AI 论文周报｜2026-09-21 — 2026-09-25

本期导读

本期目录收录 33 篇论文，涉及智能体、具身智能、多模态、视频生成。站内浏览导读与篇目，再按需查阅论文资料。 本页整理本期阅读线索与篇目目录，并补充产业观察问题，便于在站内先建立阅读框架。

本期刊物：AI 论文周报。条目更新日期：2026-10-04。

产业观察

以下是路见整理的阅读问题，用来区分技术进展、产品可用性与商业兑现；不代表本期论文或原作者已经验证了这些商业结果。

智能体

把自动执行任务的能力拆开看：能否稳定调用工具、处理中途失败、完成多步任务。产业价值需要进一步核验任务完成率、人工接管次数，以及每次成功交付的成本。

具身智能

从模型走向真实设备，通常还要经过感知、控制和安全验证。阅读时可关注演示场景是否受限、换环境后能否工作，以及真实部署需要多少维护和训练数据。

多模态

同时处理文字、图像、声音，并不自动意味着能解决业务问题。更值得追问的是：哪一种信息减少了错误，是否必须收集新数据，效果提升能否覆盖计算和数据成本。

视频生成

判断视频工具的实用性，可以分别观察画面质量、跨镜头一致性、可修改程度和生成耗时。能够进入生产流程，还取决于返工次数、素材授权和与现有工具的衔接。

本期篇目

收录 33 个篇目标题。可先浏览感兴趣的方向，再按需打开具体论文或项目资料。

1. 在世界模型中训练客体永久性 · 延伸资料

1. OmniEdu：面向学习与教学的开源基础模型 · 延伸资料

1. Realtime-Venus：一种具备异步委派能力的全双工交互系统 · 延伸资料

1. RRSI：Agent Harness 的正则化递归自我改进 · 延伸资料

1. 有品味的 Agent：长时程任务中品味的度量与提升 · 延伸资料

1. EvoOntology：面向数据智能体的自演化本体层 · 延伸资料

1. WorldCrafter：具备隐式 3D 感知记忆的一致视频世界模型 · 延伸资料

1. OmniVChat：原生音视频对话的合成、基准构建与训练 · 延伸资料

1. CodeMidas：从代码本身扩展 Agentic 编程 RL 环境 · 延伸资料

1. GameHorizon Suite：游戏玩法中的多时间跨度数据与评估 · 延伸资料

1. 将 VLM 的智能迁移至机器人控制 · 延伸资料

1. 从代码中大规模合成有依据的技能，赋能 Agent 智能 · 延伸资料

1. RULER：面向 SVG 生成的实例感知评分规则奖励 · 延伸资料

1. 你的 Transformer 能同时容纳两个想法：LLM 中线性叠加的证据 · 延伸资料

1. SpeakerMem-R1：面向多方对话的以说话者为中心的双轨记忆 · 延伸资料

1. 具身动作模型：以 3D 定位作为机器人学的基础 · 延伸资料

1. RecreationWorld：面向混合计算机使用智能体的可扩展可验证环境 · 延伸资料

1. Ovis-Embedding：推动通用全模态嵌入的前沿 · 延伸资料

1. VideoGen-Agent：强化视频生成 Agent · 延伸资料

1. GAE：学习面向 3D 一致世界生成的几何原生潜在空间 · 延伸资料

1. 文档检索感知分块（D-RAC）：通过 PDF 归一化与多模态 Markdown 转换实现企业文档的通用检索感知摄取 · 延伸资料

1. 过去帧定未来：自回归视频生成的记忆机制 · 延伸资料

1. Spatial-Interactor：通过与可观测物理世界交互学习空间推理 · 延伸资料

1. Paint-Anything：面向图像生成与编辑的统一任意颜色控制 · 延伸资料

1. HappyWorld-Bench 基准测试 · 延伸资料

1. StableVQ：稳定向量量化分词器训练的实用指南 · 延伸资料

1. 基于文字系统感知混合专家的一体化多语言场景文本识别 · 延伸资料

1. onPanda：通过 Token 级修正高效标注 LLM 与 Agent 的在线策略对齐数据 · 延伸资料

1. 即时记忆：为 LLM Agent 学习策展任务自适应记忆 · 延伸资料

1. 从一到多，从多到一：面向软件工程 Agent 的类别感知迭代专家训练 · 延伸资料

1. 贝尔曼策略优化 · 延伸资料

1. WanPE：面向现代文生视频的电影级提示词增强 · 延伸资料

1. IntBMoE：将块级条件引入专家组合，实现全参与式混合专家模型 · 延伸资料

继续跟踪

阅读后可以留下三个问题：这项技术解决了谁的问题？用户是否愿意持续付费？成本、可靠性和交付条件是否已经具备？把下一次观察建立在可核验的产品与经营信息上。