VLM 论文速递 #039｜空间智能、可靠 VLA

本期选取 arXiv API 返回的 2026 年 10 月 14 日论文批次，覆盖空间表征、自动驾驶中的指令冲突、机器人操作数据和多模态代码智能。结果与数字仅引用论文摘要，并明确归因于作者。

1. GeoThinker-F：把空间先验内化进 MLLM

问题。 几何感知的多模态大模型常依赖额外的 3D 编码器，这会增加推理路径和延迟。

方法亮点。 作者提出 GeoThinker-F，用轻量的 Latent Frame Prediction 头从 MLLM 隐状态预测当前几何和未来语义，再通过 Spatial-Grounded Temporal Fusion 模块选择性地整合这些自预测先验；第二阶段移除外部 3D 专家。

证据。 摘要称，该方法在保持空间推理竞争力的同时摆脱了运行时外部 3D 编码器依赖，最高取得 3.6 倍推理加速，延迟由 1.45 秒降至 0.40 秒。

边界。 这些是作者在多项空间智能基准上的报告；摘要没有给出每个基准的逐项结果，也没有说明不同硬件对加速幅度的影响。

我的判断。 如果语义隐状态确实能承担部分几何预测，VLM 的效率优化就不必只靠删 token，也可以从架构上减少外部专家调用。

问题。 自然语言导航扩大了驾驶 VLA 的指令接口，但指令可能与当前场景冲突，也可能被恶意利用；单纯把指令直接映射成动作难以处理“该不该服从”。

方法亮点。 作者提出三等级导航遵循模式，把冲突判断与动作生成解耦，并用导航条件世界模型想象“严格执行该导航信号”时的未来情形，再据此判断是否安全。

证据。 摘要报告在 Bench2Drive 上达到 88.16 Driving Score 和 68.64% Success Rate；相较最佳 SimLingo 变体，闭环语言跟随提升 49.3%，不安全指令下碰撞数由 60 降至 38。

边界。 数字来自作者的基准和对比设置；摘要没有展开不同冲突类型的分项结果，也没有证明仿真表现能直接转化为道路安全。

我的判断。 对可执行 VLM 来说，安全接口不应只有“生成哪个动作”，还应显式表达“当前是否应该执行这条指令”。

问题。 长时程操作数据通常混有绕路、犹豫、失败和人工干预；全部模仿会学习坏动作，直接丢弃失败轨迹又会失去可恢复片段。

方法亮点。 GR-BC 构建任务条件的目标可达图，用反向搜索计算数据支持范围内的最短剩余步骤，再按照一个动作块对成功潜势的改善程度加权。新轨迹可追加进图中重新搜索，不需要奖励模型或动作条件 critic。

证据。 作者在四个精细操作任务和三个 VLA backbone 上报告：经过几轮离线迭代后成功率达到 91%，并称方法无需轨迹比较或进度标签。

边界。 91% 是作者在其任务和训练流程中的结果；摘要没有给出各任务、各 backbone 的分项曲线，也没有说明人工干预成本。

我的判断。 失败数据的价值不在于“失败也照学”，而在于它提供了动作后果和恢复路径；图上的后果加权是一个比粗粒度过滤更可解释的接口。

问题。 多模态代码任务同时要求程序可执行、结构合理且渲染结果正确；单一的通过/失败信号、代码相似度或任务专用验证器无法覆盖三者。

方法亮点。 作者提出 PrismaForge，用分层 rubric 把正确性、构造质量和视觉结果拆成可检查标准；同一 rubric 既用于筛选监督数据，也用于视觉编码任务的强化学习，并据此构建 PrismaCoder-2M 数据集以及 9B、35B 模型。

证据。 摘要称，作者发布 PrismaCoder-2M，并报告 PrismaCoder-9B 与 PrismaCoder-35B 在开放模型中取得领先、可与领先闭源系统竞争；代码和数据通过项目页发布。

边界。 “领先开放模型”和“可竞争”是摘要中的总体结论，摘要没有给出具体榜单、基线和误差范围，不能据此推导统一的性能提升百分比。

我的判断。 对生成网页、图表和动画的模型而言，视觉验收标准必须进入数据和训练闭环；rubric 的可检查性比更长的提示词更值得复用。

这批论文把 VLM 的“会看”拆成了四个更硬的问题：能否内化空间先验、能否判断语言指令是否安全、能否从失败操作中学习，以及能否按视觉结果验收代码。共同趋势是从单次回答转向可检查的中间状态与闭环反馈；后续最值得追的是这些指标能否从基准迁移到真实部署。

论文元数据来自 arXiv API 的 id_list 回读；本期未使用摘要之外的未核验数字。