本期选取 arXiv API 当前可检索的最新相关批次：2026 年 10 月 19 日提交。以下数字与结论均来自作者摘要，并保留 arXiv 与 HF Papers 链接；摘要没有给出的结果不作补充推断。

1. OpenVLHarness：让视觉智能体调用工具并保留证据

论文：OpenVLHarness · HF Papers · 提交于 2026-10-19

问题。 视觉推理常需要外部知识、数值测量和可核验证据；只增加基础模型的推理预算，在作者对 22 个基准的受控研究中收益有限。

方法亮点。 OpenVLHarness 用能力层统一任务级工具接口和证据渲染，把图像、结构化数据与网页引用作为可寻址工件写入持久多模态记忆，并提供代码接口对存储数据执行计算。

证据。 作者在 22 个基准、8 个开放和闭源骨干上评估，摘要报告相对匹配的无工具基线平均提升 9.7–12.6 分；使用 Qwen3-VL-8B 时提升 11.2 分。作者还报告，在 GPT-6 Luna 中，medium reasoning effort 的系统比若干 maximum-effort 基线高 7.7–8.5 分，模型 token 成本最多为其 37%。

边界。 这些结果依赖作者选定的工具、证据渲染方式和 22 个基准；工具调用失败、证据质量与跨任务迁移仍需单独评估。

我的判断。 多模态记忆的价值不只是保存对话，而是保存“证据从哪里来、如何被再次计算”的中间状态。

2. VAG：用视觉归因过滤自蒸馏修正

论文：Reinforcement Learning with Visually Attributable On-Policy Self-Distillation · HF Papers · 提交于 2026-10-19

问题。 视觉强化学习中的任务级奖励能判断对错，却难以定位视觉推理的局部错误；直接蒸馏带视觉特权的教师，还可能把语言先验或表达风格的变化误当成视觉证据。

方法亮点。 作者形式化“特权修正污染”，提出 Visual-Attribution Gating：以验证器优势为优化锚点，再比较教师看到证据与证据退化时的输出，只保留方向上得到视觉对比支持的修正。

证据。 摘要称，作者在 6 个视觉推理基准上评估，VAG 持续超过 GRPO 与 OPSD 方法，并取得新的平均性能最好结果。

边界。 摘要没有给出各基准的逐项分数、计算开销或不同退化策略下的敏感性，因此不能把“持续超过”展开成统一的提升幅度。

我的判断。 对视觉推理做自蒸馏时，最重要的过滤器不是教师是否更强，而是修正方向能否归因到实际视觉证据。

3. PhysWord：把物理动作词作为具身推理锚点

论文：Physical Words · HF Papers · 提交于 2026-10-19

问题。 语言推理能表达任务语义，却难以描述细粒度物理变化；潜变量推理能表示未来状态，又缺少组织这些动力学的可复用结构。

方法亮点。 PhysWord 预测即将发生的原子动作词，并把其上下文隐藏状态与未来观测导出的潜在目标对齐；作者进一步构造带视觉、可选触觉变体的时间结构化 Physical Words 空间。

证据。 作者摘要报告，PhysWord 在视觉触觉 UniVTAC 上成功率为 90.3%，在视觉 LIBERO-Long 上为 99.6%，并在双臂夹爪与灵巧手的真实任务上超过对比方法。

边界。 这些数字来自作者指定的基准、模型和任务设置；真实任务的规模、失败类型与长期维护成本，摘要没有展开。

我的判断。 对 VLA 来说，结构化的“下一步要做什么”可能是连接连续物理状态与可解释语言计划的一种中间表示。

4. Ropedia W0：跨人类与机器人身体的运动—操作世界模型

论文：Ropedia W0 · HF Papers · 提交于 2026-10-19

问题。 同时建模行走与操作，要面对不同身体的动作空间和有限的多模态监督，单一机器人或单一动作数据难以覆盖这些差异。

方法亮点。 作者构建 Xp-Data，包含 10k 小时人类第一视角数据和 3k 小时机器人数据，用统一多模态标注与运动学表示连接行走和操作；同时提出基于灵巧人形遥操作数据的长时程 Xp-Teleop 基准。

证据。 摘要称，模型在五个跨具身基准及保留的人类第一视角视频上达到作者报告的最好结果；蒸馏后支持实时、分钟级 rollout，并可用于 VR 交互。

边界。 “跨具身”仍受数据表示、身体覆盖范围和遥操作质量约束；摘要没有给出五个基准的逐项数值，不能据此比较具体提升。

我的判断。 世界模型的泛化问题正在从“看懂场景”转向“能否把不同身体的动作后果放进同一预测空间”。

5. Halcyon：不依赖语言预训练的文生图建模

论文：Text-to-Image Generative Modeling Without Language Pretraining · HF Papers · 提交于 2026-10-19

问题。 主流文生图系统通常使用互联网规模的语言预训练；作者考察，强文生图是否必须依赖这一步。

方法亮点。 Halcyon 是从头训练的早期融合多模态自回归模型，使用包含 100M 图文对的 GPIC 数据集，并通过图像到文本监督学习图像描述。

证据。 作者摘要报告，0.52B 版本相对 LlamaGen-XL/8 的 gFD 为 48.0 对 63.3，预训练计算量少 18.2 倍；1.6B 版本相对 JiT-T2I-XXL/8++ 为 35.3 对 41.0，计算量少 275 倍。上述数字均为作者摘要中的对比口径。

边界。 gFD、训练配方和对比模型选择会影响结论；这项工作回答的是文生图预训练路径，不等同于证明语言预训练对所有多模态任务都不必要。

我的判断。 这篇论文把“语言是否是多模态生成的必经中间层”变成了可做控制实验的问题，值得继续看数据与代码能否复现。

今日阅读线索

这批论文把 VLM/VLA 的重点从单次回答推向可追踪的闭环：工具系统要保存证据，强化学习要证明修正来自视觉，具身模型要跨身体预测动作后果，生成模型则重新审视语言预训练的必要性。共同线索是让能力来源和边界都能被实验拆开。