本期选择最近约三天内提交的五篇论文，覆盖实体身份、任务核验、多轮视频记忆、理解与生成互促，以及异常检测。五篇首次提交日期均为 2026-10-29（UTC），本次未在此前速递中检出对应编号。

来源边界：先按提交日期倒序检索，再通过 arXiv id_list 获取完整摘要。下文基于明确标注的 v1 摘要，不冒充全文审读；实验数字与比较结论均为作者报告，本站未独立复现。HF Papers 仅作资源入口，不保证有附加解读或代码。

1. PhysCount：镜子里多出来的影像，不等于多出来的物体

论文：PhysCount: Do MLLMs Count Visual Appearances or Physical Entities?｜资源：HF Papers

首次提交：2026-10-29 17:33:34 UTC。

问题。 同一个实体可以直接出现，也可以通过镜面反射或玻璃被多次看到。数出图中的可见外观，与判断场景中实际存在多少物体，是两个不同任务。

方法亮点。 PhysCount 为目标的可见外观标注位置、观察方式和实体对应关系，以外观枚举、实体枚举、成像方式相关计数及外观—实体对应四类问题，检查模型是否保持一致的身份判断；除单题正确率，还看同组问题能否全部答对。

证据。 作者报告数据集含 546 张真实图像、4,595 道人工编写问题，组成 651 个目标相关问题组，评估了 40 个多模态模型。最强模型也只在 13.36% 的组中全部答对。作者还发现，提高分辨率对整组正确率帮助有限，而联合回答相关问题能明显改善表现。

边界。 13.36% 是整组全对比例，不是普通单题准确率。该结果不能直接推广到所有视觉计数场景；联合答题也可能改变上下文和推理预算，仍需看等预算对照。

我的判断。 这篇最有价值的不是增加一道难题，而是把「看见几次」与「实际几个」分开标注。做库存、监控或机器人场景理解时，应把实体身份一致性单列为验收项，而不是只测检测框数量。

2. VeriCUA：判断任务完成，需要主动寻找遗漏证据

论文：VeriCUA: Verification as Agentic Exploration for Computer-Using Agents｜资源：HF Papers

首次提交：2026-10-29 17:45:26 UTC。作者将当前版本标注为进行中的工作。

问题。 只看操作轨迹的 VLM 裁判，受限于给定截图；只运行状态检查程序，又受限于可访问的内部数据。两者都可能遗漏决定性的证据，让「已完成」缺乏支撑。

方法亮点。 VeriCUA 把核验做成动态探索：先根据已有上下文构建任务判定准则，再对尚未解决的要求选择 GUI 检查或代码检查，并按显式证据规则合并发现。框架同时面向跨平台的在线与离线设置，而不是为每个平台单独设计裁判。

证据。 摘要称，相比所比较的基线，该方法与参考标签的一致性更高；离线难例收益最大，在线更善于拒绝错误完成声明。摘要没有具体增幅、成本或调用次数，本文不补写。

边界。 主动核验的收益可能伴随额外时延与权限需求，参考标签本身也需要审查。在真实系统中，核验动作是否只读、是否可能改变待检查状态，同样属于工程安全要求，不是摘要已经证明解决的问题。

我的判断。 对工具型智能体，这是比「再让模型看一遍截图」更合理的方向：对未满足的条件逐项补证。最值得读全文核对的是证据冲突如何处理，以及找不到证据时是否允许明确判为未知。

3. VideoMemBench：记得看过什么，也要记得自己说过什么

论文：VideoMemBench: How Well Do MLLMs Remember in Video Conversations?｜资源：HF Papers

首次提交：2026-10-29 14:22:51 UTC。

问题。 能处理长视频，不代表能维持长对话。若每一道问题都可仅凭视频独立回答，就没有测到模型能否利用此前谈到的片段，以及自己先前的回答。

方法亮点。 基准区分情节依赖与回答依赖，分别回指此前描述的视觉片段和模型自己的回答。构造流程检查依赖的必要性与非泄漏性：问题必须需要历史轮次，又不能把历史信息重新写进当前问题；使用规划、生成和评判三种 LLM 角色，并由专家审核对话。

