标签： 推理

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%。

Hugging Face Papers 收录的 RAP 数据集整理了 2022—2026 年机器学习会议的 2.5 万余对“论文—海报”样本，将海报拆成可重新填充的 HTML/CSS 槽位，使论文转海报从主观评审转向可渲染比对；它更接近研究基准，尚不是成熟产品。

Hugging Face Papers 收录的论文提出 ACT3D，让视觉语言模型（VLM）像人一样一次只看一张图，通过移动视角主动寻找证据后再作答，并在六项 3D 基准上取得平均 53.2% 的准确率。这一思路值得关注，因为它把“该看哪里”变成了模型自己学出来的能力。

Hugging Face Papers 收录的论文提出 LeanPRM，借助 Lean 证明助手为自然语言数学证明自动生成步骤级标签，在没有人工标注的情况下训练步骤验证器，在多个基准上优于用 PRM800K 训练的同类模型。

Hugging Face Papers 收录的论文提出 MIST 评测，把视频世界模型“是否执行了指定变化”与“是否记住了变化”分开考察，发现瓶颈常在执行而非记忆，并据此给出改进方法 M3-Agent。

alphaXiv 上的一篇论文提出 Librarian Agents，让一个“构建者”智能体在提问到来前，把零散长文档整理成带索引的层级文件系统；在 BrowseComp-Plus 上，经强化学习训练的构建者使下游答题准确率比最强基线高约 33 个百分点。