本期选择五篇此前速递未覆盖的论文，连接全景视频、历史证据、生成推理、推理分割与多模态安全。共同问题不是「多想几步是否更强」，而是模型究竟依据了哪些视觉信息、思考应该发生在哪里，以及额外推理何时反而有害。

日期与阅读边界。 北京时间 11 月 3 日清晨，按视觉语言、多模态与视频理解关键词在 cs.CV、cs.CL、cs.AI 中倒序检索，最新返回结果仍是 10 月 30 日。对 10 月 31 日至 11 月 2 日另加提交日期条件的查询未返回条目；这只说明本次查询可见结果，不代表整个 arXiv 没有新论文。因周末后的可见批次限制，本期明确放宽「约三天」窗口，选取首次提交于 10 月 30 日的最新可见相关工作，不冒充当天新提交。

五篇均通过 arXiv id_list 读取完整摘要，以 v1 为依据；摘要未见撤稿声明。本文不是全文审读或独立复现，数字均归因作者。HF Papers 链接仅作资源入口，不保证另有代码或解读。

1. Think in 360°：全景视频要连起方向与时间

论文：Think in 360°: Benchmarking and Bootstrapping Panoramic Video Reasoning｜资源：HF Papers

首次提交：2026-10-30 17:35:02 UTC。

问题。 全景视频中的关键证据可能分散在不同方向和时刻。模型看到了某个视角，不代表能够跨视角追踪并整合完整事件。

方法亮点。 作者构建人工标注的 PanoVideoBench，并把经验证的全景观察及成功的智能体探索转成 PanoVideoCoT。PanoVideoReasoner 先接受全景思维链监督，再通过证据特权的在策略自蒸馏学习：教师读取已验证的透视视图，指导学生自己产生的推理轨迹。

证据。 摘要报告基准包含 1,000 道问题，覆盖五类、15 种题型，评估了 11 个模型；训练数据包含 13,465 组问答与思维链。作者报告 PanoVideoReasoner 得分 55.7%，较基础模型高 12.5 个百分点，较此前最佳结果高 2.6 个百分点，增益主要落在空间、跨视角和时间能力。

边界。 教师拥有经验证的证据视图，这是训练条件中的重要信息优势；基准上的提升不能直接外推到任意摄像机、交互探索成本或真实机器人场景。摘要没有给出各模型的完整输入预算与延迟。

我的判断。 优先读跨视角追踪的失败分类及证据合成过程。若模型只是记住常见视角顺序，可能仍无法处理新的相机轨迹；这一点需要全文中的划分与消融来判断。

2. TwinPast：有历史记忆，不等于按历史证据作答

论文：TwinPast: Benchmarking Historical Evidence Use in Streaming Video Understanding with Evidence Contrastive Video Pairs｜资源：HF Papers

首次提交：2026-10-30 16:31:23 UTC。

问题。 现有流式视频基准答对率高，未必能证明模型使用了历史。作者对 OVO-Bench 和 StreamingBench 的抽样复查发现，32% 的历史问题只看近期帧就够；部分题甚至仅靠问题与选项也能答对。

方法亮点。 TwinPast 固定近期视频、问题和有序选项，只改变关键历史及相应正确答案。每段视频独立评估，配对指标 PairAcc 要求两种历史都答对，从而抑制靠近期画面或文本先验猜中单题的捷径。

证据。 作者报告 350 对人工复核视频、五类历史任务和 34 种模型及输入配置。所测最强流式系统达到 49.14% PairAcc，所测通用模型为 66.57%–91.43%。案例中，即使保存了相关证据，模型仍会选错时刻的状态，或与记录的事件顺序矛盾。

边界。 配对正确率不是普通单题准确率，不能直接拿来与别的排行榜比较。摘要中的流式系统与通用模型差距，也不能单独证明是架构、帧数、检索还是预算造成。

我的判断。 这是本期最值得先读的评测工作。做视频记忆系统时，应把「找回了证据」与「按照题目时间指向使用证据」分别验收，而不是只扩充缓存。

3. LARC：把图像生成前的推理搬进连续空间

论文：Latent Reasoning in Continuous Space for Unified Multimodal Models｜资源：HF Papers

