本期选取 arXiv API 返回的 2026 年 10 月 15 日论文，关注多模态系统如何获得更稳定的空间判断、更低的闭环延迟和更长的视觉记忆。实验数字均归因于论文作者。

1. DK-VLM：让几何进入注意力位置

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、随观察者移动更新判断时仍不稳定；把 3D 重建特征直接融合进视觉 token，又会遇到几何与预训练语义表示的对齐问题。

方法亮点。 DK-VLM 使用 Dual-Kernel Attention：语义核保留模型原有注意力和位置编码，几何核则用 3D 点、相机位姿、点位移和相对视角变化调制注意力，再由门控融合。作者还提出 Reference-Frame Composition 监督，训练模型在连续判断中更新参考系。

证据。 摘要称 DK-VLM-8B 在六个空间基准上取得最高平均分，并在 VSI-Bench 与 ReVSI-32 上分别达到 74.33 和 58.28；RC 监督进一步改善多步空间推理。

边界。 这些是作者报告的基准结果，摘要没有展开相机位姿噪声、不同 3D 重建质量下的完整消融。

我的判断。 把几何作为注意力中的位置条件，可能比把外部 3D 特征粗略拼接进视觉 token 更贴近 VLM 的原生计算接口。

2. FastVLA：按任务动态压缩视觉 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 在每个时间步编码高分辨率、多视角图像，视觉 token 会主导 Transformer 的计算与延迟；固定压缩率又可能删掉当前动作需要的区域。

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

证据。 作者在 OpenVLA、OpenVLA-OFT 和 CogACT 上测试，并加入 LIBERO、SIMPLER 与实体 Franka Research 3。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%，成功率保持可比。

边界。 加速幅度取决于主干模型、硬件和任务；“成功率可比”不能替代逐任务结果与长期闭环稳定性。

我的判断。 VLA 的视觉压缩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。

3. REKI：用 register token 保存近期状态

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，否则连续控制容易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。作者在动作专家缓存中保留少量 register token，用它们概括每帧 VLM 输出，并让这些摘要留在专家缓存中形成低成本记忆。训练数据来自公开的机器人、人的第一视角和视觉语言数据。

证据。 摘要称 REKI 在 LIBERO-Plus、RoboTwin Clean2Rand 和 RoboCasa365 上只被约两倍规模的模型超过；在仿真和真实机器人上，记忆机制让姿态振荡约减少四倍。

边界。 结果来自作者列出的基准与实验，摘要未给出每项任务的完整分数，也未展开公开数据混合比例对结果的影响。

我的判断。 对连续动作而言，轻量短期记忆可能比单纯扩大 backbone 更直接地改善时序一致性。

4. MaLoW：把长时历史写进权重

论文：Memory as Weights: Internalizing Long-Term History for Streaming Videos · HF Papers · 提交于 2026-10-15

问题。 流式 VLM 需要持续整合过去的视频，同时响应当前观察和问题；传统记忆通常压缩、检索或缓存历史，让历史与当前画面争夺有限上下文。

方法亮点。 MaLoW 用循环 HyperNetwork 把新的视频观察逐步合并为固定大小的 LoRA 权重，使历史被内部化，而当前观察仍作为输入。作者同时构建 MaLoW-Instruct，包含 5.6 万个视频上的 38.1 万个问答对。

证据。 在 OVO-Bench 的 backward split 上，作者称 MaLoW 相比既有记忆方法、在不同视频 backbone 下提升 3.9%–11.8%；在 Simpler WidowX 上，动作成功率提升 9.3%。

边界。 这些数字是作者在指定基准和设置下的结果；将历史写入参数是否会造成错误记忆累积、如何处理分布突变，摘要没有回答。

我的判断。 “记忆即权重”减少了上下文回放成本，但也把记忆污染和遗忘控制从检索问题变成了参数更新问题。

5. CoWorld Reasoner：让视频世界模型成为工具

论文：CoWorld Reasoner: Agentic Multimodal Reasoning with the Evolving Video World Model-Driven Harness · HF Papers · 提交于 2026-10-15

问题。 VLM 需要对运动、动作和视角变化做时空推理，但现有视频世界模型常被固定在预定义的视觉想象流程中，例如新视角合成。

方法亮点。 CoWorld Reasoner 把视频世界模型包装成提供多种视觉操作的工具，由技能引导 VLM 决定是否想象、选择操作、构造生成请求并解释视觉证据。作者还提出 Harness Co-Evolution，根据执行反馈共同修订工具、技能和执行代码，而不更新模型权重。

证据。 摘要称该框架在七个空间、时间因果和感知推理基准上优于使用同一 VLM 的直接推理；最强版本在 MMSI 和 ERQA 上的相对准确率分别提升 11.8% 和 13.0%。

边界。 世界模型生成的视觉证据本身可能带来幻觉或误差放大；摘要中的增益来自特定工具、技能和基准组合，不能直接等同于现实环境中的可靠规划。

我的判断。 多模态推理的下一步可能不是让 VLM 记住更多视觉内容，而是让它学会在不确定时调用合适的视觉模拟工具。

今日阅读线索

这批工作把 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、保持历史并采取动作”。DK-VLM 处理几何接口，FastVLA 约束实时成本，REKI 和 MaLoW 分别处理短期与长期记忆，CoWorld Reasoner 则把世界模型变成可调用的推理工具。交叉阅读时应重点看：效率优化是否保持空间能力，记忆是否会累积错误，以及基准增益能否迁移到长时程真实任务。

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。