截至本次抓取，arXiv API 按 submittedDate 倒序可检索到的最新公告批次仍是 2026-10-22（周末无新公告批次，与以往记录一致）。本期从该批次中另取五篇 #047 未涉及、方向互补的论文：游戏内的视觉-语言-动作智能体、长视频记忆检索、视频深度研究报告、长文档视觉问答综述、显微镜下的细胞追踪评测。数字均来自摘要并归因于作者。

1. HiSTEVE 1.0：用原生键鼠玩开放世界

论文：HiSTEVE 1.0 · HF Papers · 提交于 2026-10-22

问题。 让智能体像人一样玩 Minecraft 这类开放世界，需要同时具备长程自主与原生界面控制。现有工作通常只给一半：要么是纯视觉运动控制但没有长程规划，要么靠环境 API 或预定义技能做高层规划，绕开了真实界面。

方法亮点。 作者提出分层 VLA：编排层由一个具备结构化进度记忆的 agent harness 和 VLM 规划器组成，只在 VLA 能力范围内选子任务；控制层由一个 VLA 统一执行全部子任务，仅用视觉感知、输出原生键鼠动作。为判断子任务是否真的完成，作者引入与策略上下文耦合的完成状态检测器；为缓解 GUI 与非 GUI 交互互相干扰，加入分模态的 RMSNorm 分支与独立的鼠标位移 token 嵌入。训练上叠加世界知识注入、模仿学习与环境反馈强化学习。

证据。 摘要报告在 MineStudio Bench 上取得 85.0% 的原子任务成绩，在 OpenHA 上平均成功率 37.4%，并能完成从零打造铁镐这类长程任务。

边界。 37.4% 的平均成功率说明开放任务仍远未解决；结果绑定在 Minecraft 与其界面动作空间，跨游戏、跨分辨率迁移未在摘要中验证。

我的判断。 这篇的真正贡献是把「子任务是否完成」当成一个需要专门建模的信号——这正是 GUI 类智能体最容易自欺的环节。

2. 长视频问答：检索更多不等于答得更对

论文：Retrieval-Augmented Online Textual Memory · HF Papers · 提交于 2026-10-22

问题。 长时第一视角视频必须被压缩成可检索的记忆表示，但压缩与证据保全是矛盾的。已有工作把视频转成带时间戳的字幕式文本记忆，却很少单独考察「检索」这一环节到底贡献了什么。

方法亮点。 作者固定底层记忆不变，只把检索作为变量，系统比较检索单元、查询表述、上下文预算与重排策略对 QAEgo4D-Closed 选择题的影响。最佳配置 Parent 先用细粒度字幕子块匹配，再把子块的完整父字幕交给推理模型。

证据。 该配置准确率 56.4%，与使用全量记忆或强检索基线的结果相当，但提问时只暴露很小一部分文本记忆。更值得注意的是反直觉结论：扩大检索预算会提升时间维度的 Hit@K 与 Recall@K，却可能降低准确率——多出来的上下文引入了看起来合理但与答案无关的干扰证据。

边界。 结论建立在一个数据集、选择题形式与固定的字幕记忆之上；换成开放式生成、多镜头剪辑视频或实时场景，检索与准确率的关系可能不同。

我的判断。 这是本期最实用的一篇：它把「记忆系统的优化目标」从召回率改成「答案可判别性」，提醒我们 RAG 的评测指标和最终效果并不总同向。

3. OmniDR-Bench：以视频为源的深度研究报告

论文：Beyond Watching and Searching · HF Papers · 提交于 2026-10-22

问题。 深度研究智能体已能把网页证据综合成长报告，但没有基准考察「以一段视频为起点」的研究：找出研究问题、检索外部多模态证据、产出能定位到具体视频时刻的交互式报告。

