标签：人工智能

多模态对齐三路线对决：联合、解耦与智能体谁在144组任务中胜出

arXiv 新论文系统比较了联合预训练、解耦预训练和智能体三种多模态对齐范式，发现没有一种方案全面占优，胜负取决于任务类型和标注预算，并提出了可提前选型的诊断式路由方法。

Hugging Face Papers 收录的论文提出 TCoVP，用带时间戳和空间证据的“视频基元”替代纯文本 CoT，让视频推理分割的推理过程落到画面上，并在五个基准、三个骨干模型上做了实验。

arXiv 于 2026 年 10 月 20 日发布的新论文提出 Cache2LoRA，在 17 个任务上以 0.663 的 macro F1 逼近完整上下文 ICL 的 0.671，同时把 32K 文档场景的解码吞吐提升到后者的 5.9 倍，为上下文内化这一技术方向提供了更强且更省算力的方案。

Hugging Face Papers 公开的论文 AffordanceWAM 提出一种可供性感知的世界-动作联合模型，尝试用人类第一视角视频补足机器人动作数据稀缺的问题。按摘要所述，其价值在于把“哪里可以交互”变成连接视觉预测与动作生成的共享接口。

Hugging Face Papers 收录的一篇论文提出“集体经验学习”（CEL）框架，让部署中的机器人共享执行经验来改进同一策略，无需人类遥操作纠正即可提升可靠性。这为机器人规模化落地提供了一条不依赖持续人工介入的学习路径。

arXiv 上一项新研究测试了 LLM 智能体在程序化汉字书写任务中能否借“持久记忆”提升表现，结果显示记忆积累带来小幅增益，但记忆的设计方式会影响经验在何时、何处变得有用。

arXiv 上一项新研究提出 Software World 仿真框架，让多个 AI 智能体在相互依赖的 Python 包生态中自主找任务、协作维护代码，最佳模型在隐藏下游包上带来最高 31% 的效率提升。

2026 年 10 月，Hugging Face Papers 收录的论文摘要显示，EgoXperience 提出从第一视角视频中联合重建相机、场景、手和物体的完整范式，并配套 6M 标注数据集与新基准，其 EgoX 模型在摘要报告的评测中误差显著降低。

arXiv 上一项新研究把文生图评测改写为“约束满足”问题，提出逻辑形式化框架与 LogicVal 方法，并报告现有模型在复杂多物体条件约束下明显失准。

Hugging Face Papers 收录的论文提出 HOLI-WORLD，一套从第一人称人类经验采集、自动构建世界记录到模型训练与独立评测的完整体系，并用约 100 个自采场景生成的约 8 万条 QA 训练出 HOLIWORLD-VL-4B。