截至本次抓取（10 月 25 日早），arXiv API 按 submittedDate 倒序可检索到的最新公告批次仍是 2026-10-22，10 月 23—24 日没有出现新公告批次，与 #048 的记录一致。本期从该批次另取五篇 #047、#048 未涉及、方向互补的论文：一篇以世界模型统一视频理解与生成的综述、一篇把长图像描述按位置拆开诊断的工作、一份视网膜 OCT 的视觉定位基准、一种基于秩变换的跨模态表征对齐方法、一个用于程序性视频错误识别的语言接地框架。所有数字均来自摘要并归因于作者。
1. 用视频读写与交互世界：给理解与生成一个共同坐标
论文：arXiv 2610.31668 ｜ 资源：HF Papers
问题。 视频基础模型在理解与生成两条线上进展都很快，视频世界模型则在刻画视频所描绘世界的动态。两者目标不同，但都涉及「视频观测」与「演化中的世界」之间的关系，此前缺少统一的组织方式。
方法亮点。 这篇综述选择世界建模作为统一透镜：把一段观测到的视频视为潜在时间世界的「部分、有损、按时间排序的投影」，再围绕四种互补操作组织文献——reading（从观测视频推断世界属性）、writing（按指定或学到的世界条件合成视频）、sharing（让理解与生成共享建模机制）、interacting（在动作与不断更新的观测下预测并更新世界状态）。这个切分的关键区分是：序列的时间连贯性，不等于底层世界状态的一致性。
证据。 综述本身不提供实验数字。作者归纳的趋势是，评测重心正从「片段级识别与感知保真」转向「持久状态、可控演化、物理与因果有效性，以及以交互和下游决策为基础的评测」。
边界。 「四种操作」是作者选择的一种切法，实际论文往往跨两类；世界状态一致性目前没有公认度量，所以「转向」更多是方向判断而非既成事实。
我的判断。 如果你在设计长视频评测，这篇最有用的一句话是上面那个区分。现有多数长视频基准实际测的是时序连贯（人物是否前后一致、事件是否连续），而世界一致性要求的是「即使镜头没拍到，状态也不能凭空改变」，后者更难也更接近真实使用。
2. 长描述在哪里失效：位置感知诊断与 PAGER
论文：arXiv 2610.31111 ｜ 资源：HF Papers
问题。 详细图像描述通常被当作「量」的问题处理：应当提到更多视觉事实、同时避免幻觉。但自回归 VLM 是按顺序生成文本的，越靠后的片段可能在越弱、越嘈杂的视觉接地下产出——也就是说，失败可能不是均匀分布的。
方法亮点。 作者提出位置感知的评分表：把密集的人类参考描述拆成原子视觉断言，逐条核验生成文本，再按四分位统计「有支撑 / 幻觉 / 泛泛而谈」三类内容的构成。诊断结果区分出两种性质不同的失败——中段倾向产出无支撑的具体化（说得更细，但细错了），末段则滑向含糊、非证据性的语言（不再堆幻觉，而是放弃具体）。同一参考下的人类对照组没有出现这两种模式。基于这个诊断，作者提出 PAGER：一个 GRPO 训练目标，对「中段的细粒度证据」「带证据的尾部延续」「断言覆盖」「内容感知的长度控制」分别给信号，形成「同一套断言表示既定位失败、又提供修复奖励」的闭环。
证据。 在详细描述基准上，PAGER 提升了逐位置的接地表现与成对描述偏好，同时保持有竞争力的整体描述质量（作者口径，摘要未给具体数值）。
边界。 结论依赖原子断言的拆分质量与人类审计；四分位是人为切分，换成分位数或按句切分结论是否稳定，摘要未说明；实验未跨模型规模做系统比较。
我的判断。 这是把「幻觉」从二值标签改成位置分布的一步，工程价值直接：诊断流程可以原样搬到任何 dense caption 或 grounding 评测里，先看失败集中在哪，再决定训不训。风险是它把评估成本推高了——原子断言核验本身就是一件需要人工抽检的活。
3. RetinaGroundBench：会答不等于能指
论文：arXiv 2610.31205 ｜ 资源：HF Papers
问题。 多模态大模型能就视网膜 OCT 影像回答临床问题，但可信使用要求视觉接地：模型应当指出它所报告的病变位置，而不是靠虚假的捷径。MLLM 能否在 OCT 上做到这一点，此前基本没有系统答案。
