标签： 训练

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。

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%。

论文提出 LILIE——一种可逆图像变换，让视觉语言模型能从加噪特征中还原字幕，并以此构建语言感知损失训练文生图模型。在 GPIC 数据集测试中，该损失比纯像素损失降低了 14 点 gFD，说明语言监督可为像素空间生成提供更丰富的训练信号。

Hugging Face Papers 收录的论文提出 AVC-Reward，一种以“事件”为单位衡量音视频一致性的可训练奖励模型，并配套构建 AVC-Benchmark 评测集，试图解决现有指标难以应对复杂生成场景的问题。

一项名为 Knowledge Transfer Probing（KTP）的受控实验显示，统一多模态模型通过图像生成训练获得的新知识，可以部分转化为纯文本问答能力，但迁移效果因模型和知识类别而异。这为“画得出来是否等于说得出来”提供了可量化的检验框架。