方法亮点。 作者定义 Video-Centered Deep Research Report Generation 任务，给出基于技能的 workflow 与 OmniDR-Bench，并提出 Omni Atomic Rubric Trees（Omni-ARTs）作为评测：每棵树含三个维度、23 个共享方向与任务特定的原子二值判据，覆盖视听落地、多模态证据使用与交互呈现；判据构建经独立取证、自动检查、行为校准与多轮人工复核。

证据。 基准包含 19 个真实场景子类下的 50 个中英文任务、6414 条判据；在 18 种智能体配置中，最佳系统得分 63.3/100。摘要指出现有智能体的短板是内容覆盖不足、跨模态因果与逻辑分析偏弱、引用支持不够准确。

边界。 判据由人设计，评分口径会带入作者对「好报告」的偏好；50 个任务的规模适合比较系统，不足以支撑细分结论的强统计推断。

我的判断。 它把「视频理解」从回答问题推向「写出可核查的报告并指回证据」，评测形态值得关注，但 63.3 分更像是一个开放的起点而非结论。

4. 长文档视觉问答的任务视角综述

论文：A Task-Centric Survey of Long-Document VQA · HF Papers · 提交于 2026-10-22

问题。 富视觉文档理解的研究增长很快，但已有综述多按架构与技术路线组织，较少回答「任务瓶颈如何决定了技术选择」。

方法亮点。 作者把长文档 VQA 拆成四个部件——文档解析、证据组织与检索、生成器组织与学习、评测——对每一部分给出细分分类，并追踪动机、技术回应与跨部件依赖；重点放在显式检索，同时覆盖直接阅读式方法。

证据。 时间线分析给出研究重心的迁移：从多模态内容理解，走向高保真的充分证据获取，再到持续的证据管理。作者据此提出三条方向：证据充分性、可验证与可纠正的理解、预算感知的协同。

边界。 这是综述而非实验，分类框架本身是作者视角；对工业界最关心的成本—准确率曲线，摘要未给统一口径的横向数据。

我的判断。 若你在做文档 RAG，这篇给出的四段式拆解比技术清单更好用——它能帮你定位瓶颈到底在解析、检索还是生成。

5. CellTrack-Bench：让 VLM 与专用追踪器正面对比

论文：CellTrack-Bench · HF Papers · 提交于 2026-10-22

问题。 模型被推向蛋白质结构、生物图像这类高度专业的问题，但它们的通用能力在细胞追踪这种需要时空感知的任务上，相对专用算法究竟如何，缺少统一评测。

方法亮点。 作者构建 CellTrack-Bench：取自 15 个标准细胞追踪数据集、覆盖四种成像模态，共 1537 个问题、9041 个细胞关联判断；并通过「多个不同算法追踪器共同失败的样本」筛出更难、更需要推理的子集，同时比较不同 harness 设置，评测 9 个前沿闭源模型与 13 个开放权重模型并分析失败模式。

证据。 摘要给出上述数据规模与模型覆盖，并说明代码、模型输出与可重建基准的流水线已开源（royerlab/celltrack-bench）。

边界。 摘要没有给出具体的对比分数，因此不能据此判断 VLM 是否已超过专用追踪器；单一生物任务域，也不宜外推为「VLM 具备科学推理」。

我的判断。 「用多个算法共同失败的样本定义难度」是个聪明的构造方式，这类跨领域硬基准比再刷一个通用 VQA 榜单更能暴露真实短板。

今日阅读线索

五篇指向同一个问题：视觉模型缺的往往不是「看」，而是证据的管理方式。HiSTEVE 需要判断子任务是否真的完成，QAEgo4D 那篇说明检索到的证据越多反而越容易误导，OmniDR-Bench 要求报告能指回具体时刻，文档综述把证据充分性列为首要方向，CellTrack-Bench 则用不同算法的共同失败点筛出真正需要推理的样本。如果只读一篇，建议读 QAEgo4D 那篇——它用一条清晰的对照实验，说明了「召回率提升」与「答对」之间可以背离。