本期选取 arXiv API 当前可检索的 2026 年 10 月 20 日相关批次。以下论文 ID、摘要和数字均来自 arXiv API；每篇保留 arXiv 与 HF Papers 链接，摘要没有给出的结果不作补充推断。

1. UniWALM：让语言成为机器人的记忆回路

论文：UniWALM · HF Papers · 提交于 2026-10-20

问题。 机器人需要把视频、动作和语言经验结合起来，但常见方案把视觉语言模型、视频动作骨干和规划器拆成多个阶段，记忆难以回到下一步控制。

方法亮点。 UniWALM 用统一的 mixture-of-transformers 表示视频、动作和语言；不同模态的扩散头同步去噪，并把生成的语言在下一步重新作为输入，形成语言记忆回路。作者还提出 Flow Matching with Correction 训练目标，让动作流从受扰轨迹中恢复。

证据。 摘要称，模型在 RMBench 的记忆相关子集达到 34.5%，超过 Mem-0 配合关键帧的 28.5%；真实 Find-the-Item 任务成功率从 11.1% 提升到 61.1%。这些数字均为作者摘要口径。

边界。 结果依赖作者的骨干、任务和记忆设置；摘要没有给出更广泛场景中的长期记忆成本，也不能据此证明语言记忆优于所有外部记忆方案。

我的判断。 这项工作的关键不只是“会说话”，而是让语言输出成为可被下一步动作重新消费的状态变量。

2. REACT：用接触语义处理人形机器人交互

论文：VLM-Guided Contact Retargeting and Generative Partner Modeling · HF Papers · 提交于 2026-10-20

问题。 人形机器人与人近距离接触时，伙伴常被遮挡或离开视野；直接从人类示范学习还会受到互相遮挡和缺少特权人体状态的影响。

方法亮点。 REACT 用 VLM 引导接触建模，把语义接触关系迁移到人形机器人几何上；再用交互感知接触奖励训练特权策略，并蒸馏为只依赖机载深度的策略。生成式伙伴状态模型负责从遮挡视角预测对方运动。

证据。 作者在仿真和真实 Unitree G1 上评估五种接触交互；摘要称，生成式伙伴状态建模在五种交互中的四种提高了接触召回率，真实硬件仅用机载传感器完成全部五种交互。

边界。 五种交互的具体成功率、接触定义和仿真到现实差距需要查看论文实验；“完成”也不等同于在开放环境中长期稳定运行。

我的判断。 对具身 VLM 而言，接触关系可能比逐帧姿态更适合作为跨示范、跨身体的监督接口。

3. PhysCanvas：把视觉与触觉放进策略评测世界模型

论文：Physical Canvas · HF Papers · 提交于 2026-10-20

问题。 只生成看起来合理的画面，可能仍然错误地预测接触动力学；如果世界模型不能反映真实任务结果，就不适合评测或训练机器人策略。

方法亮点。 PhysCanvas 统一多视角 RGB、触觉图像、标记点位移、任务状态和动作，使用共享视频 VAE 与生成骨干。作者还用场景、模态和状态奖励模型做一致性后训练，并把模型用于闭环 rollout 与 GRPO 策略更新。

证据。 在四个真实操作任务上，状态奖励监督将世界模型成功率与真实成功率的任务均值 Pearson 相关从 0.602 提高到 0.885；奖励引导的策略后训练把 π0.5 的真实任务均值成功率从 59.1% 提高到 70.8%。数字来自作者摘要。

边界。 相关性和成功率都受任务选择、奖励模型与策略基线影响；摘要没有说明模型在未见接触类型上的外推能力。

我的判断。 触觉的意义不只是增加一种输入，而是给世界模型提供视觉上不容易辨认的接触约束。

4. PsycheMME：拆开视频社会理解与回应选择

论文：PsycheMME · HF Papers · 提交于 2026-10-20

问题。 视频社会理解的总准确率可能掩盖不同环节的失败：模型是否看懂状态、是否识别需求、是否选对互动回应，并不是同一件事。

方法亮点。 PsycheMME 基于心理学框架覆盖 grounding、状态、需求、互动决策、记忆和风险等八种能力；数据包含 630 段视频中的 1,000 道问题，并用带理由的 Reasoning-Verified 协议按证据支持与逻辑一致性计分。

证据。 作者评估 17 个模型，摘要称 Timing 能力的 Verified 分数和理由保留率最低；需求分数相近的模型，在开放题答案完整性上仍有差异。

边界。 这是基准设计与评测协议的结果，不等同于模型在真实社交交互中的安全性；专家标注、文化差异和理由质量都可能影响分数。

我的判断。 将“理解发生了什么”和“应该如何回应”分开，有助于把视频智能体的错误定位到可改进的环节。

5. CLOSER：让导航智能体先主动收集证据再停下

论文：CLOSER · HF Papers · 提交于 2026-10-20

问题。 ObjectNav 中检测器可能把相似物体误认为目标；只看单帧就停下，会把高置信度误检直接变成任务失败。

方法亮点。 CLOSER 微调 VLM 对候选目标逐视角判断 target、non-target 或 uncertain，用多样性门控选择互补视角，再融合概率；仍不确定时，扩散策略依据跟踪掩码和深度靠近候选物，主动获取更多证据。

证据。 在 Gibson 和 Habitat-Matterport 3D 上，作者报告平均成功率提高 3.6 个百分点，按路径长度加权的成功率提高 2.0 个百分点。

边界。 提升来自特定导航环境与候选跟踪设置；主动靠近会增加路径成本，摘要没有给出不同误检率下的代价曲线。

我的判断。 具身 VLM 的可靠性不只取决于一次判断是否正确，也取决于它是否知道何时还缺证据。

今日阅读线索

这批工作共同把 VLM/VLA 从“看图回答”推向闭环：语言成为动作记忆，接触语义连接示范与身体，视觉和触觉共同约束世界模型，视频评测拆解理解与回应，导航则把不确定性转化为主动观察。值得继续追踪的是，这些接口能否在更长时程、更开放的环境中保持可解释和可复现。