示范值得学习。下一步值得关注的不是单一总分，而是模型能否在证据定位、动作执行和失败恢复之间形成闭环。