本期选取 arXiv API 返回的 2026 年 10 月 15 日论文，覆盖空间几何、实时多模态交互、视觉 token 效率、具身记忆和个性化操作。结果与数字均归因于论文作者。

1. DK-VLM：把几何作为注意力位置

论文：DK-VLM: Geometry as Position for Spatial Reasoning in Vision-Language Models · HF Papers · 提交于 2026-10-15

问题。 VLM 在跨视角理解三维关系、随着观察者移动更新空间判断时仍不稳定；直接融合 3D 重建特征又会带来与预训练语义表示对齐的问题。

方法亮点。 作者提出 Dual-Kernel Attention：语义核保留原有注意力，几何核用估计的 3D 点和相机位姿调制注意力，再由门控融合；同时用 Reference-Frame Composition 监督连续判断中的参考系更新。

证据。 摘要称 DK-VLM-8B 在六个空间基准的平均分最高，并在 VSI-Bench 与 ReVSI-32 上分别达到 74.33 和 58.28；这些是作者报告的对比结果。

边界。 摘要没有展开各数据集细节，也不能据此判断其在未见相机位姿噪声下的表现。

我的判断。 将几何作为注意力中的位置条件，比把外部 3D 特征粗暴拼接进视觉 token 更接近模型已有的计算接口。

2. Realtime-Bench：实时交互仍受延迟约束

论文：Realtime-Bench: Can Frontier Models Solve Real-time Interactive Problems? · HF Papers · 提交于 2026-10-15

问题。 现有实时模型评测多关注对话质量和流式感知，较少直接测量延迟会改变结果的交互任务。

方法亮点。 作者构建动态任务套件，并区分 Wall Clock、Paused Clock 与 Token Clock：分别测真实推理延迟、去除服务延迟的理想参考，以及按生成 token 推进的时间。

证据。 摘要报告，在 Wall Clock 条件下最佳成功率只有 44%，最佳 Pass^3 为 36%；更高的推理投入在时间压力下效果并不稳定。

边界。 这是新基准中的结果，任务分布与模型服务配置会影响数值；它不等同于现实世界所有交互场景的成功率。

我的判断。 多模态代理的“快”不是工程附加项，而是任务定义的一部分；评测若暂停时间，可能高估系统能力。

3. FastVLA：按任务和时间动态压缩视觉 token

论文：FastVLA: Task-Conditioned and Temporally Adaptive Visual Token Compression for Efficient Vision-Language-Action Models · HF Papers · 提交于 2026-10-15

问题。 VLA 每一步都要编码高分辨率、多视角图像，视觉 token 成为闭环控制的主要计算和延迟来源；固定压缩率又可能删掉控制关键区域。

方法亮点。 FastVLA 用任务到视觉的注意力估计 token 重要性，再依据重要性分布的均匀程度自适应决定压缩率；方法无需训练，并带有在线滑动窗口校准。

证据。 作者在 OpenVLA、OpenVLA-OFT、CogACT 及仿真和实体 Franka Research 3 机器人上测试。摘要报告仿真中 LLM 主干 FLOPs 减少 35%–59%、动作延迟减少 9%–32%，实体机器人端到端延迟减少 20%，且任务成功率相近。

边界。 加速幅度依赖 backbone、硬件和任务；“成功率相近”不能替代逐任务结果和长期闭环稳定性。

我的判断。 对 VLA 来说，视觉压缩的关键不是平均显著性，而是当前动作真正需要哪些视觉证据。

4. REKI：用 register token 给小型 VLA 留记忆

论文：REKI: Registering Knowledge in VLAs · HF Papers · 提交于 2026-10-15

问题。 小型 VLA 需要在有限计算预算下利用近期观测，否则容易在连续控制中丢失上下文并出现姿态振荡。

方法亮点。 REKI 是 2.4B VLA，由 VLM 和 flow-matching action expert 组成；作者在动作专家的缓存中保留少量 register token，用它们概括每帧 VLM 输出，形成低成本近期记忆。

证据。 摘要称该模型只用公开数据预训练，在 LIBERO-Plus、RoboTwin Clean2Rand 和 RoboCasa365 上仅被约两倍规模的模型超过；记忆机制让姿态振荡约减少四倍。作者同时发布代码、数据整理、权重和评测流程。

边界。 这些结论来自作者列出的基准和真实机器人实验，摘要未给出每项任务的完整分数，也未说明公开数据混合比例对结果的影响。

我的判断。 轻量记忆可能比单纯扩大 backbone 更直接地解决动作序列中的短期一致性问题。

5. LIBERO-PeRM：把个性化操作单独测出来

论文：LIBERO-PeRM: Benchmarking Personalized Robotic Manipulation · HF Papers · 提交于 2026-10-15

问题。 通用机器人操作通常只看任务是否完成，却没有把“完成任务”和“符合用户偏好”区分开，导致个性化能力难以比较。

方法亮点。 作者提出 LIBERO-PeRM，覆盖动作、技能和用户画像等可用语言表达的偏好，设计五个任务套件、312 个任务，以及偏好满足度指标；评测零样本偏好、示范学习、跨布局泛化和偏好冲突。

证据。 摘要称当前 VLA 在零样本个性化上表现困难，监督微调可使偏好变得可学习；混合训练比顺序适配更能保留无偏好任务，但可能削弱动作偏好学习。

边界。 该基准限定在可在 LIBERO 中实例化、且不改变任务目标的语言偏好，不能覆盖所有家庭机器人中的个体差异。

我的判断。 个性化不应只作为提示词案例展示；有独立的偏好满足指标，才能看出模型究竟是在完成任务，还是在按人的方式完成任务。

今日阅读线索

这批论文把 VLM/VLA 的瓶颈从“能不能看懂”推进到“能否在正确的时间、以合适的计算量、按人的偏好行动”。空间注意力解决几何接口，FastVLA 和 Realtime-Bench 约束延迟，REKI 以小记忆补足连续控制，LIBERO-PeRM 则把用户偏好纳入可测量的操作目标。下一步值得交叉观察：效率优化是否保持空间与偏好能力，以及基准上的成功能否在真实长时程任务中稳定复现。

数据来源

本期论文元数据与摘要来自 arXiv API；论文编号、发布日期和数字均按摘要核对，未补写摘要未给出的实验细节。