方法亮点。 作者构建了 RetinaGroundBench，按他们的说法是首个面向视网膜 OCT 生物标志物视觉接地的基准：815 张 B-scan，由眼科医生逐张标注，共 4,537 个边界框，覆盖 13 种生物标志物、8 种疾病。考虑到 MLLM 常把一个病灶拆成多个局部预测，他们提出 AggIoU，用重叠预测框的并集是否覆盖标注区域来评分。在此基础上另训了 RetGrounder，把接地与文本信息结合做 OCT 专用微调。
证据。 在 27 个开源 MLLM（0.8B—38B）中，最好的通用模型 macro F1 仅 23.7%，且召回普遍偏低，而同一批模型在「标志物是否存在」这类判断题上平衡准确率可达 73%。8B 的 RetGrounder 把接地 F1 提到 33.9%，相对提升 43%。
边界。 单一影像模态、单中心标注、815 张图的规模，跨设备与跨人种的泛化未验证；33.9% 的 F1 距离临床可用仍很远。存在性判断与定位用的是不同指标（平衡准确率 vs F1），不能直接相减成「差距 50 点」，但方向上的落差是清楚的。
我的判断。 医学 VLM 论文里少见的诚实基准：它没有宣称模型能做诊断，而是先把「会说」与「看得准」的落差量出来。对做落地的团队，这个落差意味着报告生成类产品必须配可核查的定位输出，否则无法审计。
4. RankAlign：把「数值不可比」换成「顺序可比」
论文：arXiv 2610.31145 ｜ 资源：HF Papers
问题。 Platonic 表征假设认为视觉与语言模型会收敛到兼容的潜在几何，但在没有跨模态监督、没有配对样本的条件下，恢复类级对应仍然困难。已有的关系匹配方法直接比较两个模态内的相似度核，可同一语义结构在不同模态下可能有完全不同的数值参数化。
方法亮点。 RankAlign 在匹配前把每个模态内的相似度核转换成序关系表示（秩变换），对应空间与匹配求解器都不动。这样得到的表示对相似度值的任何严格递增重参数化不变，同时保留匹配所用的序结构。
证据。 作者给出了精确恢复与稳定性保证，分别刻画完全序一致与部分序一致两种情形；在多种冻结视觉/语言编码器与多个数据集上，类级对应恢复更好也更稳，在标签噪声与域偏移下依然成立。
边界。 只处理类级（而非实例级）无配对匹配；序变换丢弃了幅度信息，若两模态的相关强度本身载有信息，这部分被抹掉；实验全部基于冻结编码器，未涉及联合训练。
我的判断。 这类「朴素但可证明」的改进最容易活下来：它不改变训练流程，只是在评测/对齐环节加一层归一化，就能让跨模型表征审计的基线更可靠。做 VLM 表征分析的话值得先复现它，再拿它当对照组。
5. PRISM：把语言当作程序性视频的中间表示
论文：arXiv 2610.31117 ｜ 资源：HF Papers
问题。 程序性错误识别要求从一段符合规范的多步骤活动中找出偏离。这类任务既需要看懂每一步在做什么，也需要理解步骤之间的顺序约束。
方法亮点。 PRISM 设定为「完成后识别」，并以基准提供的步骤边界为前提：先把视频片段接地到语言，再用一个只在正确执行上训练的轻量隐马尔可夫模型把描述映射为程序状态；随后用参考对齐与语义检查识别步骤内容与顺序上的错误。为了跨异构基准评估，作者把各数据集自己的标注统一映射为四种编辑型错误：插入、删除、替换、换位；并系统比较了人工标注描述与 VLM 生成描述在原文、语义角色、动作-宾语三种形式下的表现。
证据。 训练过的局部解码器相对「最近候选匹配」在三个基准上给出一致增益，序列解码带来数据集相关的额外收益；语义角色标注在六组匹配的接地比较中全部提升了 Any-F1。
边界。 依赖基准给出的步骤边界，端到端场景下还需先做分割；把错误映射成四种编辑类型会抹平数据集之间的差异；作者自己指出增益并不稳定——在不同配置选择策略下并不总是成立。
我的判断。 「语言接地作为可解释接口」这条路在程序性任务上站得住，成本也低（一个 HMM 加语义角色标注）。但它和数据集耦合得很紧，换到真实工业流程里，步骤边界和「正确执行」的定义本身就要先被定义清楚。
今日阅读线索
五篇串起来是从表征到证据的一条链：视频综述把评测目标从感知保真推向世界一致性；RankAlign 给跨模态对应一个可证明的稳定解；长描述的诊断说明失败有位置结构而不是随机噪声；OCT 基准把「会答不会指」量化出来；PRISM 则示范了把语言当中间表示做可解释的错误定位。若要挑一条最容易复用的，是 PAGER 的位置评分表——它几乎可以直接搬进任何 dense caption 或 grounding 评测，先回答「错在哪里」，再决定要不要训练。