标签：推理

P³-WAM统一世界动作模型：一个网络同时做手部重建、视频预测与规划

alphaXiv 2026年10月15日展示的论文提出 P³-WAM，用一个共享权重的模型统一处理第一视角灵巧操作的感知、预测与规划，目标是让手部动作和其视觉后果由同一套表示连接起来。

alphaXiv 2026年10月15日收录的论文提出 DSP 框架，让机器人先通过人类遥操作玩耍学会一个无目标策略，再自主采集数小时交互数据训练世界模型，最终在规划阶段完成有目标的灵巧操作，无需任务示范或仿真到现实迁移。

Hugging Face Papers 上出现一篇论文，提出 MRTPO 方法，将多奖励强化学习中的每个奖励优势精准分配给与之相关的 token，无需辅助模型或标注，在文本到 SQL 等任务上收敛更快、表现更好。

OpenGCUA 发布首个开源通用计算机使用智能体全栈方案，在 OSWorld-v2 评测中让八个模型的平均部分分提升 19.6 分，并大幅减少执行步骤。这为研究闭源前沿系统之外的设计路线提供了可复现的开放基础。

Hugging Face Papers 收录了一篇名为 Mosaic 的论文，提出多会话智能体强化学习方法，用无 critic 的分层优化替代把轨迹优势广播给所有会话的常见做法，并称在 BrowseComp 上以更少会话取得更好表现。

arXiv 上新论文提出 Temporal Specification Guidance（TSG），一种无需训练的推理时框架，把视频生成的时序要求写成时序逻辑规范，通过梯度引导采样方向，让“先出现什么、持续多久、何时切换”更可控。目前公开信息仅为论文摘要，未见产品化或独立复现验证。

Hugging Face Papers 收录的论文提出 SimVTA，用真实世界 3D 高斯重建加仿真渲染，为高奖励候选轨迹生成匹配视频监督，再结合 GRPO 优化驾驶世界动作模型的规划能力。值得关注的是，它试图解决驾驶日志只有一条记录轨迹、备选轨迹缺少视觉监督的老问题。

一篇名为 Dynamic Band Splitting（DBS）的音频分离论文提出让模型按内容动态决定频带边界，而不是所有音频共用同一套切分方式。在固定频带 token 预算下，摘要称 DBS 在 DnR v2、MUSDB18-HQ、EchoSet 上均优于对应静态模型。

Hugging Face Papers 收录的论文提出 WorldMemBench，用 260 个测试用例系统评测视频世界模型的世界记忆能力。它关注的不是画面是否好看，而是模型在离开又返回同一场景后，还能不能记住人物、物体和环境。

OmniCompass 是一个面向全模态视频理解的新基准，同时考察视觉语言与音视频联合模型在时间定位、空间定位和问答上的能力，并首次把“同一目标用文字和图文两种方式指定”作为配对评测条件。