本期选五篇与上一期不重复的近期论文，连接安全校准、非对称表征、驾驶几何、提示选择与少样本病理。共同问题是：训练目标是否保住了真正需要的信息，改进又是否落在可检验的证据上。

时间与阅读边界。 本次 arXiv 倒序检索返回的最新匹配条目仍为 2026-11-12 UTC；以下五篇首次提交均在截至北京时间 11 月 15 日清晨最近约三天内，不称为 11 月 15 日新提交。已用 id_list 读取完整摘要，所读均为 v1，摘要未见撤稿声明。以下属于摘要级评议，未阅读全文或复现；数字与实验结论均归于作者。HF Papers 链接只作资源入口，不保证已经收录或附有代码。

1. Safety as a Budget：安全约束要经过真正起作用的控制通道

论文：Safety as a Budget: Calibrating the Control Channel of Constrained GRPO for Vision-Language Models｜资源：HF Papers

首次提交：2026-11-12 11:00:14 UTC。

问题。 把有害协助率和过度拒绝率写成预算，再用拉格朗日乘子约束训练，看似比反复调奖励权重更直接。但评分器的均值偏差与组内标准化，可能使预算失去预期控制作用。

方法亮点。 双通道约束 GRPO 将基础奖励的比较与惩罚校准分开：基础奖励保留原始分数；约束估计及惩罚使用由裁判标注训练回答拟合的单调映射；优势计算保留乘子的作用。

证据。 作者在 Qwen3-VL-2B 上报告：对 1,037 条留出对抗提示，有害回答率从标准 GRPO 的 8.9% 降至 4.8%，未校准预算为 7.6%；在 400 条良性问题上，过度拒绝率不超过 2%，MMBench 不变。在未参与训练的 HADES 基准上，有害回答率从 28.9% 降至 12.8%。

边界。 这些是特定模型、评分器及测试协议下的结果，不是部署后的风险上限保证。校准仍依赖标签质量；有限良性集上的低拒绝率，也不能证明所有业务场景没有效用损失。

我的判断。 优先检查作者怎样证明乘子真的进入梯度，而非只看最终风险数字。给目标写上「预算」并不会自动得到可控系统，测量尺度与优化路径必须一起校准。

2. D-JEPA：共享对齐之外，给视觉留下自己的信息空间

论文：Asymmetric Multimodal Learning with Decomposed JEPAs｜资源：HF Papers

首次提交：2026-11-12 11:13:13 UTC。

问题。 图像与问题并不携带相同信息：问题可能只询问局部关系，图像却包含更多细节。若唯一目标是跨模态对齐，任务需要的视觉专有信息与模态协同信息可能被抹掉。

方法亮点。 D-JEPA 将潜表示分成对齐的共享核心与模态私有部分，结合上下文掩码预测及非对称跨子空间独立性约束。作者还在其形式化设置下给出仅对齐目标的信息保留边界。

证据。 摘要报告，仅对齐训练在信息非对称的组合推理基准上出现语义坍缩；D-JEPA 相比仅对齐及对齐加重建基线改善下游准确率，并通过信息审计与私有部分交换干预定位恢复的信息。摘要没有给出准确率数值，本期不补写提升幅度。

边界。 理论结论针对特定目标和假设，不能直接扩展为「所有多模态对齐都无效」。冻结骨干上的信息恢复，也不等于已证明超大规模端到端训练具有相同收益。

我的判断。 值得读的是「私有信息真的被任务使用了吗」这一因果检查。只展示更高的表征相似度，不足以说明模型保留了完成视觉问答所需的细节。

3. 驾驶 VLM 三流训练：训练时补几何，部署时去掉辅助分支

论文：From Foundation VLM to Versatile Driving VLM: A Triplet Incremental Training Approach｜资源：HF Papers

首次提交：2026-11-12 12:39:25 UTC。

问题。 通用 VLM 适应驾驶任务时，究竟需要大改架构，还是主要缺少精确的度量深度？同时，领域训练可能损伤原有开放世界能力。

方法亮点。 自动构造图像、深度、问答三元组；主 VLM 分支学习驾驶任务，辅助深度分支用几何约束引导视觉骨干，冻结的孪生 VLM 则通过 logit 级 KL 蒸馏限制语义漂移。部署时移除辅助深度分支。

