本期选取 arXiv API 当前可检索的最新相关批次：2026 年 10 月 16 日提交。10 月 17—20 日未检索到更新的相关条目，因此不把 10 月 16 日之后的空窗包装成新论文。以下数字均来自论文摘要并归因于作者。

1. Beyond Success Rate：干预式评估 VLA 记忆

论文：Beyond Success Rate · HF Papers · 提交于 2026-10-16

问题。 只做成功率消融，无法证明机器人是否真的使用了任务相关记忆，因为信息变化和计算变化会混在一起。

方法亮点。 作者提出 Interventional Memory Evaluation Protocol，在检索接口替换目标事实、保留事实、做最小数值扰动和精确复制，并分别评估决策正确性与运动执行成功率；同时提出需要历史信息的 ChainBench。

证据。 摘要报告，在跨回合记忆实验中，一个 ULP 级干预会改变 11.9% 的种子配对结果；ChainBench 中完整记忆把任务成功率从 39.1% 提高到 74.3%。

边界。 作者同时发现，替换关键事实相对保事实替换没有清晰的额外影响；这说明某些系统的“记忆收益”可能仍混有接口或执行因素。

我的判断。 VLA 记忆是否有效，关键证据不是“开记忆后分数涨了多少”，而是改动特定事实后决策是否按预期改变。

2. Not Every Mention Is a Claim：重做对象幻觉检测

论文：Not Every Mention Is a Claim · HF Papers · 提交于 2026-10-16

问题。 图像描述提到一个对象，并不等于断言该对象出现在图中；把“提及”全部当成“存在声明”，会夸大对象幻觉。

方法亮点。 作者构建 NAME-Bench，把对象提及分成具体存在、断言但缺失、非断言三类，并进一步区分描绘、用途、否定和模态保留四种非断言提及。

证据。 NAME-Bench 包含 25,497 条对象提及，来自 5 个 VLM 在 COCO 图像上生成的描述；作者评估的所有检测器都把非断言提及判为幻觉，比例为 14%–80%。

边界。 在 LLaVA-1.5 上加入非断言负例可大幅纠正问题；对四个更新的 VLM，需要多 5–10 倍数据，且会漏掉更多真实幻觉。这是摘要报告的设置内结果，不等于所有模型都适用。

我的判断。 幻觉评测首先要定义“模型声称了什么”，否则检测器可能只是在惩罚自然语言表达方式。

3. FedRAPP：异构客户端上的联邦测试时提示调优

论文：FedRAPP · HF Papers · 提交于 2026-10-16

问题。 无源联邦测试时提示调优面对无标签、非独立同分布的数据流；不同客户端的本地提示会向不同方向漂移，常规聚合难以兼顾本地特化和全局稳定。

方法亮点。 FedRAPP 组合可靠性评估、服务器端指数移动平均提示记忆和相似度引导的同伴聚合，只吸收可靠且兼容的客户端信息，同时保留本地特化。

证据。 作者在 9 个 CLIP 基准数据集及 ImageNet 变体上进行实验，摘要称 FedRAPP 在异构客户端分布下持续超过标准联邦聚合基线。

边界。 摘要没有给出逐数据集的提升幅度，也没有说明可靠性阈值、客户端数量和通信轮数对结论的影响。

我的判断。 测试时适配的核心不是把所有客户端平均起来，而是判断哪些更新值得进入共享状态；“记忆”因此同时出现在训练系统和模型接口里。

4. TRACO：用闭环优化增强 VLA 任务重定向攻击

论文：TRACO · HF Papers · 提交于 2026-10-16

问题。 视觉扰动会改变机器人早期动作，进而改变后续物理状态；固定目标监督可能与实际到达状态不匹配，平均匹配误差也不能保证任务持续推进。

方法亮点。 TRACO 用 Execution-Driven Supervision 根据攻击轨迹实际到达的状态重建监督，再用 Progress-Guided Selection 把更新集中到进度停滞处，同时保留已经成功的前置行为。

证据。 摘要称，TRACO 在多个 VLA 模型和仿真环境中提升了任务重定向成功率。

边界。 摘要没有给出逐模型、逐环境的数值，也没有覆盖真实机器人部署；攻击效果对仿真器和执行噪声的敏感性仍未知。

我的判断。 对具身模型而言，安全评测不能只看单帧鲁棒性；攻击与防御都必须把动作造成的状态变化纳入闭环。

5. MOSS：用可变形折纸轮跨越陆水地形

论文：MOSS · HF Papers · 提交于 2026-10-16

问题。 湿地机器人要在坚实地面、泥地、沙地和水面间移动，固定几何轮无法同时适配不同接触条件。

方法亮点。 MOSS 使用可收缩/展开的 3D 打印折纸轮，通过曲柄机构同步改变轮宽、轮体直径和鳍片方向；收缩形态偏向坚实地面滚动，展开形态增加软地面与水面的接触。

证据。 摘要报告，展开轮在湿泥、沙地和水面上的运输成本最多降低 29%；轮形切换耗时 1.95 ± 0.11 秒，并完成了土壤—泥地—水面的连续运动。

边界。 结果来自特定平台、地形和户外试验，尚不能推出对更大载荷、更复杂水域或长期耐久性的结论。

我的判断。 这篇工作提醒我们，VLA 的“行动”最终要落到硬件接触模型；视觉决策与可变形执行器的协同，可能比单纯扩大策略模型更关键。

今日阅读线索

这批论文把 VLM/VLA 的评价边界往前推了一步：记忆需要事实级干预，幻觉需要区分提及与断言，联邦适配需要处理客户端分歧，攻击评测需要闭环状态，机器人系统还要面对真实地形。共同主题不是再堆一个分数，而是让“模型到底改变了什么”变得可观测。