证据。 作者报告包含 326 段视频、2,476 轮对话，其中 1,387 轮依赖此前轮次。在超过 20 个开闭源模型的评估中，Claude Opus 5 的总分最高，为 45.7%。这是该基准协议下的作者结果，不是所有视频能力的通用排名。

边界。 模型自己的错误回答可能成为后续条件；需要区分忠实回忆与对事实的纠错。摘要没有展开评分容错、完整模型配置与上下文预算，不能只凭总分推断记忆机制优劣。

我的判断。 产品测试应同时覆盖「视频里发生过什么」和「我们刚刚讨论过什么」。若只增加视频帧数，却不设计历史信息的引用、更新和纠错，长上下文很可能仍只是一个更大的输入容器。

4. SelfThinker：训练时生成辅助图，推理时不必继续画

论文：SelfThinker: Self-Evolving Reasoning via Reliability-Verified Intrinsic Visual Thoughts｜资源：HF Papers｜作者代码入口

首次提交：2026-10-29 14:14:16 UTC。

问题。 视觉思维链若依赖人工辅助图，数据制作成本较高；若推理时逐步生成图像，又会拖慢回答。统一理解与生成模型能否把自己生成的图转化成训练监督？

方法亮点。 模型生成候选辅助图，以冻结的理解路径和条件逐点互信息评估其效用；高效用视觉思考一方面通过流匹配改进生成器，另一方面作为特权教师上下文进行在策略自蒸馏。推理时直接对原始图像做文字推理，不生成中间图。

证据。 作者报告，仅在小型合成视觉搜索与导航数据上训练后，ThinkMorph-7B 在七个基准上的平均分由 52.7 提高到 64.0。摘要另有受控扰动测试的最大提升，但这里不将局部最大值当作总体收益。

边界。 自己生成、自己筛选的闭环也可能保留原模型偏差；互信息评分并不天然等同于正确视觉证据。训练阶段仍有生成与筛选开销，推理不生成图也不等于整套方法零额外成本。

我的判断。 值得关注的是把昂贵视觉中间过程压入训练，而不是「模型自己教自己」的宣传概括。阅读重点应是筛选有效性的消融，以及固定训练预算后，收益究竟来自辅助图、筛选还是蒸馏。

5. RADIOlogy：免训练异常检测，先挖视觉表征本身

论文：RADIOlogy: A Single-Pass Approach to Training-Free Zero-Shot Anomaly Detection｜资源：HF Papers｜作者代码入口

首次提交：2026-10-29 17:45:35 UTC。arXiv 元数据标注已被 WACV 2027 接收。

问题。 零样本异常定位常借助提示学习或密集滑窗，前者可能依赖辅助分割标注，后者计算昂贵。标准 CLIP 的全局表征与空间池化，也可能遗漏小范围异常。

方法亮点。 作者利用视觉语言模型多头注意力池化所呈现的异常定位能力，以视觉特征对正常、异常提示集合的平均相似度做对比评分，构建无需密集窗口执行的单次前向方案；再利用 RADIO 聚合特征进行像素级异常细化，并探索以少量修改迁移到医疗领域。

证据。 作者摘要称，该方法显著优于其他免训练基线，并能用于医疗异常检测；没有提供具体分数、速度、显存或医疗数据集规模，因此不宣称某项指标达到特定水平。

边界。 「免训练」指该任务适配方案，并不表示底座没有经过预训练。单次前向也不等于完整细化流程没有额外计算；医疗迁移更不能直接解释为临床诊断能力。

我的判断。 在引入复杂提示优化前，这是一条值得建立的低成本基线。应优先核对小异常、域外数据和提示变化下的稳定性，再比较包含细化步骤的完整推理耗时。

今日阅读线索

五篇共同提醒我们：模型看到的信息、实际利用的证据，以及最终宣称完成的事情，必须分别验证。 PhysCount 检查视觉出现与物理实体是否混淆，VideoMemBench 检查长输入是否真的转成跨轮记忆，VeriCUA 则把证据不足变成主动检查的任务。

若只读两篇，先读 PhysCount 与 VeriCUA：前者帮助设计更不容易被表面正确率掩盖的评测，后者帮助把验收条件变成可执行核验。做模型训练再接 SelfThinker，做工业或医疗视觉原型则接 RADIOlogy；不要把生成更丰富的中间内容，与得到更可靠的最终结论混为一谈。