证据。 作者称，在覆盖三维感知、驾驶语言推理、端到端规划与通用多模态理解的四个主要基准上，方法超过其比较的驾驶 VLM，并保留通用推理能力。摘要未列具体分数，不能据此推导真实道路事故率或端到端延迟。

边界。 「零推理开销」应理解为移除辅助深度分支后不增加该分支的开销，不是整个系统无成本。训练阶段的深度来源、几何监督质量及真实路况泛化仍需全文核对。

我的判断。 这篇适合与 D-JEPA 对照：一篇防止视觉特有信息被对齐抹平，另一篇主动补入几何信息，再用蒸馏保护已有能力。两者都要求查看能力保留的逐项结果，而不是只看综合分。

4. 验证集选提示：冻结模型也能改善检出，但递归改写未必更好

论文：Validation-Guided Prompt Selection for Differential Morphing Attack Detection｜资源：HF Papers

首次提交：2026-11-12 17:46:31 UTC。

问题。 将可信现场人脸与证件照进行对照时，冻结参数的 VLM 能否只靠选提示，提高对人脸变形攻击的检测？

方法亮点。 第一版生成 50 个候选提示，用优先惩罚漏检、同时计入正常样本误判、响应失败、解析失败及判断不一致的验证损失选出提示；第二版再根据汇总反馈递归修改。

证据。 作者在主体不重叠的 160 对测试样本上报告：选出的第一版提示，攻击分类错误率 MACER 为 19.17%，人工对照提示为 70.00%；观察到的正常样本分类错误率 BSCER 为 0.00%。递归修改没有超过初代最佳验证损失，其报告后代的测试 MACER 为 31.67%。第一版漏掉的 23 次攻击均为基于关键点的变形。

边界。 验证集只有 10 名主体，零观测误报不能外推为现实零误报。第一版仍有明确的攻击类型盲区，单一人工提示也不足以代表所有人工设计基线。

我的判断。 比「自动优化提示有效」更重要的是负结果：多迭代并不保证更好。实际系统应冻结选择协议、使用主体隔离测试，并明确报告剩下哪些攻击没有被解决。

5. 少样本病理适配：平衡准确率提升，尚不是临床有效性

论文：Predicting Ethanol Drinking Status from Nonhuman Primate Liver Histology: A Proof of Concept for Parameter-efficient Fine-tuning in Few-Shot Vision-Language Modeling｜资源：HF Papers｜作者列出的代码仓库

首次提交：2026-11-12 17:02:27 UTC。

问题。 在标注有限的全切片病理图像任务中，参数高效适配能否帮助 VLM 根据非人灵长类肝脏组织判断乙醇饮用状态？

方法亮点。 研究在 MATRR 的一个子集上比较适配器与非 PEFT 配置，并观察视觉、文本路径适配后注意力分布的差异。

证据。 作者报告，其评估的 PEFT 配置平均平衡准确率均高于非 PEFT 基线；在四样本设置中，ABMIL 单独使用为 43.5%，加入适配器后为 78.1%。文本路径适配的注意力更局部，视觉路径更分散；病理学家检查发现不同适配方式关注相近的组织特征。

边界。 这是非人灵长类、特定数据子集上的概念验证，不是人类酒精相关疾病的临床诊断验证。注意力可视化与专家观察也不能独立证明模型依赖的是因果病理信号；外部数据泛化及主体级划分细节需查全文。

我的判断。 适合作为低标注预算下的候选实验路线，而不是立即推广的诊断工具。优先查看不同主体、切片与采集条件是否严格隔离，再讨论适配器带来的提升能否复现。

今日阅读线索

建议先读安全预算与 D-JEPA：前者检查风险测量怎样进入优化，后者检查跨模态目标保留了什么。再读驾驶三流训练，看几何补充与能力保留如何平衡；最后用提示选择和病理适配对照不改参数与少量改参数的路线。

本期共同的判断标准不是「数字有没有变好」，而是控制量是否生效、关键信息是否保留、测试隔离是否充分，以及负结果有没有被完整报告。自动选提示不等于反复改写总有收益，安全预算不等于真实风险承诺，病理概念验证也不能跨越到临床结论。