OmniXRef发布：文本图像视频多模态参考统一编辑视频
Hugging Face Papers 收录的论文 OmniXRef 提出一个统一框架，允许用户混合使用文本、图像和视频参考来控制源视频的不同属性，并配套发布视频参考评测基准 OmniXRef-Bench。
标签： 人工智能
WebCoder用可执行项目做强化学习，27B模型前端任务超过Claude-Opus-4.8
alphaXiv 收录的论文提出 WebCoder，用“以可运行应用为准”的强化学习训练通用前端开发智能体，其 27B 模型在自建 Webdev-Bench 上要求满足率升至 72.8，单项指标超过 Claude-Opus-4.8 和 GPT-5.4。它值得关注，因为它试图解决前端智能体“改一处、坏一处”和超…
LAW 统一语言、动作与世界建模，RoboTwin 平均成功率 94.21%
2026 年 10 月，alphaXiv 收录的论文提出 LAW 框架，把语言规划、动作生成与世界模型串成闭环，在 RoboTwin 的 50 项任务上平均成功率达 94.21%，长程真实机器人任务平均成功率 65%。它值得关注的地方在于，机器人长任务失败往往不是单步动作差，而是“做完没有、下一步做什么”的判…
Momentum 视频世界模型用多机位视频记忆补全镜头外动态
alphaXiv 收录的论文提出视频世界模型 Momentum，用多机位同步视频构成可更新的“场景记忆”，让车辆、行人离开画面后仍按一致轨迹演进。值得注意的是，它试图解决的是静态图像缓存无法更新镜头外动态的问题。
小米-Lens-0 技术报告：4B 多模态模型让推理带区域掩码
Hugging Face Papers 于 2026 年 10 月 16 日收录的小米-Lens-0 技术报告提出，一个基于 Qwen3.5 的 4B 多模态模型在推理过程中自行生成区域掩码，把“想”和“看哪里”绑定起来。值得关注的是，它尝试用更轻的结构解决多模态大模型细粒度区域理解弱的问题。
Scene-Designer 让 AI 学会边设计边评审 3D 室内场景
Hugging Face Papers 于 2026 年 10 月 16 日收录的论文摘要显示，新框架 Scene-Designer 把“设计场景”和“评审场景质量”作为两类互补经验联合训练，目标是让智能体从自然语言生成更完整、可用、物理和功能上都合理的 3D 室内场景。值得关注的是，它不只提升生成，还试图让…
LiveMACE用真实市场评测LLM智能体：结果与能力可分离
Hugging Face Papers 收录的论文提出 LiveMACEBench，用真实金融市场作为持续变化的环境，对 5 个前沿大模型智能体的工具使用、持久记忆、规则遵循和多智能体协作进行过程级评测，指出“赚钱结果”并不等于“具备能力”。
RAX框架提出用在线探索替代动作示范：仿真平均领先37.4%
alphaXiv 收录的论文 RAX 提出一种开源机器人智能体框架，让通用编码智能体在真实和仿真环境中自主探索并生成控制程序，而不依赖遥操作动作示范数据。这一路线如果可复现，可能改变机器人学习对专用示范数据集的依赖。
StopWatch用显式目标接地补上物体目标导航最后一环
2026年10月公开的论文 StopWatch 指出，物体目标导航的微调 VLM 主要败在“没认出目标已进入视野、也没估准距离”，它把可见类别与目标距离整理成结构化接地信号，在清洗后的 HM3D-OVON 验证 unseen 子集上达到 69.6% 成功率，高于 LightNav-0 的 60.8%。
PPMem用平面基元做视频世界模型的持久3D记忆
alphaXiv 收录的论文 PPMem 提出，让视频生成模型用一组“平面基元”记录已生成场景的 3D 结构，以便镜头离开再回来时仍能保持场景一致。这是研究方案，不是已上线产品。