本期选取 arXiv API 当前可检索的 2026 年 10 月 22 日批次，优先保留与 VLM、视频理解和 VLA 直接相关、方向互补的论文。数字均来自论文摘要并归因于作者；摘要没有给出的结果不作补充推断。

1. AgentVQA：把智能体视觉能力放进统一基准

论文：AgentVQA · HF Papers · 提交于 2026-10-22

问题。 现有 VLM 评测常把视觉问答与交互式智能体分开，难以低成本比较模型在网页、机器人、第一视角视频、游戏和空间规划中的视觉状态理解。

方法亮点。 作者从 23 个数据集人工选取 1000 个真实智能体场景，构建覆盖五类智能体领域的离线基准，并报告其模型排序与对应在线评测具有一致性。

证据。 摘要称评测的 22 个模型中最佳准确率为 58.5%，主要错误来自 UI 定位、运动理解、状态变化跟踪和三维空间关系，而非单纯的任务逻辑。

边界。 离线基准不能替代真实环境中的动作、延迟和恢复能力；“排序一致”也需要在更多在线环境中复核。

我的判断。 AgentVQA 的价值在于把“看懂当前状态”从智能体能力的隐含前提，变成可以独立测量的瓶颈。

2. MoG-VLM：按运动分配视频推理预算

论文：MoG-VLM · HF Papers · 提交于 2026-10-22

问题。 视频异常检测若逐帧调用 VLM，实时成本过高；均匀采样又会在静态片段上浪费预算或漏掉局部异常。

方法亮点。 作者提出 Temporal Gradient Magnitude，用运动作为轻量控制信号进行内容感知采样；当异常可能性升高时，再触发多帧上下文扩展，并用提前终止减少无效推理。

证据。 摘要报告 XD-Violence、UCF-Crime、MSAD、ShanghaiTech 四个数据集的 AUC-ROC 分别为 91.91%、84.30%、87.88% 和 78.96%，并称在三个基准上达到零样本、免训练设定下的最佳结果；在 XD-Violence 上比此前最佳高 0.57%，推理加速 1.31 倍。

边界。 这些是作者在指定基准和设定下的结果，不能直接等同于真实监控部署的稳定性；运动信号对低运动异常和摄像头抖动的鲁棒性仍需观察。

我的判断。 对视频 VLM 来说，合理分配视觉计算量可能比无差别增加采样密度更值得优先优化。

3. Track, Then Bind：先追踪，再绑定物体身份

论文：Ask About the Right Moment · HF Papers · 提交于 2026-10-22

问题。 Video-LM 能识别单帧中的物体，却容易在洗牌、遮挡和移动后混淆同一物体的身份；直接让模型重读整段视频也会把身份绑定与时间维护混在一起。

方法亮点。 作者提出无需训练的 Track, Then Bind：先用可提示视频跟踪器给候选物体分配轨迹编号，再让冻结的 VLM 在证据最清晰的时刻完成身份绑定，最后从轨迹状态回答问题。

证据。 摘要称 Qwen3-VL-32B 在 VET-Bench 两项任务上达到与 92% 和 90% 对比的结果；在最难的 Perception Test 杯子题上为 55.4%，TOC-Bench 为 48.6%，对照模型分别为 41.5% 和 37.1%。

边界。 方法依赖跟踪器质量；遮挡严重、目标外观相似或轨迹断裂时，后续绑定仍可能继承错误。

我的判断。 把“这个物体是谁”和“它后来去了哪里”拆开，是视频推理中很实用的结构化接口。

4. WholeBodyMem：为人形机器人保留行动前记忆

论文：Memory before Goal · HF Papers · 提交于 2026-10-22

问题。 人形机器人在动态场景中行动时，物体可能被遮挡、离开视野或改变位置；只看当前帧的全身 VLA 策略会丢失行动前的关键线索。

方法亮点。 WholeBodyMem 用 SAM3 跟踪任务物体，根据事件从历史中选择关键帧，并让动作专家通过交叉注意力读取这些帧与包含外观、几何和时间的物体 token。论文同时提出包含六个模拟任务和六个真实 Unitree G1 任务的 HuMeGo 基准。

证据。 作者报告在仿真中把基础策略成功率从 29.1% 提升到 72.6%，真实机器人上从 36.7% 提升到 88.3%；标准 SIMPLE 任务从 70.2% 提升到 86.9%。

边界。 结果依赖特定记忆选择器、跟踪器和机器人平台；更复杂的开放场景、传感器噪声与跨本体迁移仍未由摘要证明。

我的判断。 机器人记忆的关键不是保存更多帧，而是保留与当前目标存在因果关系的那几帧。

5. WeVisOne-VL：从目标级理解走向像素级感知

论文：WeVisOne-VL · HF Papers · 提交于 2026-10-22

问题。 VLM 在细粒度视觉感知上仍不稳定，而检测、定位、计数、OCR、分割和抠图通常由不同任务头分别处理。

方法亮点。 作者把轻量像素解码器通过特殊的 <OBJ> token 接入 VLM，用结构化 next-token prediction 统一生成点、框、掩码和 alpha matte，并采用三阶段课程训练：SFT 后接混合任务 RL。

证据。 摘要称模型覆盖 30 多个基准，并支持从目标检测到像素级输出，同时保持对不存在目标查询的拒答能力；这些是作者报告的总体结论，本文不补写未给出的具体分数。

边界。 “领先表现”需要逐基准查看完整实验和评测协议；多任务统一接口是否会牺牲特定领域的精度，也值得复核。

我的判断。 VLM 的下一步实用化不只是回答“图里有什么”，还要能稳定指出“具体在哪些像素里”。

今日阅读线索

这批论文共同指向一个更具体的瓶颈：智能体需要持续维护视觉状态。AgentVQA 把状态理解单独量化，MoG-VLM 用运动信号调度视频算力，Track, Then Bind 拆开身份与时间，WholeBodyMem 把关键历史接回机器人动作，WeVisOne-VL 则把语义输出推进到像素接口。VLM 的竞争正在从“能不能看懂”转向“能否在变化环境里持续、准确、可执行地看懂”。