本期选五篇方向互补的新论文：输入预算、拒答校准、视频状态、家务机器人与评测泄漏。共同问题是：省算、少答或分数提高之后，究竟保住了哪些真实能力？

时间与阅读边界。 五篇首次提交均为 2026-11-10 UTC，处于本次抓取前约三天内。通过 arXiv 分类与多模态关键词倒序检索，再以 id_list 读取完整摘要，所读均为 v1，摘要未见撤稿声明。以下仅为摘要级分析，未阅读全文或独立复现；实验数字均为作者报告。HF Papers 仅作资源入口，不保证已有收录、解读或可下载代码。

1. C²-Routing：裁局部还是缩全图，取决于问题

论文：C²-Routing: Complementary Cropping and Compression for Efficient Vision-Language Inference｜资源：HF Papers

首次提交：2026-11-10 18:32:28 UTC。

问题。 给视觉 token 设上限能省计算，却可能丢掉答案所需的信息。局部小目标与分散的全局证据，不适合用同一种缩减策略。

方法亮点。 根据图像与问题，在裁剪和整图压缩之间自适应选择；另用安全门预测原始与缩减输入下的联合正确性，决定是否回退。裁剪保细节，压缩保上下文，但两者都不是天然安全。

证据。 作者在三个 VLM、18 个数据集上评估，并与同样限制为 1,024 个视觉 token 的整图基线比较：平均进一步减少 36.53% 端到端 FLOPs、42.36% 视觉 token，平均相对任务分数下降 0.77%。训练与评估使用 RTX 3090。

边界。 0.77% 是相对任务分数变化，不是准确率下降 0.77 个百分点；FLOPs 节省也不等于费用或延迟按同一比例降低。路由与安全门的训练成本、回退频率和跨模型迁移仍需查正文，不能把输入处理方案称为完全免训练。

我的判断。 最值得看的是安全门失败时漏掉什么证据，以及同等总延迟下是否仍有收益。平均省算之外，应单列文字密集、细小目标和多区域问题的损失。

2. ReFrain：提高拒答率，不应悄悄丢掉原本答对的题

论文：Multimodal Abstention That Preserves Acquired Correct Answers｜资源：HF Papers｜作者所列代码

首次提交：2026-11-10 16:41:49 UTC。

问题。 给任务适配后的多模态模型补拒答能力，可能连原本正确、甚至刚学会的答案也一并拒绝。只看拒答率会隐藏能力回退。

方法亮点。 在首 token logits 上训练线性探针，按留出图像簇校准阈值，再以确定性否决将被拒输出替换为题面中的「以上皆非」，其余回答保持不变。优化目标是在新增正确答案损失预算下，改善不可回答问题的拒答。

证据。 作者在 Qwen2.5-VL-3B 上报告：零预算设置保留全部 57 个 SFT 新增正确答案、无损失，正确拒答提高 7.30 个百分点。模型与阈值冻结后，在 228 个独立问题簇上的确认实验中，0.5% 预算对应设置达到 66.05% 正确拒答，未观察到正确答案损失。

边界。 「无回退」在零预算目标下指校准集上的零损失，不是对所有未来输入的保证。方法依赖 logits 和明确的「以上皆非」选项，不能直接套用于任意黑盒 API 或开放式回答。确认实验中的零损失同样只是样本内观测。

我的判断。 应把拒答修复、新增误拒和保留的适配收益分别汇报，而不是只提高一个安全分数。校准单元为何按图像簇划分，也值得优先阅读。

3. LASER：用下一步可能的变化，指导当前该看什么

论文：Looking One Step Ahead: An Anticipation-guided Agent for Object State Readout in Videos｜资源：HF Papers

首次提交：2026-11-10 14:05:39 UTC。

问题。 视频描述即使很详细，也可能没有记录区分物体前后状态的关键属性，导致「说得多」却无法追踪活动进程。

方法亮点。 LASER 将预期的下一步变化转换为针对当前帧的视觉问题，再用后续帧的独立观察核查状态与预测，逐步修订状态记录。可复用的文字观察技能通过参考描述中的差异定位并修订；候选修改在独立视频上选择，评估期间技能固定，模型参数始终冻结。

