本期选择五篇首次提交于 11 月 5 日、处于近三天窗口内且未在本站此前速递介绍的工作，覆盖机器人推理、紧凑策略、医学分层对齐、角色条件表征和古籍识别。本次相关检索返回的最新条目仍为 11 月 5 日，不能据此断言整个 arXiv 没有更晚论文；本期继续筛选该批次，不将它们写成今天首次发布。

阅读边界。 先按相关分类和 vision-language、multimodal、VLA 关键词倒序检索，再用 id_list 获取五篇完整摘要，均为 v1，所读摘要未见撤稿声明。以下属于摘要级分析，未读全文或独立复现；实验数字全部归因作者。HF Papers 只是资源入口，不保证已有社区解读；作者提供的代码链接不代表本站已安装验证。

1. T3R：先剪掉无关视觉区域，再调整保留信息的注意力

论文：T3R: Training-Free Two-Stage Token Refinement Towards Efficient and Robust VLA Models｜资源：HF Papers

首次提交：2026-11-05 18:17:29 UTC。

问题。 多摄像头 VLA 不仅处理大量视觉 token，也可能被背景分散注意力。空间冗余和注意力错配是两个不同问题，单纯裁剪未必同时解决。

方法亮点。 T3R 采用免训练的两阶段处理：先以分割引导裁剪不相关图像块，再以显著性引导注意力偏置，强调动作关键区域和语言指令。它修改输入与注意力分配，而不是重新训练整个主干。

证据。 作者报告，在 LIBERO-Spatial 上移除 85% 的场景摄像头视觉 token，成功率基本保持；在分布外物体位置扰动下，成功率最多提高 7 个百分点。摘要还单列裁剪与注意力偏置的每次调用开销为 7.8 毫秒；高分辨率下语言模型前向分析最多加速 3.3 倍。

边界。 3.3 倍是主干前向环节，不是端到端控制速度；分割、显著性生成、数据搬运与机器人执行的总成本仍需核查。裁剪可能误删小目标或遮挡线索，免训练也不等于没有额外组件和算力成本。

我的判断。 复现应同时报告全流水线延迟与关键区域漏保留率，而不只展示 token 减少量。它更适合作为「保留足够动作证据」的假设检验，而不是通用视觉压缩结论。

2. La-JEPA：控制策略是否必须继承大生成模型

论文：La-JEPA: Compact Robot Policies with Latent World Modeling｜资源：HF Papers｜作者所列代码

首次提交：2026-11-05 15:16:38 UTC。

问题。 世界动作模型常继承视频生成器，VLA 常继承视觉语言主干。生成导向的结构和推理成本，是否真是控制所必需？

方法亮点。 La-JEPA 在预训练 V-JEPA 2.1 编码器的特征空间中，从头训练紧凑策略 Transformer；训练时联合预测未来特征与动作，推理时只生成动作。它不属于传统直接继承 VLM 的策略，放在本期是为了给 VLA 路线提供对照。

证据。 按作者摘要，在没有具身预训练的策略组中，该方法在 RoboTwin 2.0 及使用正确指令的 LIBERO-Plus 上表现领先，并称其在相近性能下比 Fast-WAM 更快。四项真实机器人任务上的平均成功表现与 pi0.5 相当。摘要没有给出具体倍速或成功率，本期不补写数字。

边界。 从头训练的是策略，并非视觉表征完全没有预训练。作者还称修正了 LIBERO-Plus 评估器对多数变体指令的破坏并重测基线；这是影响公平比较的重要前提，需要核查修复内容和各基线配置。

我的判断。 先检查评估指令，再比较模型大小。真正值得阅读的是：训练时的未来预测为何能改善只输出动作的推理策略，以及这种收益是否依赖特定编码器和任务分布。

3. MedHiVE：按解剖尺度组织图像与文本的共同路由

论文：Multimodal Hierarchical Mixture-of-Experts for 3D Medical Vision-Language Modeling｜资源：HF Papers｜作者所列代码

首次提交：2026-11-05 15:40:31 UTC。

问题。 三维扫描和报告具有局部器官到全局扫描的层级结构；静态汇聚可能丢掉诊断相关区域与文本的细粒度对应。

方法亮点。 MedHiVE 将视觉和文本 token 一起送入两级软混合专家网络：局部路由后再由全局专家融合，同时在解剖级与全局级进行对比对齐。重点是跨模态的动态层级信息流，而非只给视觉编码器增加专家。