首次提交：2026-10-30 17:59:43 UTC。

问题。 统一多模态模型先用离散语言思维链推理、再在连续空间生成图像，两种表示之间可能出现瓶颈，影响细粒度控制与测试时扩展。

方法亮点。 LARC 在连续隐藏状态上推理。课程式监督微调逐步把 token 级推理转为潜在推理，随后以信息增益强化学习进一步优化；摘要称后一个阶段不依赖真实答案监督，不意味着整个训练流程没有监督。

证据。 作者报告多个文生图基准上的质量、提示遵循和组合保真改善，其中 GenEval 比 BAGEL 高 7 个百分点；并报告并行和串行测试时扩展下优于基于 token 的生成策略。

边界。 摘要没有公布完整分数、推理计算预算或训练开销，不能据此宣称更便宜或普遍优于文本推理。GenEval 的七个百分点也不是相对提升百分比。

我的判断。 价值在于让推理表示贴近生成接口，而非简单延长思维链。复现时应固定总计算预算，并检查潜在推理是否牺牲可解释性、失败定位或编辑控制。

4. DA-CoT：用注意力熵决定何时值得多想

论文：Attention Maps Know When to Think: Training-Free Difficulty-Aware Chain-of-Thought for Reasoning Segmentation｜资源：HF Papers

首次提交：2026-10-30 11:56:54 UTC。

问题。 推理分割中，无差别使用思维链可能造成过度思考，让语言推理偏离原本已清楚的视觉定位。

方法亮点。 DA-CoT 是免训练的自适应框架，以注意力图熵作为难度信号：低熵对应较集中且自信的定位，高熵则提示不确定性与潜在推理收益。双向重思机制在初始输出失败时反转是否启用思维链的决定，尝试同时修复想太多与想太少。

证据。 作者摘要称，在推理分割基准上达到领先表现，并提高推理效率；但未提供具体准确率、延迟或加速倍数，本文不补写量化结论。

边界。 注意力熵与真实难度的关系可能依赖模型、层与数据分布；低熵也可能是自信地定位错误。初始失败如何检测及阈值如何选择，需在全文中核对，不能把免训练理解为无需校准。

我的判断。 它与 LARC 构成有用对照：前者问「要不要想」，后者问「在哪里想」。在产品中，按需思考应同时记录省下的计算与门控漏判造成的失败。

5. ERASE：防住媒体中的注入，也要保留任务信息

论文：Erase the Injected Region: Multimodal Prompt-Injection Defense with On-Policy Self-Distillation｜资源：HF Papers

首次提交：2026-10-30 06:15:10 UTC。

问题。 恶意指令可能混在图像、音频或视频的有效内容中。直接拒绝或屏蔽媒体虽能挡攻击，却可能连用户真正需要的信息也丢掉。

方法亮点。 ERASE 用适合各模态的空白内容原位替换注入区域，保留周围媒体，形成教师参考视图。学生读取受攻击输入，在自己的生成轨迹上学习冻结基础模型读取擦除视图时的全分布 token 反馈。

证据。 作者在两种模型规模、图像音频视频实验中报告接近零的观测攻击成功率，并保留接近无防御干净输入的任务效用。具体到 3B 音频模型，受攻击输入准确率为 60.1%，ARGUS 对照为 33.1%，距无防御干净输入水平不超过 0.5 个百分点。

边界。 具体数字属于音频实验，不能挪给图像或视频。接近零的观测攻击成功率不是所有攻击下的安全保证；训练参考需要知道擦除区域，也不等于部署时能自动准确定位任意注入。摘要称代码将在接收后公开，本期不宣称代码已发布。

我的判断。 应把攻击成功率与原任务完成率成对检查，再看未知攻击类型和信息密集区域的表现。真正有用的防御不是一概不看外部内容，而是能利用内容却不服从其中越权指令。

今日阅读线索

先读 TwinPast 与全景视频工作：前者用反事实式配对检验历史是否真被使用，后者研究跨方向、跨时间的证据如何训练。随后对照 LARC 与 DA-CoT，把推理表示、触发条件和计算成本拆开，而不是统称「增强思考」。最后用 ERASE 检查证据链的信任边界：模型看到了信息，不意味着应把其中的指令当作用户意图。

共同的阅读问题是：新增的分数究竟来自更好的证据、更合适的计算，还是额外监督与评价条件？把这些因素分开，才能判断哪部分值得迁移到自己的视觉语言系统。