证据。 作者称，在 OSCaR 与 PLM RCap 上，相比强基线及已有方法有一致改善。摘要没有给出具体分数或提升比例，本期不补写。

边界。 参数冻结不代表系统无需适配：观察技能仍借助参考描述修订。方法还会使用后续帧核查，因此不能直接视为严格因果、零等待的在线跟踪器。额外提问与核查的调用成本，摘要未量化。

我的判断。 适合关注「预期指导观察，但不替代观察」的设计。读正文时应检查错误预期会不会诱导后续确认偏差，以及状态记录如何处理无法确定的变化。

4. BEHAVIOR 家务策略：共享 VLA 与工具代理的互补

论文：One Policy for 100 Household Tasks: Our Solution for the 2026 BEHAVIOR Challenge｜资源：HF Papers｜作者所列项目｜模型

首次提交：2026-11-10 18:06:16 UTC。

问题。 长时程家务任务要求共享策略在多个技能与阶段间连续运行，单任务成功不代表整项家务完成。

方法亮点。 以基于 π₀.₅ 的单一 VLA 检查点覆盖 100 项任务，通过更长训练、任务与阶段嵌入及多样本流匹配降低训练噪声；另将部分任务路由给经观察和运动工具控制机器人的编码代理，并保留评估溯源和可恢复模拟器状态。

证据。 作者报告，共享策略在全部任务上取得 0.392 的 Q 分数；14 项路由任务中，GPT-6 Astra 代理的平均 Q 为 0.639，对照学习策略为 0.108。公开提交仅纳入部分代理结果，最终为 0.446 Q、27.3% 完整任务成功率。

边界。 实验在 OmniGibson 模拟器中进行，不是实机部署证明。Q 分数不能当成完整任务成功率；14 项任务上的差距也不代表全部任务。代理每个 episode 从训练实例练习会话的冻结副本出发，比较时需计入这一准备条件。摘要还明确部分采样选择缺少消融。

我的判断。 真正的线索是「在哪些任务调用哪种控制器」，而非模型名称。应进一步核对路由选择、练习预算和评估实例隔离，避免把额外准备收益全部归给通用代理能力。

5. 医学分割提示泄漏：文字增益可能来自答案本身

论文：Counterfactual Analysis of Extent Leakage from Annotation-Derived Prompts in Vision-Language Medical Image Segmentation｜资源：HF Papers

首次提交：2026-11-10 12:07:24 UTC。

问题。 用评分所依据的病灶掩码生成大小、数量和位置提示，再把提示交给模型，可能将标签信息提前泄漏进输入，夸大图文理解收益。

方法亮点。 对两个已发表模型做提示反事实与重训练，拆分尺寸、肺区、诊断和其他词汇的贡献；并比较不用测试掩码、从图像估计范围的替代方案。

证据。 作者称，在结肠镜与胸片设置中，只保留大小词或肺区短语，就能恢复相对空提示增益的 84%–98%；删除这些信息会损失 52%–77% 的增益。不使用测试掩码时，其测试的最佳范围估计方法在结肠镜上取得 74.59 Dice，论文所对照的已发表结果为 77.23。

边界。 百分比描述的是提示带来的增益份额，不是模型总准确率。研究针对特定模型和基准，不能推导为所有医学 VLM 都依靠泄漏，也不构成临床有效性结论。

我的判断。 这是本期最应先读的评测警报：先追问文字从哪里来，再解释文字为什么有用。任何使用标注派生输入的基准，都值得建立不接触测试标签的平行评估。

今日阅读线索

先读 医学分割泄漏，确定增益是否真实；再读 C²-Routing 与 ReFrain，看省算和拒答有没有损害已有能力。随后读 LASER，理解证据如何沿时间核查；最后读 BEHAVIOR 方案，观察共享策略与工具代理在闭环任务中的分工。

本期最值得带走的不是某个最高分，而是三个验收问题：输入有没有偷看标签，优化有没有丢掉正确答案，系统的额外准备与调用成本有没有算清楚。