证据。 作者称，使用超过 25,000 例带解剖监督的 CT 扫描预训练，在六个数据集、分割分类检测三类任务上优于所比较的 11 种方法。摘要没有逐项指标、显著性或提升幅度，因此这里只保留其比较范围与方向。

边界。 这些结果不能外推为临床诊断有效性，更不能把报告衍生的解剖监督当成零标注训练。跨医院、扫描协议和报告表达的泛化，以及训练与评测患者是否严格隔离，需要正文验证。

我的判断。 值得优先查看移除层级路由、移除解剖对齐的消融，判断收益究竟来自架构还是更强监督。与 T3R 的共同问题是「哪些视觉证据应被保留」，但二者的任务和成本不可直接横比。

4. 角色条件表征：隐藏状态变了，回答未必随之改变

论文：The Geometry of Simulated Perspectives: Dissociating Representation and Behaviour in a Multimodal Language Model｜资源：HF Papers｜作者所列代码

首次提交：2026-11-05 16:36:49 UTC。

问题。 给多模态模型指定不同观察者或角色，会改变内部表征；但这种改变是否能解释最终视觉判断？

方法亮点。 研究以 Qwen3-VL-8B-Instruct 的图像趣味性判断为任务，分别变化角色内容与引入角色的语言框架，同时记录行为评分和各层隐藏状态，区分表征差异与行为相关性。

证据。 作者在 100 张图像、53 种提示条件上发现：早层更多编码图像身份，角色相关结构在较深层出现。提示框架对内部表征的影响强于角色身份，而角色内容对行为判断影响更大；某些最小身份声明改变表征却不改变回答。

边界。 这是一项特定模型和主观视觉判断任务上的研究，不能外推为所有角色提示无效，也不能把相关结构当作角色意识或稳定人格的证据。摘要不提供因果干预结果，不能仅凭几何距离声称控制了行为。

我的判断。 对可解释性分析，这是必要提醒：探针看见差异，不等于差异对输出有用。若要把表征指标用于系统验收，应补充真实行为对照和因果干预，而不是只看嵌入空间图。

5. ATHAAR：科学阿拉伯语古籍需要自己的标注标准

论文：ATHAAR: A Medieval Scientific Arabic Manuscript Dataset for Handwritten Text Recognition｜资源：HF Papers

首次提交：2026-11-05 14:36:16 UTC。

问题。 中世纪阿拉伯语科学手稿包含连写、变化的附加符号与数字，现有 VLM 还面对训练数据不足。现代印刷文档上的识别能力不能直接代表历史手稿转录能力。

方法亮点。 作者以文本校勘方法为基础制定转录标注指南，再按指南人工构建 ATHAAR，覆盖同一文本的不同传本、书法风格及文字和数字内容，并设计跨书写风格、章节与著作的迁移实验。

证据。 摘要报告现有 VLM 在这些古代科学文本的特殊性面前仍有局限，但没有给出数据规模、字符错误率或具体模型排名。本期不据此虚构性能差距。

边界。 转录规范本身会决定何为正确答案；模糊字形、数字和附加符号如何处理，需要查看标注指南。只按图像随机划分还可能低估同一文本不同传本之间的关联，实际拆分协议仍须核实。

我的判断。 优先读标注规则和跨著作划分，而不是只找排行榜。对于古籍，「文字看起来合理」比明显乱码更危险，最好保留图像位置、转录依据与不确定标记，避免语言先验替代视觉证据。

今日阅读线索

先对照 T3R 与 La-JEPA：前者在既有 VLA 中减少无关计算，后者追问是否需要继承生成型策略主干。再读 MedHiVE，看专业结构如何决定信息路由。最后用 角色条件表征与 ATHAAR 做反向检查：内部表示的变化未必改变行为，流畅的文本输出也未必忠实于图像。

本期的阅读判断是：模型精简是否有效，要看留下的信息能否支撑目标任务；对齐是否成功，要看行为和证据，而不只看表示或语言流畅度。 五篇工作的领域、监督条件和指标不同，不构成可以直接相互排名的统一榜单。